改进的飞蛾火焰优化算法：Kent混沌与动态惯性权值

"这篇论文研究了飞蛾火焰优化算法（Moth-Flame Optimization, MFO）的一种改进版本，称为Ameliorative MFO (AMFO)，通过引入Kent混沌映射搜索策略和动态惯性权值策略来解决MFO算法早熟收敛和局部最优问题，从而提高其在优化任务中的性能。" 飞蛾火焰优化算法（MFO）是受自然界中飞蛾对火焰行为启发而设计的一种全局优化算法，它在解决各种实际优化问题时表现出了高效的性能。然而，MFO算法面临的主要挑战包括早熟收敛现象，即算法过早地达到一个局部最优解，而无法继续寻找全局最优解，以及容易陷入局部最优解的困境。为了克服这些缺陷，研究者提出了AMFO算法。 在AMFO算法中，关键改进在于引入了Kent混沌映射搜索策略。Kent混沌映射是一种混沌动力学系统，具有高度的非线性和复杂性，能帮助算法在搜索空间中实现更广泛的探索，从而帮助当前最优解跳出可能的局部最优状态，增强算法的全局搜索能力。 此外，AMFO还采用了基于适应度值和迭代次数的动态惯性权值策略。惯性权值在进化算法中起着至关重要的作用，它控制了算法在探索新解和开发已有解之间的平衡。动态调整惯性权值可以根据算法的进化阶段来优化这一平衡，早期阶段倾向于大的惯性权值以鼓励广泛探索，而随着迭代次数增加，权值减小，使得算法更加集中在最优解附近进行精细化搜索。 论文通过在8个经典的测试函数上评估AMFO算法的性能，并与标准的MFO、粒子群优化（PSO）和差分进化（DE）算法进行了对比。结果显示，AMFO算法在搜索精度和性能上均表现出优势，证明了其在优化问题上的优越搜索性能。 关键词涉及的领域包括群智能（Swarm Intelligence）、飞蛾火焰优化算法、Kent混沌理论、动态惯性权值以及数值函数优化。论文的文献标志码为A，表示它属于原创性研究文章，中图分类号为TP18，属于计算机科学和技术领域的优化算法研究。 这项研究为优化算法的发展提供了一个新的视角，通过混沌理论和动态权值策略的结合，提高了MFO算法的全局搜索效率，对于解决复杂的优化问题具有潜在的应用价值。