文献类型：期刊文章

作　　者：毛清华[1] 张强[1]

MAO Qinghua;ZHANG Qiang(School of Economics and Management,Yanshan University,Qinhuangdao,Hebei 066004,China)

机构地区：[1]燕山大学经济管理学院,河北秦皇岛066004

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(71704151)。

年　　份：2021

卷　　号：15

期　　号：6

起止页码：1155-1164

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、ZGKJHX、核心刊

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  

分 类 号：TP301.6]