第33卷第1期广东石油化工学院学报Vol．33No．12023年2月JournalofGuangdongUniversityofPetrochemicalTechnology■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■February2023混合引力搜索的自适应反向学习蜉蝣优化算法①童林，吴芸，吴雪颜，吴霄，江佳玉(九江学院理学院，江西九江332005)摘要:针对蜉蝣优化算法全局探索能力较弱，易陷入局部最优的不足，提出了两种改进策略:利用引力搜索算法更新蜉蝣的速度公式，以增强算法的全局探索能力和局部开发能力;对蜉蝣种群执行自适应反向学习策略，以提高算法的收敛速度及求解精度。将两种策略分别引入雌雄种群中得到六种算法变体。仿真结果表明，雄性种群混合引力搜索算法且雌性种群引入自适应反向学习策略的变体性能最好，命名为GSA－OMA算法。与8个元启发式优化算法相比，GSA－OMA算法具有更好的寻优精度和收敛速度。关键词:蜉蝣优化算法;引力搜索算法;自适应反向学习中图分类号:TP391文献标识码:A文章编号:2095－2562(2023)01－0043－05蜉蝣优化算法(MA)是一种新颖的元启发式优化算法［1］，参数少、过程简单易实现、寻优能力强，已应用于多目标任务优化［2］、性能预测［3］、动态优化［4］等领域。为了进一步提高MA算法的性能，提出了相应的改进策略，如倒位变异和突变结合［5］、反向学习［6］、混合和声搜索算法［7］等。但MA算法的寻优能力在某些函数上仍有待改善，为此本文提出了两种改进策略:将蜉蝣种群的速度更新公式替换为引力搜索算法的速度更新公式;利用自适应反向学习策略更新蜉蝣种群的位置。两种改进策略分别应用到雌雄种群中得到6种算法变体，在12个测试函数上进行数值实验。结果表明，在雄性蜉蝣中混合引力搜索算法并在雌性蜉蝣中引入自适应反向学习策略的GSA－OMA1算法性能最好(称为GSA－OMA算法)。与8个元启发式优化算法进行数值实验，结果表明，GSA－OMA算法的全局探索和局部开发能力均得到提高。1蜉蝣优化算法MA算法的种群分为雌雄两种。第i个雄性和雌性蜉蝣个体在第t次迭代时的位置分别为xti=(xti1，xti2，…，xtiD)和yti=(yti1，yti2，…，ytiD)，速度均表示为vti=(vti1，vti2，…，vtiD)，其中D为优化问题的维数。雄性蜉蝣会根据自己和邻近蜉蝣的经验来调整当前位置和速度，其表示为xt+1i=xti+vt+1i，vt+1i=g×vti+a1e－βr2p(pbesti－xti)+a2e－βr2g(gbest－xti)(1)式中:pbesti为蜉蝣个体i的历史最优位置;gbest为种群中全...
