孙哲中，刘 昊，陈 洋

（辽宁科技大学 理学院，辽宁 鞍山114051）

元启发式算法分为三类：基于生物群智能［1］、基于物理现象［2］和基于进化的元启发式算法［3］。探路者算法（Pathfinder algorithm，PFA）是基于生物群智能的元启发式算法，由Yapici等［4］于2019年提出。该算法具有简单、易于实现且鲁棒性强的优点，但其收敛速度慢、易陷入局部最优，因此需不断对其进行改进。文献［5］将差分进化算法（Differential evolution，DE）的变异算子集成到PFA中提高收敛精度。文献［6］提出一种基于教学策略的PFA算法，用于求解函数和工程优化问题。文献［7］使用PFA优化分数阶倾斜积分微分控制器，用于多源电力系统的自动发电控制。文献［8］将PFA用于求解太阳能光伏系统在多边之间的优化配置和集成问题。文献［9］使用改进PFA优化混合埃尔曼神经网络（Hybrid elman neural network，ENN），并用于固体氧化物燃料电池模型的评估。

PFA种群在位置更新时不可避免地会产生越界个体，需对这类个体进行越界处理，使超过搜索边界的个体位置重新回到搜索空间。常见的越界处理方法有重新初始化法和边界限定法。重新初始化是将越界个体在搜索空间中重新进行随机初始化。这种处理方法在迭代过程中通常比较粗糙，且无法保留越界个体已经搜索到的历史维度信息。边界限定法则是寻找越界个体中的越界维度信息，将越界维度限制在离其最近的边界上。这种处理方法尽管能够保留越界个体的维度信息，但对越界维度利用率差。

为解决PFA在简单问题中收敛速度慢、收敛精度差以及对维度信息利用不充分的问题，本文提出了一种改进PFA，称为维度学习探路者算法（Dimension learning pathfinder algorithm，DLPFA）。……