惯性权重优化：改进的鲸鱼算法

"惯性权重的鲸鱼优化算法是一种基于自然启发式的元启发式优化算法，由Seyedali Mirjalili和Andrew Lewis在2016年提出，它模仿座头鲸的社会行为。该算法引入了一个新的控制参数——惯性权重，以调整当前最佳解决方案的影响，从而得到改进的鲸鱼优化算法（IWOA）。通过31个高维连续基准函数的测试，数值结果表明，提出的IWOA是一种强大的搜索算法，不仅显著提高了基本的鲸鱼优化算法的性能，而且比人工蜂群算法(ABC)和果蝇优化算法(FOA)表现得更好。关键词：鲸鱼优化算法；人工蜂群算法；果蝇优化算法；惯性权重；基准函数" 正文： 鲸鱼优化算法（WOA）是近年来在全局优化领域中提出的一种创新算法，灵感来源于座头鲸的捕食策略。座头鲸在海洋中寻找食物时，展现出复杂而高效的群体行为，这被转化为优化问题求解的策略。在WOA中，每只“鲸鱼”代表一个潜在的解决方案，它们通过模拟座头鲸的捕食模式，如环形包围和声波定位，来探索解决方案空间。 惯性权重是一个在进化计算和群智能算法中常见的概念，通常用于控制种群的探索与开发平衡。在WOA中，引入惯性权重作为控制参数，可以调整算法在搜索过程中的全局和局部搜索能力。当惯性权重较大时，算法更倾向于全局搜索，能覆盖更大的解决方案空间；而当惯性权重较小，算法则更侧重于局部搜索，有助于收敛到局部最优解。 IWOA通过动态调整惯性权重，能够在不同的搜索阶段灵活地改变其搜索行为。这使得算法在初期能广泛探索搜索空间，随着迭代次数增加，逐渐聚焦于可能的最优区域，从而提高找到全局最优解的概率。 为了验证IWOA的性能，研究者使用了31个高维连续基准函数进行测试。这些函数涵盖了各种复杂性和多模态特性，是评估优化算法性能的标准工具。实验结果表明，IWOA在大多数情况下都能提供更优的解，显示出其在解决复杂优化问题上的优越性。 此外，IWOA与人工蜂群算法（ABC）和果蝇优化算法（FOA）进行了比较。ABC是另一种基于自然界社会行为的优化算法，模仿蜜蜂寻找花粉的过程，而FOA则受到果蝇寻找食物行为的启发。实验结果显示，IWOA在解决问题的速度和精度上都优于ABC和FOA，进一步证明了其在优化领域的竞争力。 惯性权重的鲸鱼优化算法（IWOA）通过引入惯性权重这一控制参数，提升了WOA的搜索效率和收敛性能。这种改进对于解决高维度、复杂性的优化问题具有重要的理论价值和实际应用前景，尤其在工程设计、数据分析、机器学习等领域有广阔的应用潜力。