文献类型：期刊文章

作　　者：高岳林[1,2] 杨钦文[1,2] 王晓峰[1] 李嘉航[2,3] 宋彦杰[4]

GAO Yuelin;YANG Qinwen;WANG Xiaofeng;LI Jiahang;SONG Yanjie(School of Computer Science and Engineering, North Minzu University, Yinchuan 750021, China;Ningxia Key Laboratory of Intelligent Information and Data Processing,North Minzu University, Yinchuan 750021, China;School of Mathematics and Information Science, North Minzu University, Yinchuan 750021, China;College of Systems Engineering, National University of Defense Technology, Changsha, 410073, China)

机构地区：[1]北方民族大学计算机科学与工程学院,宁夏银川750021 [2]北方民族大学宁夏智能信息与大数据处理重点实验室,宁夏银川750021 [3]北方民族大学数学与信息科学学院,宁夏银川750021 [4]国防科技大学系统工程学院,湖南长沙410073

出　　处：《郑州大学学报（工学版）》

基　　金：国家自然科学基金资助项目(61561001);宁夏高等教育一流学科建设基金(NXYLXK2017B09);北方民族大学重大专项(ZDZX201901)。

年　　份：2022

卷　　号：43

期　　号：3

起止页码：21-30

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、MR、RCCSE、ZGKJHX、核心刊

摘　　要：智能优化算法主要分为4类:仿自然优化算法、进化算法、仿植物生长算法和群体智能优化算法,其中群体智能优化算法是最为重要的一类算法。智能优化算法与图像处理、故障检测、路径规划、粒子滤波、特征选择、生产调度、入侵检测、支持向量机、无线传感器、神经网络等技术领域交叉融合,应用更加广泛。以蝙蝠算法、果蝇优化算法、鲸鱼优化算法、樽海鞘群体算法和哈里斯鹰优化算法为基础,对群体智能优化算法的模型、特征、改进策略及应用领域等进行了综述,从理论研究、改进策略和应用研究3个方面分析了其面临的发展机遇和未来趋势,给出了算法应用的指导意见。研究表明:群体智能优化算法在众多经典问题上的表现较好,而在多目标优化、多约束优化、动态优化和混合变量优化等领域仍有待扩展;不同群体智能优化算法在面对各类具体问题时有效的参数控制仍是未来的研究重点;种群协同进化、探索更高效的混合算法和搜索策略是可行的解决途径。

关 键 词：群体智能优化算法  蝙蝠算法  果蝇优化算法  鲸鱼优化算法  樽海鞘群体算法  哈里斯鹰优化算法  

分 类 号：TP18] TP301]