螺旋探索与自适应混合变异的麻雀搜索算法

针对麻雀搜索算法(SSA)收敛速度慢,易陷入局部最优的问题,提出一种螺旋探索与自适应混合变异的麻雀搜索算法(SHSSA).首先,采用一种无限次折叠的ICMIC混沌初始化种群,增加种群多样性和遍历性,为全局寻优奠定基础;其次,融入一种螺旋探索策略,增强发现者探索未知区域的能力,提高算法的全局搜索性能;然后,提出一种基于精英差分和随机反向的混合变异策略,加快算法收敛速度,改善算法跳出局部最优的能力.基于12个基准测试函数的仿真结果表明,SHSSA与其余3种算法及2种改进的麻雀搜索算法相比,收敛速度更快、寻优精度更高,稳定性更强.最后,将SHSSA应用于多阈值图像分割中,实验结果表明,相较于基本SSA算法,SHSSA的分割速度和分割精度均得到了提升.

一种求解小规模CVRP问题的新型斑点鬣狗智能算法

针对带容量约束的车辆路径问题(CVRP)的特性,提出一种融合多策略改进的新型斑点鬣狗智能优化(ISHO)算法.利用K-means聚类和贪心选择相结合的初始化方法.在标准斑点鬣狗算法的基础上,融入鲸鱼优化算法中螺旋探索机制,增强算法全局搜索能力;同时,引入一种变异算子、两种交叉算子与逆操作方法,将螺旋探索与交叉变异算子相结合,重新定义离散域中的斑点鬣狗算法.最后,将ISHO算法在4种不同类型共24个国际基准算例的计算结果与其他智能优化算法进行实验对比分析,结果表明:ISHO算法能够有效避免陷入局部最优和低质量解等缺点,对求解小规模CVRP问题有一定优越性.