物联网应用中基于元启发式算法的研究和趋势

阵列14（2022）100164物联网应用Vivek Sharma，Ashish Kumar TripathiMalaviya National Institute of Technology，Jaipur，Rajasthan，印度A R T I C L E I N F O保留字：元启发式算法集群智能无人机A B S T R A C T物联网（IoT）随着大数据分析、区块链、人工智能、机器学习和深度学习等技术的发展而迅速普及。基于物联网的系统为各种任务的有效决策和自动化提供了智能和自动化的框架，使人类生活变得轻松。元启发式算法是一种自组织和分散的算法，用于使用团队智慧解决复杂问题。最近，元启发式算法已被广泛用于解决许多基于物联网的挑战。本文提出了一个系统的审查用于展开基于物联网的应用程序的元启发式算法。现有的基于元启发式算法的广泛分类已经被记录。此外，突出的应用物联网为基础的系统使用的元启发式算法。此外，包括当前的研究问题，以说明新的机会，研究人员。最后，记录了物联网的当前趋势和未来可能的方向。本文将为元启发式算法和基于物联网的系统领域的研究人员提供新的方向。1. 介绍元分析是解决现实世界中许多复杂问题的重要方法之一。这些算法真正受到自然界中观察到的迷人行为的启发。在过去的几年中，基于优化的问题中日益增长的复杂性促使研究人员探索有效的问题求解算法，这些算法专注于分散和自组织系统[1，2]。元生态学的灵感来自物理现象，生物进化和生物，如鱼，鸟，蚂蚁，白蚁和鸟类的行为。它们的特点是当地个体之间的互动，并在不同的群体水平上提供智能行为[3]。不同的元算法已经被引入并成功地应用于解决广泛的应用。 此外，已经提出的新算法仍在研究中，需要证明其效率。一些评论已经提出了各种应用的元启发式算法。与文献中现有的工作不同，本文收集了应用范围，并为基于物联网的应用提供了合适的发现。本文的工作有助于研究者将他们的研究定位在结论性的方向上。此外，文献中的关键发现可能被研究人员用来研究各种元算法，以解决基于物联网的应用。近年来，物联网在医疗、交通监控系统、智慧城市和可穿戴设备等不同领域得到了广泛的研究和应用[4]。物联网（IoT）是由传感器、驱动和数据处理组成的其他技术的总称，用于应用和服务开发。物联网的主要目标是为小物体提供智能，以决定，感知和与其他机器，物体甚至人类合作。它是一个研究领域，其中机器和人类等物理实体通过网络连接。信息可以快速共享，从而实现新的服务和应用类别。随着物联网网络的扩展，这增加了速度，多样性和大量数据。物联网系统中存在几个具有挑战性的问题，如其动态特性，设备的移动性和无线模式下的通信。然而，元设计学的灵活性和健壮性使其成为一个成功的设计范例解决基于IoT的复杂问题。因此，元计算算法是物联网复杂系统的灵感来源，这些算法应用于实时操作，并且可以使用基于物联网的方法进行建模以实现某些目标。 图1描述了元数据和物联网的集成，以解决实时问题。在这 通过这种方式，从个体行为和个体之间的交流的简单规则中达到全局最优。在这种类型的变化的环境条件下，自组织能力需要适应有效地扩展。最近的文献报道了一些自然启发的算法建立在主要的应用领域。本文对物联网系统中的主要元算法进行了系统的∗通讯作者。电子邮件地址：ashish. mnit.ac.in（A.K. Tripathi）。https://doi.org/10.1016/j.array.2022.100164接收日期：2021年8月15日;接收日期：2022年2月28日;接受日期：2022年4月1日2022年4月9日在线发布2590-0056/© 2022作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/locate/arrayV. Sharma和A.K. Tripathi阵列14（2022）1001642Fig. 1. 物联网系统中SI算法的集成。在此期间，[5]。