改进的混沌云模型蛙跳算法：解决连续空间优化难题

本文主要探讨了一种创新的优化算法——自适应分组混沌云模型蛙跳算法（Adaptive Grouping Chaotic Cloud Model Shuffled Frog Leaping Algorithm, AGCCM-SFLA），它旨在解决经典混合蛙跳优化算法在处理连续空间优化问题时存在的不足。混合蛙跳算法通常因其在局部搜索中的高效性而被广泛应用，但其在寻找全局最优解时往往精度不高且容易陷入局部收敛区域，这限制了其优化性能。 作者注意到云模型在定性和定量之间的转换能力，即它可以同时处理模糊和精确信息，这为算法改进提供了新的视角。AGCCM-SFLA通过引入云模型的这一特性，首先利用反向学习机制对种群进行初始化，确保初始分布既具有一定的随机性，又包含了潜在的全局最优解信息。这样做的目的是提高算法的全局搜索能力，避免过早收敛到局部最优。 在算法的具体实现中，优秀子群组的收敛区域被云模型算法进一步精细搜索，以发现可能存在的更优位置。同时，混沌理论的应用则使得算法能够在收敛区域之外进行广泛的探索，有效地避免陷入局部最优陷阱。混沌理论的随机性和多样性有助于算法跳出局部最优，拓宽搜索范围，从而提高找到全局最优解的可能性。 作者通过测试了一系列典型的多峰函数，结果显示AGCCM-SFLA算法表现出显著的优势，能够有效地定位并找到全局最优解。这表明该算法不仅适用于单峰函数优化，对于多峰复杂函数的求解也非常适用，因为它能够应对多种不同形状和高度的局部最优区域。 自适应分组混沌云模型蛙跳算法通过巧妙地结合云模型和混沌理论，有效地解决了混合蛙跳算法在连续空间优化中的局限性，提升了解决复杂优化问题的能力，为实际工程中的优化决策提供了有力工具。其核心优势在于优化策略的灵活性、全局视野以及避免局部收敛的能力，使其在众多优化算法中脱颖而出。