多策略改进花斑翠鸟优化算法及其应用

摘要

针对基本花斑翠鸟优化算法（PKO）搜索过程中存在种群多样性降低、收敛速度变慢、陷入局部最优解等问题，提出多策略改进花斑翠鸟优化算法（IPKO）。首先，采用拉丁超立方抽样方法对种群个体进行初始化，丰富其多样性。其次，在全局搜索和局部开发阶段引入非线性惯性权重，加快算法在搜索空间的收敛速度。然后，借鉴青蒿素优化算法的后巩固策略，提高算法跳出局部最优解的能力。将IPKO算法对12个基准测试函数进行寻优性能分析，而后与粒子群算法（PSO）、正余弦优化算法（SCA）、麻雀搜索算法（SSA）、灰狼优化算法（GWO）、乌燕鸥优化算法（STOA）和PKO进行比较。实验结果表明该算法相较于其他算法寻优精度和收敛速度更为优秀。此外，将该算法应用于三杆桁架设计优化问题，结果表明该算法在解决实际工程问题时寻优效果优于PKO，验证了该算法的有效性和鲁棒性。

关键词

花斑翠鸟 / 优化算法 / 拉丁超立方抽样 / 非线性惯性权重 / 后巩固策略