融合学习机制的多混沌麻雀搜索算法

摘要：

针对麻雀搜索算法(SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法(MMCSSA).首先,引入重心反向学习策略(COBL)生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能.其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力.然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征.混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力.最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现.

关键词：麻雀搜索算法(SSA)、黄金正弦算法、高斯变异、多混沌学习机制、重心反向学习策略(COBL)

所属期刊栏目：17

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;云南省科技厅基础研究专项;云南省计算机技术应用重点实验室开放基金

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共18页

页码：1057-1074