胡红萍，邹娜娜，马利兵，史 娜

(中北大学 理学院，山西 太原 030051)

0 引 言

现实世界的很多领域存在很多优化问题, 例如统计物理学[1]、 计算机科学[2]、 人工智能[3]、 模式识别[4]等. 对于优化问题，传统的优化技术难以找到全局最优解，例如爬山(Hill-Climbing)、 随机搜索(Random Search)和模拟退火(Simulated Annealing,SA)[5]等. 元启发算法的提出给优化问题提供了解决问题的一种思路. 遗传算法(GA)[6-7]是1992年由Holland提出的利用染色体和基因寻找全局最优解的第一个进化算法. 粒子群优化算法(PSO)[8-12]是1995年由Kennedy等人提出的模拟鸟类觅食的社会行为用以找到全局最优解的优化算法. 正余弦算法(SCA)[13-14]是2016年由Seyedali Mirjalili提出的一种新的基于群体的优化算法，用于解决优化问题，初始化种群，并使用基于正弦和余弦函数的数学模型向外或向最佳解波动. 人工树算法(AT)[15-16]是2017年由Li等人提出的模拟树的生长规律提出的一种基于种群的算法. 这些启发式算法还有例如人工鱼群算法[17]、 果蝇优化算法[18-19]、 飞蛾扑火优化算法[19]和鲸优化算法[20-21], 但这些算法不能解决所有的优化问题.

学者们对这些元启发算法不断改进，通过优化人工神经网络的参数构建多种模型来解决各种实际问题，例如：改进的指数递减惯性权重的PSO优化径向基神经网络来实现空气指数的预测[9], 基于改进的动态PSO和AdaBoost算法优化广义回归神经网络来实现上证指数的预测[10]，混沌的动态加权PSO[12]用于函数优化，且克服了早熟收敛和易陷入局部最优解的缺点，在鲸优化算法中引入了混沌理论，提高……