多策略融合的改进天鹰优化器

摘要

针对智能优化算法存在全局勘探水平低、不易跳出局部最优等问题，虽然天鹰优化器(aquila optimizer, AO)的提出，使得此问题有所改善，但仍无法应对未来愈发复杂的实际问题。为此，针对天鹰优化器算法局部开发能力不足、全局寻优能力弱的问题，提出了一种多策略融合的改进天鹰优化器(improved Aquila optimizer with multi-strategy fusion, IAO-MSF)。首先，基于反向学习策略和贪婪选择算法初始化种群，提升当前种群接近全局最优的概率，保证种群的多样性。然后，利用自适应t分布变异策略具有较强的局部开发能力的优势，替代原始天鹰优化器中的策略3和4,提高算法的局部开发能力，并引入全局寻优能力较强的萤火虫算法，对全种群进行萤火虫变异产生“新天鹰”个体，进一步提升IAO-MSF的寻优性能。最后，为验证本文所提IAO-MSF具有更强的寻优能力，选择目前较为主流的5种智能优化算法进行对比，在1个低维函数和1个高维函数以及2个复合基准函数上进行测试。结果表明，相较其余5种智能优化算法，所提IAO-MSF具有更高的收敛精度、更快的收敛速度及较强的稳定性。

关键词

天鹰优化器 / 全局最优 / 反向学习 / 贪婪选择算法 / 萤火虫算法 / 自适应t分布变异 / 新天鹰