郭恩铭，方洋旺,2，彭维仕，杜泽弘

(1.西安邮电大学计算机学院，陕西 西安 710121；2.西北工业大学无人系统技术研究院， 陕西 西安 710072；3.武警工程大学装备管理与保障学院，陕西 西安 710086； 4.上海机电工程研究所，上海 201109)

0 引言

群智能是指自然界智能行为特征和生物现象，适应性、自我学习、健壮性和效率使生物媒介(如昆虫和鸟类)能够承担复杂的任务[1]。人们根据这些群智能行为特征[2]，提出了群智能优化算法。例如：哈里斯鹰优化算法(Harris hawk optimization，HHO)[3]、松鼠搜索算法(squirrel search algorithm，SSA)[4]、海洋捕食者算法(marine predators algorithm，MPA)[5]、被囊群优化算法(tunicate swarm algorithm，TSA)[6]等。

但是工程实际中，如何选择合理的群智能优化算法，则需要对算法的性能进行分析和比较。其中，文献[7]针对机器人群学习的性能分别对蝙蝠算法(bat algorithm，BA)、粒子群算法(particle swarm optimization，PSO)、灰狼优化器(grey wolf optimization，GWO)进行了分析，研究中使用避障基准任务通过t检测法对三种算法的性能对比在不同的机械手的数量(NR)和通讯范围(CR)条件下机器人的社交学习能力，但t检测法要求数据是来自正态分布且不能用于多组比较，最后结果是针对机器人系统选择算法的建议。文献[8]提出人像散度模型，来评价猫群算法(cat swarm algorithm，CSO)与粒子群和人工蜂群算法的性能。相关改进算法和原算法比较中[9-10]用的都是算法的标准差、平均值等单个指标来评估算法性能的优劣。如何综合地评估算法的性能对于算法的应用非常重要。

针对传统评估指标不能合理评估算法性能的问题，提出基于逼近理想解排序法(technique for order preference by similarity to ideal solution，TOPSIS)的评估方法，逼近理想解排序法又简称优劣解距离法。……