2023，59（6）麻雀搜索算法[1]（sparrowsearchalgorithm，SSA）是通过模仿麻雀群体中觅食行为和反捕食行为来实现优化搜索目标的新型群智能优化算法。该算法因其具备原理简单，结果清晰，搜索能力强等特点，受到国内外学者的广泛关注，现已成功应用于工程设计问题[2]、机器学习算法的参数优化[3]、路径规划[4]、BP神经网络[5]等多个领域。但麻雀搜索算法仍存在对初始解依赖、迭代后期种群多样性骤减、容易陷入局部极值等问题。为提升麻雀搜索算法的综合性能，众多学者对其进行了相关改进。基于初始种群的改进主要以混沌映射策略[6-7]和反向学习策略[8-9]为主。又因变异算子能够增强算法跃出局部空间的能力，故在麻雀位置更新处引入变异算子同样是SSA算法的一种改进方向，何国松等人[10]对劣势群体采用量子策略进行变异，加强空间搜索能力，对优势群体采用Lévy随机游走策略，克服量子策略迭代后期种群多样性减少的问题；Liu等人[11]联合柯西算子与高斯算子对每代个体变异扰动，增强算法摆脱停滞的能力。麻雀个体的位置更新对算法的优化性能有融合多向学习的混沌麻雀搜索算法柴岩，孙笑笑，任生辽宁工程技术大学理学院，辽宁阜新123000摘要：对于原始麻雀搜索算法（SSA）在迭代过程中表现出的种群多样性减小，易陷入局部最优等问题，提出一种融合多向学习的混沌麻雀搜索算法（MSSA）。利用Hénon混沌映射初始化种群，增加麻雀种群的多样性，扩大可行解的搜索范围，为全局寻优奠定基础；采用多向学习策略增加麻雀跟随者探索未知领域的机会，平衡算法的局部开发性能和全局搜索能力；当算法陷入局部最优时，引用遗传算法中的变异策略依据动态的变异概率对当前最优个体进行扰动变异；将MSSA算法应用到无线传感器网络节点覆盖优化问题。数值实验结果与Wilcoxon秩和检验结果均表明MSSA算法在收敛精度与收敛速度等方面具有更明显的优势。关键词：麻雀搜索算法；Hénon混沌映射；多向学习策略；变异算子；无线传感器网络文献标志码：A中图分类号：TP301.6doi：10.3778/j.issn.1002-8331.2205-0528ChaoticSparrowSearchAlgorithmBasedonMulti-DirectionalLearningCHAIYan,SUNXiaoxiao,RENShengSchoolofScience,LiaoningTechnicalUniversity,Fuxin,Liaoning123000,ChinaAbstract：Sparrowsearchalgorithmintheiterativeprocesshaspoorperformancesuchasthelowpopulationdiversityandthetendencyoffallingintolocaloptima.Toaddressthementionedproblems,achaoti...
