张家玮，李 琳+，张奇志

(1.西安石油大学 电子工程学院，陕西 西安 710065；2.西安石油大学 陕西省油气井重点测控实验室，陕西 西安 710065)

0 引 言

近年来，源于自然现象的群智能优化算法迅速发展[1]，如海鸥算法(seagull optimization algorithm，SOA)[2]、麻雀搜索算法(sparrow search algorithm，SSA)[3]和黏菌算法(slime mound algorithm，SMA)[4]。这些群智能算法具有灵活性、无梯度机制、简单性和避免局部最优等优点。樽海鞘群优化算法(salp swarm algorithm，SSA)由Mirjalili等提出[5]，SSA算法模拟了樽海鞘的生活习性和捕食习性，其数学模型可分为两组：一组为领导者，另一组为跟随者。领导者是樽海鞘链中的第一个樽海鞘，在这条链中其余樽海鞘为跟随者。在算法寻优中，领导者带领种群寻找最优食物，而跟随者则跟随最近的樽海鞘，由于樽海鞘之间的相互作用，樽海鞘不会轻易倾向一个局部可行的解，很大程度地避免局部最优，其寻优精度和收敛性能的效果比传统遗传算法、粒子群算法、灰狼算法更好[6]。此外，其结构简单和控制参数少使得它正在成为算法领域的热门研究[7]，引来许多学者研究并将其应用于不同领域，如训练多层感知器[8]、电力系统调度优化[9]和能源管理策略优化[10]等。这些都反映了SSA算法在某些领域的突出性能，验证该方法的高灵活性和可靠性。

1 相关工作

虽然SSA算法在很多领域都表现出了出色的性能，但它存在收敛速度慢、局部最优停滞等缺点。多年来，研究人员提出了许多改进的SSA算法，以获取更好的性能。文献[11]中通过改进混沌Tent映射机制对种群化初始化，同时加入动态学习使算法跳出局部最优，提升其寻优能力。……