改进鲸鱼优化算法(IWOA)提升优化问题求解性能

鲸鱼优化算法（Whale Optimization Algorithm, WOA）是一种源自自然界座头鲸觅食行为的生物启发式元启发式算法，主要用于解决复杂的优化问题。原始的WOA在模仿鲸鱼社会狩猎策略中表现出良好的全局搜索能力，但存在过早收敛，易陷入局部最优解的问题。为改善这一缺陷，研究者们提出了改进的鲸鱼优化算法（Improved WOA, IWOA），它结合了鲸鱼优化算法的搜索特性与差分进化（Differential Evolution, DE）的探索优势，旨在增强算法的全局搜索能力和避免陷入局部最优。 IWOA的特点在于将WOA与DE的有效策略相结合，例如通过混合两者的优势，实现更好的解决方案搜索。此外，作者还提出了IWOA+，这是一个进一步扩展的形式，通过动态重初始化和自适应参数调整来优化搜索过程，以期望获得更优的解。为了验证这些改进算法的性能，研究者在25个标准基准测试函数上进行了实验，将其与粒子群优化（Particle Swarm Optimization, PSO）、差分进化、贝叶斯优化（Bayesian Optimization, BBO）、DE/BBO组合、PSO/GSA、社会壳聚类算法（Social Cognitive Algorithm, SCA）、Moth Flies Optimization (MFO) 和原始的WOA进行了对比。 实验结果显示，IWOA和IWOA+在优化问题的最终解质量和收敛速度方面表现优于其他算法，特别是对于不同维度和种群规模的问题，其稳健性和效率得到了提升。这表明了自然启发式算法在工程、生物信息学、经济学和医学等领域的广泛应用，尤其是在处理复杂优化问题时，具有显著的优势。 本文的研究成果发表于《计算设计与工程》杂志，由Elsevier出版，遵循CC BY-NC-ND 4.0许可协议，用户可以通过科学Direct网站获取更多详细信息。研究人员的努力证明了将生物模拟方法与经典优化技术相结合的可能性，这不仅推动了优化算法的发展，也为未来在解决实际问题中的应用提供了新的视角和工具。