熊聪聪，李俊伟，杨晓艺，王 丹

(天津科技大学人工智能学院，天津300457)

在20世纪60年代早期，人们创造了许多工具来模拟生物的行为，仿生学就此诞生.在这样的前提下，自然界有很多动物群体(蚁群、鸟群等)成为研究者关注的焦点，对动物的群体行为进行数学建模，并在计算机软件上进行模拟仿真实验，群智能(swarm intelligence，SI)算法[1-4]应运而生.其中，比较经典的群智能算法有：Colorni等[3]根据蚂蚁在寻找食物时的行为而提出的蚁群(ant colony optimizer，ACO)算法、Kenndy等[4]根据鸟群在寻找食物时的行为从而提出的粒子群(particle swarm optimizer，PSO)算法、He等[1,5]提出的群搜索优化(group search optimizer，GSO)算法.

He等[1]系统地阐述了群搜索优化算法的基本原理，解释了相关的数学模型，并将其与遗传算法(GA)、快速演化规划(FEP)[6]、快速演化策略(FES)[7]、粒子群(PSO)算法等群智能算法进行了比较和仿真实验，对比讨论该算法中的初始化参数对最终实验结果的影响.

虽然GSO在一些优化问题中显示出了比较显著的优越性，但其仍然存在部分不足之处，例如在处理一些优化问题时出现易陷入局部最优，造成收敛速度较慢、精度较低的问题.因此，许多研究者都提出了相应的改进方法.安晓伟等[8]提出了保留发现者的搜索策略和由加入者执行鱼群算法的搜索策略，通过引入鱼群算法，可以避免种群搜索陷入局部最优.在标准GSO算法的基础上，李丽娟等[9]提出了取消按角度搜索的策略，增加了控制变量随迭代次数减少而变化的概率，在一定程度上解决了标准GSO算法收敛速度慢的缺……