文献类型：期刊文章

作　　者：王子恺[1] 黄学雨[2] 朱东林[1] 闫少强[3] 李权[1] 郭伟[1]

WANG Zikai;HUANG Xueyu;ZHU Donglin;YAN Shaoqiang;LI Quan;GUO Wei(School of Information Engineering,Jiangxi University of Science and Technology,Ganzhou 341000,China;School of Software Engineering,Jiangxi University of Science and Technology,Nanchang 330013,China;School of Combat Support,Rocket Military Engineering University,Xi’an 710025,China)

机构地区：[1]江西理工大学信息工程学院,赣州341000 [2]江西理工大学软件工程学院,南昌330013 [3]火箭军工程大学作战保障学院,西安710025

出　　处：《北京航空航天大学学报》

基　　金：国家重点研发计划(2020YFB1713700)。

年　　份：2024

卷　　号：50

期　　号：1

起止页码：286-298

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、EI、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为改善麻雀搜索算法(SSA)初始化阶段种群分布不充分,寻优过程中容易受到局部最优解干扰的不足,提出融合边界处理机制的学习型麻雀搜索算法(HSSA)。使用Piecewise map初始化种群,提高种群的分散程度;使用排序配对学习与竞争学习策略分别更新跟随者和警戒者,确保各代的最优解信息能够引导下一代的位置更新;自适应的警戒者数量使得警戒者作用被强调,提供灵活的应变机制;根据不同阶段的寻优特点制定多策略边界处理机制,保留住种群数量的同时,为超出边界的个体提供更加合理的搜索位置。经过12个基准函数的仿真实验,并借助消融实验、Wilcoxon秩和检验等证明了HSSA在收敛速度上的稳定性和寻优的高效性。

关 键 词：麻雀搜索算法  Piecewise map  排序配对学习  竞争学习  多策略边界处理  

分 类 号：TP301.6]