融合柯西变异和反向学习的改进麻雀算法

摘要：

针对基本麻雀搜索算法在迭代后期种群多样性减小,容易陷入局部极值的问题,提出一种融合柯西变异和反向学习的改进麻雀算法(ISSA).首先,采用一种映射折叠次数无限的Sin混沌初始化种群,为全局寻优奠定基础;其次,在发现者位置更新方式中引入上一代全局最优解,提高全局搜索的充分性,同时加入自适应权重,协调局部挖掘和全局探索的能力,并加快收敛速度;然后,融合柯西变异算子和反向学习策略,在最优解位置进行扰动变异,产生新解,增强算法跃出局部空间的能力;最后,与3种基本算法和2种改进的麻雀算法进行对比,对8个基准测试函数进行仿真实验以及Wilcoxon秩和检验,评估ISSA的寻优性能,并对ISSA进行时间复杂度分析.结果表明ISSA与其余5种算法相比,收敛速度更快,精度更高,全局寻优能力得到较大提升.

关键词：麻雀搜索算法、Sin混沌、自适应、柯西变异、反向学习

所属期刊栏目：15

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71704151

在线出版日期：2021-06-15（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：1155-1164