提升精度的Jarratt-Butterfly混合算法：非线性方程组求解新策略

本文主要探讨了一种新型的鲁棒混合Jarratt-Butterfly优化算法在非线性方程组（Nonlinear System of Equations, NSE）求解中的应用。Jarratt-Butterfly优化算法，简称为JBOA，是在现有的蝴蝶优化算法（Butterfly Optimization Algorithm, BOA）基础上发展起来的一种创新方法。JBOA旨在解决传统优化算法如BOA、粒子群优化（Particle Swarm Optimization, PSO）、Harris Hawk Optimization (HHO)、平衡优化（Equilibrium Optimization, EO）和蚁狮优化（Ant Lion Optimization, ALO）所面临的局限性，特别是局部最优搜索和可能的发散问题。 在JBOA的设计中，Jarratt算法的全局搜索特性被融入到蝴蝶优化策略中，通过这种结合，算法能够提供更精确的解，并且在较少的迭代次数内达到收敛。为了验证JBOA的有效性，研究者在论文中选择了八个基准系统进行评估，其中包括两个实际应用案例，以此来衡量算法的性能。对比分析结果显示，JBOA在所有测试系统的最佳解决方案、平均适应值、稳定性以及收敛速度方面都表现出显著的优势，从而证明了其在解决非线性方程组问题上的优越性。 该研究发表在《沙特国王大学学报》上，作为一篇开放获取的文章，遵循Creative Commons Attribution-NonCommercial-NoDerivatives (CC BY-NC-ND) 许可证，作者Rami Sihwaila、Obadah Said Solaiman和Khairul Akram Zainol Ariff来自不同学术机构，他们在网络安全和信息技术领域展开合作，共同推动了优化算法在工程和科学研究中的应用进步。 本文不仅贡献了一个改进的优化工具，还展示了如何通过结合不同的优化策略来提升算法的性能，对于解决复杂的非线性方程组问题具有重要的实践价值和理论意义。