改进鲸鱼优化算法：随机控制参数与佳点集策略

本文主要探讨了一种针对标准鲸鱼优化算法（WOA）存在的问题，如在处理复杂优化问题时搜索精度不足和容易陷入早熟收敛现象的改进方法。鲸鱼优化算法是一种模拟海豚和鲸鱼觅食行为的生物启发式算法，它模仿了鲸鱼的脉冲喷水推进机制和领导者的"吹泡"行为来寻找最优解。 改进的算法称为随机调整控制参数的鲸鱼优化算法（EWOA）。首先，算法借鉴了粒子群优化（PSO）中的惯性权重概念，通过随机分布的方式动态调整控制参数，旨在增强算法的全局搜索能力和局部搜索灵活性。这样做的目的是为了平衡算法在探索未知区域和精细化搜索潜在最优解之间的行为，防止过早陷入局部最优。 其次，EWOA采用正态分布的变异扰动策略，对当前最优个体进行操作，以避免算法过早收敛于次优解。这种策略增加了算法的多样性，有助于跳出局部最优陷阱，从而提升整体搜索性能。 另外，为了进一步提高算法的全局收敛速度，EWOA引入了佳点集方法，替代传统的随机初始化方式。佳点集是一种包含多个潜在优良解的集合，这种方法可以更有效地引导算法快速接近全局最优解。 实验部分，作者使用了6个标准测试函数对EWOA进行了仿真验证，结果显示该算法在处理高维度和复杂优化问题时表现出良好的性能，显示出其在解决实际问题中的实用性和有效性。 总结来说，这篇研究论文提出了一种创新的鲸鱼优化算法改进策略，通过随机调整控制参数和引入变异扰动，以及优化初始化方法，显著提升了算法的搜索精度和收敛稳定性。这对于优化领域的研究者来说，提供了一个有价值的新思路，特别是在处理复杂优化问题时。