王宗山,丁洪伟,王 杰,李 波,侯 鹏,杨志军,4

(1.云南大学 信息学院,昆明 650500;2.郑州大学 机械与动力工程学院,郑州 450066; 3.复旦大学 计算机科学技术学院,上海 201203;4.云南省教育厅 教育科学研究院,昆明 650021)

樽海鞘群算法(salp swarm algorithm,SSA)[1]是2017年提出的一种新型群体智能优化算法,它源于对海洋生物樽海鞘导航和群体觅食行为的模拟,通过领导、跟随等过程,构建一种高效的寻优方案。SSA算法具有寻优机制简单、参数设置少、全局搜索能力强等特点。文献[1]的研究表明,SSA算法的寻优能力优于遗传算法(genetic algorithm,GA)[2]、粒子群优化(particle swarm optimization,PSO)[3]、人工蜂群 (artificial bee colony,ABC)算法[4]等传统智能优化算法,与灰狼优化(grey wolf optimizer,GWO)[5]、鲸鱼优化算法(whale optimization algorithm,WOA)[6]、萤火虫算法(firefly algorithm,FA)[7]等新型群体智能算法相比,SSA也有较强的竞争力[1]。自提出以来,SSA算法已被成功应用于目标分类[8]、特征选择[9]、图像处理[10]、混合动力系统[11]等领域中。

然而,与其他元启发式算法相似,SSA算法也存在开发与勘探能力不平衡、寻优精度低、易陷入局部最优等缺点。针对这些问题,研究学者开发出了许多性能较好的SSA变体。文献[12]在领导者位置更新公式中引入一种控制搜索范围的非线性衰减因子,提高算法的局部搜索能力,同时在跟随者位置更新公式中引入动态学习策略,增强精英个体对领导者的协助作用,以此提高算法的寻优能力。文献[13]提出追随者共生概念,可以优化樽海鞘追随者的跟随方式,从而增强算法的全局开采能力,并通过引入非均匀高斯变异提高种群多样性。文献[14]通过引入疯狂算子对食物源进行扰动,以此提高种群多样性,同时提出自适应惯性权重,能够平衡算法的开采与勘探能力。……