本研究的目的有三个方面。首先，提供了算法及其在各种应用中的使用的全面概述。在下一阶段，将说明基于物联网的系统中元数据的不同应用。最后，物联网中的元计算的重要特征，最近的趋势，挑战，研究问题，并在未来的工作中要解决的改进。2. 相关工作本节揭示了文献中存在的元启发式算法的广泛分类。这些算法根据其性质分为五类。此外，不同的元启发式算法的物联网为基础的应用。2.1. 元启发式算法随着信息技术的发展，在不同的领域出现了大量的优化问题 如生物信息学、计算机视觉、大数据分析、物联网等[6]。不幸的是，大多数现实世界中的优化问题本质上是NP难的，不能在多项式时域中解码。因此，只有小规模的实例可以使用精确的数学方法来处理。而不是放弃，investigators认为，使用可能的近似方法，可以找到一些可行的解决方案，在给定的时间。基于随机化方法，这些算法可以被分类为元算法和元算法。这两种算法之间的实质性区别在于，与元算法相比，元算法更依赖于问题。这些算法只适用于某些特定的问题。相反，元启发式算法可以应用于几乎所有的优化问题，因为它们使用的优化器称为黑盒。最近的文献报道了一些现有的自然启发的元算法，即，进化算法，生物启发的算法，群体智能，和基于物理的算法。本研究对物联网群体智能领域的技术进展进行了系统的文献综述。这些文献收集自8个流行的数据库，即google scholar、ACM digital library、elsevier、frontier media、IEEE explorer、science direct、hindawi publishing corporation和taylorfrancis。最相关的评论，被引用的论文和当前的热点进行了调查。图中所示的信息。2是几篇论文的总结性调查报告。2.2. 元启发式算法在过去的四十年中，已经开发了数百种元算法来解决各种领域中的几个现实世界的优化问题。在本节中，对现有的元启发式算法进行了分类和总结。此外，基于不同应用的元分析分类也记录在表1中。 图第三部分根据元认知的自然行为对现有元认知进行了分类。2.2.1. 基于进化的元算法基于进化的方法受到查尔斯·达尔文的自然选择理论的启发，该理论基于在给定环境中适者生存[7]。最初，这些算法开始于一组种群和随后的搜索过程在连续的世代中发生，直到获得最可行的解[8]。 对于进化计算，已经介绍了许多算法，例如基于生物地理学的优化器[9]、遗传规划[10]、进化策略[11]、粒度代理进化算法[12]和毒力优化算法[13]。此外，为了解决传统的优化问题，基于进化的方法可以 可用于提供机器人运动规划、背包问题、旅行商问题、基于模糊逻辑的解决方案，以及用于训练人工神经网络。这些算法被广泛应用于解决工程，农业领域，基础研究和工业中的不同现实世界的挑战。2.2.2. 基于物理的元算法基于物理学的方法受到宇宙中存在的物理规则的启发，例如材料的冷却和加热，牛顿引力定律[14，15]。基于模拟退火的算法在不同的温度下表现出不同的行为。 在物理过程中，首先加热材料，然后逐渐降低温度以减少缺陷，从而降低系统的能量。模拟退火算法在寻找最优解方面具有更好的性能。此外，在这些算法中没有起点策略。 模拟退火中的一些流行算法是射线优化，黑洞算法[16]，引力局部搜索算法[17]，查找修复完成利用分析[18]，电子搜索算法[19]，和声搜索[20]和混合蛙跳算法[21]。这些算法在处理实际问题中取得了良好的效果。此外，已经进行了实验以检查V. Sharma和A.K. Tripathi阵列14（2022）1001643图二. 论文在不同数据库中的分布。图三. Meta-Quotes Software Corp.是一家软件开发公司。在最近的应用中，如在结构调整，从网络检索信息，时间频率分析，车辆的路由问题，并在软件测试的基础物理为基础的行为集成的可能性。然而，这些应用程序有时不能充分利用分布式物理架构提供的优势2.2.3. 