多子群共生非均匀高斯变异樽海鞘群算法研究

"多子群的共生非均匀高斯变异樽海鞘群算法是一种旨在解决标准樽海鞘群算法在求解精度和收敛速度上的不足的优化方法。该算法融合了多子群策略、共生机制以及非均匀高斯变异，以提高搜索性能和全局探索能力。" 樽海鞘群算法（SalpSwarm Algorithm, SSA）是近年来发展起来的一种基于生物行为的智能优化算法，它的灵感来源于海洋生物樽海鞘的集体运动模式。与传统的元启发式算法如粒子群优化（PSO）、正弦余弦算法（SCA）等相比，樽海鞘群算法具有结构简洁、参数少等优点，易于实现。然而，像大多数群智能算法一样，樽海鞘群算法也存在求解精度有限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，固定惯性权重可以加速算法的收敛；引入混沌理论创建混沌樽海鞘群算法，有助于发现最优特征子集，提升分类精度；子群规模动态调整策略能增强算法在不同阶段的探索和开发能力；共享机制的引入降低搜索盲目性，提高收敛速度；非均匀变异操作则帮助个体跳出局部最优，防止早熟现象。 本文提出的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 mutations Salp Swarm Algorithm, MSNSGA），进一步结合了多子群结构和非均匀高斯变异。多子群策略增强了算法的并发性和多样性，每个子群独立搜索，可以探索不同的解决方案空间，同时通过共生机制促进子群间的协同学习。非均匀高斯变异则是对个体位置进行变异更新，使得算法能够在搜索过程中保持较好的全局探索能力，提高解的质量，从而解决标准樽海鞘群算法的精度和速度瓶颈。 MSNSGA通过多子群的共生和非均匀高斯变异，既保持了樽海鞘群算法的简洁性，又提升了其在解决复杂优化问题时的效率和精度，展示了在工程设计、特征选择、图像处理等领域应用的巨大潜力。这种算法的创新性改进对于优化领域的发展具有重要意义，并且有望在实际问题求解中取得更好的效果。