黏菌算法与算术优化的混合改进策略研究

"本文主要探讨了融合随机反向学习的黏菌与算术混合优化算法在应对复杂工程问题中的应用和改进。文章首先指出传统的优化方法如牛顿法和梯度下降法已不能满足现代需求，进而引出一系列元启发式算法，包括粒子群优化、樽海鞘群优化、黏菌优化、算术优化、灰狼优化、鲸鱼优化以及哈里斯鹰优化等。这些算法各有优势，但也存在局限性，因此混合模式和融合改进策略成为提升算法性能的关键。 黏菌优化算法（SMA）是其中一种，源于Li等人对多头绒泡菌觅食行为的模拟，通过权值变化实现正负反馈，形成不同阶段的觅食形态。该算法在收敛精度和稳定性上有一定表现，并已在多个优化问题中得到应用。有研究者如Kouadri、Zhao和Sun等人分别尝试通过优化潮流控制变量、混合HHO算法和引入布朗运动与锦标赛机制来改进SMA，提升了算法的性能。然而，这些工作往往侧重于单一策略的叠加或简单混合，尚未充分结合改进策略与混合模式来优化SMA。 算术优化算法（AOA）是Abualigah等人在2021年提出的，它基于四则运算原理，旨在提供一种新的优化手段。尽管AOA具有创新性，但为了进一步增强其性能，文章提出了融合随机反向学习的黏菌与算术混合优化算法。这种融合策略旨在充分利用SMA的形态变化能力和AOA的数学运算优势，通过随机反向学习来促进算法的全局搜索能力和局部精细调整能力，以解决更广泛的优化问题。 随机反向学习是一种反向传播策略，它可以在优化过程中提供反向信息，帮助算法跳出局部最优，寻找全局最优解。将这一策略融入黏菌优化和算术优化的混合算法中，有望克服单一算法的局限，实现更好的搜索性能和问题适应性。 本文的研究旨在通过结合不同的优化策略和混合模式，创建一个更为强大和灵活的优化工具，以应对工程优化领域的挑战。通过融合随机反向学习，黏菌优化和算术优化的特性，该混合算法有望在解决复杂优化问题时展现出更高效的求解能力和更好的解决方案。"