混合蛙跳与人工蜂群增强PSO算法：提升优化性能与收敛速度

本文主要探讨了在粒子群优化（PSO）算法的基础上引入混合蛙跳搜索策略和人工蜂群搜索策略的创新方法——ABC-SFL-PSO。PSO算法源自1995年Kennedy和Eberhart提出的模拟鸟类觅食行为的模型，因其易于实现、参数少以及并行性等特点，在众多优化问题中表现出色，但存在容易陷入局部最优和收敛速度较慢的问题。 Shi和Eberhart的贡献在于引入了惯性权重，以增强算法的收敛性。后续的研究者如Jiao等人采用动态惯性权重策略进一步提升收敛效果。Bergh和Engelbrecht则提出协作粒子群优化，通过群体间的协同作用提高求解精度。为了应对早熟现象，Jiang和Etorre引入混沌机制，而Fan和Zahara引入混合单纯形策略以加快收敛速度。 针对PSO算法陷入局部最优的问题，文献[7]通过在粒子最优值附近定向产生粒子，试图增强探索能力。而文献[8]则尝试利用人工蜂群搜索策略，通过模拟蜜蜂寻找食物的行为，有效地增强了算法的全局搜索性能，避免陷入局部最优区域。 ABC-SFL-PSO算法在此基础上，结合了人工蜂群的高效搜索能力和蛙跳搜索的灵活性。蛙跳搜索策略中，通过更新最差粒子的方法，旨在快速找到更优解，从而加速算法的收敛速度。这种混合策略使得ABC-SFL-PSO能够在保持全局视野的同时，有效地解决了收敛速度和避免早熟的双重挑战。 实验证明，通过在12个标准测试函数上的对比实验，ABC-SFL-PSO算法显示出优异的性能，不仅成功地改善了PSO的全局搜索和避免局部最优的能力，而且显著提升了算法的收敛速度，特别是在处理多峰函数优化问题时表现突出。这对于复杂问题的求解具有重要意义，预示着在计算机工程与应用领域，特别是物联网工程中的优化问题处理中，ABC-SFL-PSO算法有着广阔的应用前景。