基于群体智能的元推理算法根据柯林斯词典，群体智能是一种利用社会动物或昆虫的有组织的集体行为解决问题的人工智能方法[22]。此外，群体智能的起源是嵌入在生物学研究。群体智能是指受集体智能启发的智能多主体系统。此外，这种集体智慧来自同质代理人的相互作用。 为此，不需要这样的全局模式来管理根据本地提供的信息执行的昆虫之间的相互作用。针对不同的智能机器人，提出了不同的算法.生物群体智慧存在于鸟群、蚁群、鱼群、蚊子宿主寻找、社会蜘蛛和蜜蜂交配中。一些流行的群智能算法是蚁群优化[23]、粒子群优化[24]、人工蜂群[25]、鱼群算法[26]、年龄歧视蜘蛛猴优化[27]、狮子算法[28]、鲸鱼优化算法[29]、蜘蛛猴优化[30]、拖拽优化[31]、蜂群优化[32]、学习群优化框架[33]、光伏群优化[34]、冠状病毒优化[35]、蜉蝣优化算法[36]、马群优化算法[37]和人工蜂鸟算法[38]。这些不同的应用程序已经设想解决几个现实世界的挑战。2.2.4. 基于生物启发的元算法在目前的情况下，生物启发算法越来越突出。生物启发算法主要包括从生物体生物进化行为中衍生出的元算法[8]。特别是，这些算法涉及来自自然算法的智能，这些算法在本质上是分布式的，分散的和自组织的。随着世界走向数字时代，数据规模呈指数级增长。从分散的数据中提取有意义的信息是挑战之一。此外，找到最优解是非常繁琐的任务。为了克服这一点，需要采取一些明智的做法。一些智能生物启发算法是人工免疫系统[39]，我们站在下一个[40]，salp群优化[41]，前面的路很长[42]，pity beetle bio-inspired [43]，细菌觅食优化[44]，树突状细胞算法[45]和磷虾群算法[46]。不同的研究人员展示了在不同的应用中使用生物启发算法，如文本摘要，无线传感器网络，NP hardV. Sharma和A.K. Tripathi表4基于应用的算法分类。阵列14（2022）1001644多热自由度遗传算法进化算法最佳化与搜寻问题学术最优化问题，最小费用数学分析，神经网络预测，流水车间调度问题，聚类与分类问题，图像受自然模因启发的隐喻实数调谐问题，二极管太阳能电池模型，并在网络优化。上述算法在实验和理论上重新定义了用于更新和评估不同应用的不同参数。2.2.5. 各种自然启发的元算法在过去的三十年里，许多自然启发的元分析已经应用于不同的现实世界应用。这些算法被具体化为突出的工具，为许多传统的基于实时的应用提供了替代解决方案。 近年来，研究者们开发了许多搜索空间集约化和多样化的Meta搜索算法。其他几种自然启发算法是河流形成动力学[47]，化学反应启发[48]，头脑风暴优化[49]，青少年身份优化[50]，布谷鸟搜索算法[51]，猫群优化[52]，松鼠优化搜索算法[53]，用于特征选择的新型混合优化器[54]，入侵杂草优化[55]，排队搜索优化技术[56]，萤火虫算法[57]蝙蝠算法[58]和重力搜索算法[17]。此外，从上面的分析和讨论的几个算法提出的作者，这是非常清楚的，这些算法的能力的似乎影响不同的现实世界的应用程序。开发这些算法的基本步骤是观察，设计，数学模型转换，伪代码开发，最后进行测试。这些算法的应用领域已被应用于解决模式识别、网络路由应用、图像聚类和决策问题。表2列出了过去四十年中应用的不同算法的分类，包括应用领域以及这些算法的发展方向。此外，这些研究没有优先考虑特定优化技术的调查。相反，它们中的一大部分被利用了。3. 基于元启发式的物联网应用研究综述在本节中，已经呈现了对基于IoT的系统中的元启发式算法的广泛回顾。应用程序分为四个主要领域。3.1. 基于元启发式的物联网用于增强医疗保健服务近年来，物联网中的群体智能（SI）成为热门研究领域，为医疗保健服务等复杂的现实世界应用提供解决方案[64]。SI在IoT中发挥着重要作用， 在智能城市中监测医疗保健部门的作用，因为它能够检索不同患者的数据，使用传感器收集数据，以更少的时间和成本进行疾病诊断和其他健康服务。 