任春慧，刘 升，张伟康，张微微

上海工程技术大学 管理学院，上海201620

生活已成为开发许多优化算法的启示源，这些优化算法可分为确定性算法和随机算法[1]。确定性算法是具有可预测行为的算法，如果给定特定输入，它们将始终产生相同的输出。随机算法可以分为启发式算法和元启发式算法，它们之间的差别很小。启发式算法在可接受的时间内解决问题，但不能保证可以找到最佳解决方案，这意味着没有这样的最优性。虽然元启发式算法意味着“超越”或“更高层次”，但它们通常比简单启发式方法表现更好。另外，所有元启发式算法都使用了随机化和局部搜索之间的某种权衡。

在过去的几十年中，元启发式算法吸引了越来越多研究学者的关注，现在仍然是一个活跃领域。后来提出了几种算法，例如粒子群算法[2]、蚁群优化算法[3]、细菌觅食优化算法[4]、花授粉算法[5]、磷虾群算法[6]、乌鸦搜索算法[7]等。如今，有许多实际的优化问题需要解决，任务是针对大多数的问题而不是所有问题设计更好的算法。

Ibrahim和Ali在2016年提出的骆驼算法[8]是一种元启发式优化技术，它模仿了骆驼在沙漠中觅食过程中的行进行为，可以描述为它们向着食物源位置的合作运动，接收、感知和分析空气中的气味以确定食物源或配对伴侣的潜在方向。由于有多循环嵌套和多个参数选择，该算法具有复杂的结构，这会对执行效率和内存大小产生负面影响。本文介绍改进的骆驼行进行为算法（MCA），显著提高了其计算速度和收敛性，同时简化了算法结构。……