提升樽海鞘群算法性能：多子群共生非均匀高斯变异策略

本文主要探讨了通信受限的多智能体系统中的二分实用一致性问题，特别聚焦于元启发式算法在该领域的应用，其中以樽海鞘群算法（Salpswarm Algorithm, SSA）作为核心研究对象。近年来，元启发式算法，如PSO（粒子群优化）、SCA（正弦余弦算法）、BOA（蝴蝶优化算法）等，由于其结合随机性和局部搜索的优势，在控制工程、生物医学信号处理、图像处理等领域展现出显著的效果。 樽海鞘群算法作为一种新型的启发式智能算法，因其结构简单、参数较少且易于实现的特点备受关注。然而，它也存在求解精度较低和收敛速度较慢的问题。针对这些问题，研究者们提出了多种改进策略。例如，文献[9]引入固定惯性权重策略来加速搜索过程，提升算法的收敛速度，并将其应用到特征选择问题中。混沌樽海鞘群算法（Chaos Salp Swarm Algorithm）在文献[10]中与混沌理论结合，增强了特征提取的性能，通过优化特征子集选择，提高了分类精度。 文献[11]进一步通过子群规模调整，使算法在进化过程中动态改变每个子群的大小，增强了算法在不同阶段的能力：初期探索性和后期挖掘能力。共享机制的引入，如在文献[12]中对位置更新公式的改进，降低了搜索的盲目性，促进了更快的收敛。 为了进一步提升樽海鞘群算法的性能，文章特别提到了一种多子群共生非均匀高斯变异樽海鞘群算法（Multi-subpopulation-based Symbiosis and Non-uniform Gaussian Mutation Salp Swarm Algorithm, MS），这是一种结合了共生策略和非均匀变异机制的创新方法。这种算法旨在通过非均匀变异来打破局部最优，避免过早陷入局部最优解，从而提高整体的求解精度和收敛速度。 总结来说，本文针对通信受限的多智能体系统中樽海鞘群算法的局限性，提出了一个融合多种优化策略的改进算法，旨在解决求解精度和收敛速度的问题，为复杂问题的求解提供了新的思路和方法。这不仅对于实际工程问题的求解有重要意义，也反映了当前在多智能体系统领域，尤其是在元启发式算法优化上的持续研究和发展趋势。