然而，处理每个利益相关者的请求是智慧城市的最大挑战[65]。 此外，为了提高性能和减少所请求的任务的执行时间，使用不同的任务调度算法。上述技术将有助于不同的利益相关者，以尽量减少时间周转时间和最大限度地利用资源。此外，为了改善任务调度问题并为利益相关者提供更大的支持，引入了智能优化技术，如粒子群优化和并行粒子群优化。虽然已经提出了不同的算法和框架来提高现有医疗系统的性能。然而，有一定的局限性，即第一个是数据集的问题。 为了提高模型的性能，需要大规模的数据。其次，在不同的情况下，最优方法的选择对模型的性能有影响。除此之外，还有一些尚未解决的问题和未来工作的可能趋势，如信息融合，数据分析系统，知识解释，隐私和安全。3.2. 金融风险管理近年来，随着物联网的使用越来越多，不同的基于Swarm智能的物联网应用已经在一个类别算法启发应用领域年物理学基础[14]模拟退火受系统行为的启发，平衡在多变量或组合优化1983物理学基础[59]模因算法（MA）灵感来自基于人口的杂交化工过程优化问题1989进化论[7]遗传算法受自然选择过程的启发，为解决高质量的解决方案，1992物理学基础[20]Harmony Search（HS）模仿音乐演奏者的即兴创作旅行推销员问题，一个具体的管网设计问题2001生物学启发[44]细菌觅食优化（BFO）大肠杆菌的觅食行为机器学习，模式识别，问题2002[第24话]粒子群优化算法鱼群和鸟群的移动数据聚类，数据挖掘，时间序列2004昆虫[23]蚁群算法蚂蚁的信息素行为心脏病预测，集合问题，处理，旅行推销员问题2005物理学基础[21]混合蛙跳算法（SFL）基于种群的协同搜索用于求解组合优化问题2006进化论[10]进化策略（EvolutionaryStrategy，ES）“灵感来自自适应突变率”用于解决与矢量有关的问题，2006[45]第四十五话树突状细胞算法人类免疫系统机器人分类器，树突状细胞群2007进化论[60]差分进化向量差分性质Vector Difference Property用于解决数值优化问题2008V. Sharma和A.K. Tripathi阵列14（2022）1001645表2基于应用的算法分类。水印优化，车辆路径，人工神经网络训练解决多目标问题，优化蜂鸟技巧广泛的金融风险管理领域。随着财务数据以大规模的速度增长，数据以非结构化的形式收集[66]。 由于数据是从移动网络和互联网等多个来源收集的，因此，正确预防和管理多重风险是商业银行的重要关注点。因此，需要开发一些风险预测模型，这些模型足够智能，可以更准确地预测行为。在金融风险管理的情况下，信用风险评估是投资者的主要核心同意之一[67]。此外，随着物联网和人工神经网络理论的发展，大多数研究人员开发了一些非线性模型来评估不同银行贷款的信用风险[68]。因此，使用这些模型测试的多个财务数据是从不同的公司收集的破产预测。不同的算法已经应用于金融风险管理领域，例如基于粒子群优化的反向传播神经网络，用于银行物联网部署。这些文献揭示了最近出现的与金融风险管理相关的挑战，如特征选择，财务困境预测，期权定价和破产预测，这些挑战正在引起来自多个社区的从业者和科学家的关注。这些挑战大多数性质复杂。然而，最近的优化算法试图解决这些挑战，在一定程度上。3.3. 智能农业基于物联网的协作群体智能是智能农业系统的不幸的是，智能农业有一些限制和复杂的拓扑结构。主要约束是找到最佳路径路由以协同工作[69]。随着人口规模以惊人的速度增长，目前的农业技术将不足以满足粮食需求。为了加强现有的农业技术，需要采取不同的措施来提高生产力。有机农业在进一步提高农业生产力方面显示出良好的效果。为了克服农业活动的最新挑战，研究人员引入了机器人技术和智能系统。精准农业的技术支持为农场作物健康的发展带来了革命[70]。此外，它还需要收集数据，解释，最后单输入单输出系统监测多表达程序批smo算法的开发和探索如何影响人们的健康年龄在基于物联网的系统中，对能够通过群体智能自动化的数据进行操作。