翻筋斗的改进麻雀搜索算法

摘要：

麻雀搜索算法在函数优化上具有较好的寻优能力,但依然存在易陷入局部最优、随机性较大等缺陷.针对上述问题,提出一种翻筋斗的改进麻雀搜索算法(Somersault Improved Sparrow Search Algorithm,SISSA).在算法初期,引入Tent映射和反向学习初始化种群;寻优阶段融合一种非线性收敛因子优化发现者的位置,再引入翻筋斗策略使追随者的位置更新具有灵活性;最后利用两个历史最优解的差分进行局部搜索,提高跳出局部最优的概率,得到可靠的解.采取 12 个标准函数测试SISSA,并和6 种算法进行对比,结果表明SISSA具有较强的寻优能力,并且在Wilcoxon统计检验上得到了有效的验证.同时将SISSA应用于机器人路径规划,验证了SISSA的可靠性和实用性.

关键词：麻雀搜索算法、翻筋斗、映射、反向学习、非线性收敛因子

所属期刊栏目：40

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金61561024

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：355-363,415