逻辑自映射与Beta变异提升的混沌蚁狮优化算法：性能增强与应用

"基于逻辑自映射和Beta变异的混沌蚁狮优化算法是一篇发表于2020年第7期《计算机与数字工程》的研究论文，由胡元娇和郭玉纯两位研究人员合作完成。蚁狮优化算法（ALO）作为一种新兴的仿生智能优化算法，其优势在于参数调节较少、实现简单且求解精度高，被广泛应用于特征选择、多目标优化、SVM参数优化等问题领域。然而，ALO算法存在易陷入局部最优、收敛速度较慢和早熟收敛的问题。 为了改进这些缺陷，研究者提出了基于逻辑自映射和Beta变异的混沌蚁狮优化算法（CALO）。逻辑自映射是一种混沌序列生成技术，通过引入这种技术，算法能够优化精英个体，使其跳出局部最优区域。同时，Beta变异策略被用于处理适应度值较低的种群个体，增强了算法的全局搜索能力和多样性，有助于避免过早收敛。 在实验部分，研究者将CALO算法与基本的蚁狮优化算法和粒子群算法进行了对比，通过在五种Benchmark基准函数上的寻优测试，结果显示CALO算法表现出更强的全局搜索能力，更快的收敛速度，更高的精度，以及更优秀的寻优性能。该算法在保持了蚁狮优化算法自然启发式的优点的同时，有效地解决了其局限性，为优化问题提供了更为稳健的解决方案。 论文的关键点包括蚁狮优化算法、逻辑自映射技术、Beta变异策略以及混沌理论的应用。这标志着该算法在工程领域的潜在广泛应用前景，尤其是在需要高效全局优化和防止局部最优的复杂问题上。此外，该研究也为其他仿生算法的改进和优化提供了新的思路和方法论。"