不同的算法已经被提出用于农业领域的正确路径规划，即蚁群优化，Bellman-held-karp，[71] K-means聚类和基于最近邻的Christofides。此外，在这一领域还引进了一些农业机器人。其中包括农村地区的自主路径规划和农业机器人，以执行采摘水果，除草，喷洒农药和耕作等不同任务。然而，在大型农田条件下，需要其他几种可节省时间和金钱的替代解决方案。3.4. 基础设施开发新技术的影响，特别是在城市地区的影响，在发展中国家显示出巨大的影响。此外，这些技术的快速发展已经颠覆了人们今天所熟悉的时间和空间[72]。近年来，基于集群智能的物联网系统已被引入智能城市等基础设施发展中。然而，确保智慧城市的可靠性、安全性、效率和可扩展性是一项具有挑战性的任务。在这些条件下，群体智能是一种很有前途的技术，它专注于分散系统的自组织和集体行为。智能基础设施可以通过使用最新的软件、数字通信网络、传感器和嵌入式智能来建模。现代化的基础设施得到发展，照顾自然灾害，龙卷风，地震和洪水，造成严重损害，并可能导致电力，桥梁和通信系统的破坏。为了克服这些挑战，已经提出了不同的算法用于适当的基础设施开发，如基于并行军犬的算法[73]和增强型灰狼优化算法[74]。 此外，这些算法用于抢先体验损伤，并提供快速的解决方案，以避免实质性的损害。4. 研究问题、挑战和未来方向本文的目的是记录当前的研究热点，趋势，挑战和未来的研究方向。 为了回答这一问题，我们从文献中进行了调查，并提出了研究问题。其中一些问题是：昆虫[25]人工蜂群（ABC）蜜蜂觅食行为医学模式分类，图像路由优化2009两栖作战[25]鱼群算法鱼类的自然集体运动和它们的社会行为机器人控制优化，路径问题，2009野生动物[61]灰狼优化器社会等级制度的掠夺行为，卫星图像分割，聚类，人工神经网络2011进化论[62]差分进化灵感来自于蜜蜂阶段用于解决模型降阶问题2012生物学启发[39]人工免疫系统（AIS）受人类免疫系统用于结构健康中的损伤检测2012‘‘Evolutionary based''遗传编程（GE）''从自然遗传到程序启发式搜索技术，爬山，2017昆虫[63]啤酒泡沫人工蜂群（ABC）蜜蜂觅食行为作业车间调度，流水车间调度，2018生物学启发[30]蜘蛛猴优化从猴子该算法是为了增强2019生物学启发[35]冠状病毒优化从新型冠状病毒的行为该算法主要定义为识别，2020生物学启发[37]马群优化算法从马的放牧行为来看，暗示了马在不同时间的行为2021[38]第三十八话人工蜂鸟算法从特定飞行定义了智能觅食技术2022V. Sharma和A.K. Tripathi阵列14（2022）10016461. 研究问题• RQ-1：元分析学的基本概念是什么？推理：随着当前技术的发展，Meta分析技术已被视为至关重要的资产。优化无处不在，从经济到工程设计，从度假计划到互联网路由。 由于时间、金钱和资源是有限的，这些资源的绝对效用是重要的。由于现实世界的优化问题是非线性的，选择一个最优模型并不容易。因此，元启发式有助于解决这些计算复杂的问题。• RQ-2：当前物联网Meta计算研究的贡献是什么？推理：群智能已经涉及到基于物联网的系统。由于基于物联网的系统很复杂，它包含智能对象，因此基于SI的分散算法更适合解决这些问题。因此，由于物联网的设备移动性、信息提供、动态特性和无线通信，可以使用几种智能SI算法来解决基于物联网的系统的这些关键问题。基于SI的算法，如人工蜂群、蚁群优化和社交蜘蛛优化，已被应用于解决规范物联网过程中的• RQ-3：使用什么技术来开发元算法的设计模式？推理：分析不同领域设计Meta分析算法所采用的框架和技术。设计模式以抽象的形式克服了采用关键实践的关键因素。不同的计算机科学家和研究人员使用基于模式的观点，包括方法，结构，行为和基于组件的模式来设计优化算法。• RQ-4：用于验证的不同分析技术是什么 的性能的元分析学 算法推理：根据收集的数据类型，比较所用验证技术的适用性。