基于相对距离和历史成功率机制的增强麻雀搜索算法

针对麻雀搜索算法收敛精度低、易陷入局部最优等问题,提出了一种融合相对距离和历史成功率的增强麻雀搜索算法(RHSSA)。首先,RHSSA引入一种融合适应度值与相对距离的发现者选择方式,使选出的发现者既保持较高质量,又保持在搜索空间的分布广泛;其次,RHSSA在麻雀发现者搜索过程中,采用融合加权重心的反向学习策略,充分挖掘搜索空间的优质位置信息并减弱发现者向原点聚集的趋势;最后,RHSSA引入基于历史成功率的自适应选择算子动态地选择柯西变异与高斯变异对最优解做扰动,提高算法跳出局部最优的能力。选用CEC2017测试函数集中的12个函数作为性能基准函数,将RHSSA与其他五种改进的麻雀搜索算法(AMSSA、SCSSA、SHSSA、ISSA、CSSOA)进行性能评测。基于实验数据的Friedman检验表明,RHSSA能获取最优的结果。为验证提出的改进策略的有效性,还对改进策略进行了消融实验。实验结果表明在综合改进策略的共同作用下,RHSSA的综合优化性能排名为第一名。