增强全局搜索和自适应蜉蝣算法
2022-07-13张达敏邹诚诚
王 义,张达敏,邹诚诚
(贵州大学 大数据与信息工程学院,贵阳 550025)
近年来,大量基于元启发的仿生优化算法用来解决科学领域的各种优化难题并有较好的优化效果,如工程难题、商业最优问题、经济学和复杂多目标优化问题。元启发算法因其灵活、结构简单、无梯度机制等优点受到研究者的关注[1]。近年来出现各种基于仿生优化算法和基于物理模型的算法,如基于模仿自然界中的鸟群和鱼群的觅食行为提出了粒子群算法(particle swarm optimization,PSO)[2]、受麻雀的觅食行为和反捕食行为的启发提出麻雀搜索算法(sparrow search algorithm,SSA)[3]、受狼群的等级领导行为和守猎过程的启发提出了灰狼算法(grey wolf optimization,GWO)[4]、基于裸鼹鼠和繁育者的繁殖行为,培育精英后代提出裸鼹鼠算法(naked mole-rat algorithm,NMRA)[5]、模拟自然界中成虫发光萤火虫聚集行为提出萤火虫算法(firefly algorithm,FA)[6]、模拟生物在自然环境的遗传和进化过程提出遗传算法(genetic algorithm,GA)、受领导者引导和跟随者跟进共同在海洋中和寻食启发提出樽海鞘群算法(salp swarm algorithm,SSA)[1]以及2021年根据变色龙群体在搜索食物、360°眼睛转动和捕猎行为提出变色龙群算法(chameleon swarm algorithm,CSA)[7]等。
2020年,文献[8]根据雌雄蜉蝣群体的聚集、婚配行为和交配繁殖行为提出一种基于群体仿生优化算法——蜉蝣算法(mayflies algorithm,MA)[8], 其灵感来自蜉蝣群体的社会行为,尤其是它们的交配过程,雄雌性蜉蝣成熟后婚配及求偶和繁殖而启发。从MA的结构表达形式上看,是由PSO、GA和FA算法的结合改进,由此MA也符合优胜劣汰规律的种群进化算法,具有较好的局部搜索性能和良好的种群多样性。……
