秦维娜，张达敏，尹德鑫，蔡朋宸

(贵州大学 大数据与信息工程学院，贵阳 550025)

1 引 言

为解决现实生活中的复杂优化问题，来自生物和自然物理现象的启发，提出了被囊群算法[1](Tunicate Swarm Algorithm，TSA)、浮游算法[2](Mayfly Algorithm，MA)、旗鱼优化算法[3](Sailed Fish Optimizer，SFO)、绯鲵鲣优化算法[4](Yellow Saddle Goatfish Algorithm，YSGA)等优化技术以解决各领域的优化问题.

海鸥优化算法(Seagull optimization algorithm，SOA)是由Dhiman和Kumar在2019年提出一种新的基于生物行为启发的元启发式算法[5]，其思想源于自然界中海鸥的迁徙和攻击行为，与遗传算法和粒子群算法相比，SOA算法易于实现、参数调整简单，因此被用来解决一些计算量较大的问题，在实际的工业应用中也被证明了它的适用性[6].

但是，海鸥优化算法存在的易陷入局部收敛，多样性差等问题，尤其在解决一些比较复杂的多峰搜索问题中.目前，针对海鸥算法的改进是加入Lévy飞行机制[7]，通常通过增加种群的规模对算法的性能有一定的改善，但同样存在缺陷：1)不能从根本上克服早熟收敛问题；2)会增加算法的运算量.在粒子群算法非线性权重的基本思想引导下[8-10]，为了更好的平衡全局搜索能力和局部搜索能力，通过引入非线性动态惯性权重调整海鸥的位置距离，使用12个基准测试函数对标准PSO，GA，SOA和本文方法进行仿真实验，测试结果表明，本文所提算法与其他3个优化算法相比具有更好的优化性能.

2 海鸥优化算法及相关参数解析

海鸥优化算法是从海鸥的迁徙和攻击模型中得到启示的一种基于群体智能的随机搜索算法[11].在使用海鸥优……