李苗苗，王秋萍，惠 蕙

西安理工大学 理学院，西安710054

近年来，模拟自然现象的群智能算法常被用于解决优化问题，以达到预期目的。群智能算法结构简单，具有并行和分布式特点，解决复杂问题时的效率和稳定性高，而被广泛用于实际优化问题。

蝙蝠算法[1]是一种基于群体智能的启发式搜索算法，可以有效地搜索全局最优解。它是一种随机搜索算法，通过模拟蝙蝠的回声定位以检测猎物并避开障碍物，并且结合现有优化算法的优点，使其在解决优化问题方面更具优势。基于BA的算法已应用于多个领域，例如优化节能系统[2]、神经网络模型[3]、多级图像阈值处理[4]等。与其他传统的优化技术相比，BA算法具有较强的优势，但存在陷入局部极值的可能，从而会降低收敛速度和准确性。因此，国内外学者对其进行了各种改进研究。Paiva等[5]使用柯西突变算子和精英反向学习策略来提高BA的多样性和收敛速度。Cai等[6]提出了具有高斯随机游走的BA算法，以增强局部搜索能力。Cui等[7]提出了一种具有惯性权重的蝙蝠算法，该算法可以控制每个蝙蝠先前速度的惯性影响，并提高了局部搜索能力。

上述基于蝙蝠算法的改进，从不同方面提高了算法的性能。为了进一步提升算法性能，本文提出一种新的改进的蝙蝠算法，具体改进如下：利用分数阶对历史经验的记忆性，自适应调整阶次，增强种群多样性，加快了算法收敛速度；将Lévy飞行与阿基米德螺旋结合产生局部新解，增强了算法的局部开发和跳出局部最优能力；……