不同的评价指标已被用于验证元分析算法的性能，如精确度，召回率，F1评分，特异性，以及单模型和多模型基准函数。• RQ-5：研究论文发表在哪里？推理：发现和理解元算法的不同算法在解决各种问题中的潜力。对于这种不同的出版物在期刊，会议，书籍，诉讼被考虑在内。为了显示研究文章发表的研究地点，研究结果如图二所示2. 研究挑战和未来方向多年来，利用元启发式算法来维持物联网环境中的实时应用是不可避免的。虽然上述Meta启发式技术是有效的，但在扩展到下一个级别之前，仍然必须解决许多挑战和未来的方向。从文献中挖掘出以下研究挑战和未来方向。• 软件硬件物联网在Meta启发式技术中的挑战：从过去的二十年来，随着智能设备在不同领域的使用，物联网已经获得了极大的关注。近年来，在农业、卫生、基础设施等领域金融风险管理及其相关部门的智能。 然而，用基于物联网的框架实时实现元启发式有两个重大挑战。首先，缺乏专业传感器是发展智能农业的主要障碍。其次，网络通信的缺乏，特别是在农村地区，影响了整个系统的不可靠的数据传输。因此，有必要开发一个可行的系统，以检查在不同情况下的计算复杂的问题• 功能&互操作性挑战：在最近的时代，没有一个单一的组织结构开发，可以处理动态和高维数据。此外，在数据传输期间，可能会尝试诸如数据篡改、窃听和重放攻击之类的若干安全挑战，从而导致安全威胁。为了获得最佳结果，在数据采集和数据传输过程中必须确保几个因素，如真实性，数据完整性和机密性。然而，已经开发了一些优化技术，可以在一定程度上处理某些问题。在文献中提到的不同应用中的资本投资可能会阻碍该行业的增长。• 处理大维度数据：由于大量数据是从多个物联网设备生成的。 此外，“维数灾难”发生在数据大小的维度增加时。因此，需要智能基础设施来处理、分析和存储数据，以实现各种任务的自动化。然而，在非平稳环境期间，即当数据不是静态的时，需要一些附加措施。这些基本措施将有助于元启发式技术解决一些令人满意的动态问题。 此外，由于低成本的基础设施，如销售人员物联网平台，thingWorx和亚马逊网络服务，平台即服务模式正在迅速普及。5. 结论随着新技术的进步，物联网在各种技术中迅速发展，例如大数据分析，区块链，人工智能和机器学习。此外，这些技术可以应用于农业、医疗保健、金融风险管理和基础设施发展等多个领域。本文旨在介绍一种高水平的智能通过研究在基于物联网的系统中实现Meta启发式算法的潜力，该研究表明，元算法的行为与新出现的思想和应用密切相关。此外，很明显，元启发式算法是有效的范例之一，对于基于物联网的系统提供可靠和强大的解决方案非常有用。 本文分三个部分。首先，讨论了元启发式算法的不同物联网基础应用的回顾和范围。在第二方面，已经记录了一些具有基于Meta启发式算法的现有IoT系统。此外，从调查的研究，一些研究问题的描述已经包括在内。最后，本文回顾并总结了基于物联网的系统的主要需求。在未来，一些其他基于群的应用程序，如区块链和大数据可能会被覆盖。CRediT作者贡献声明VivekSharma：书面手稿手进行起草。Ashish Kumar Tripathi：收集数据，写作竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作V. Sharma和A.K. Tripathi阵列14（2022）1001647引用[1]Parpinelli RS，Lopes HS.群体智能的新灵感：综述。Int JBio-Inspired Comput2011;3（1）：1-16.[2]Pandey AC，Tripathi AK，Mittal H，Saraswat M.螺旋Salp群优化算法。2019第四届信息系统与计算机网络国 际 会 议 （ISCON）IEEE; 2019，p.722-7[3]吴晓鹏，李晓松，李晓松. 群体智慧的生物学原理。Swarm Intell 2007;1（1）：3[4]Fortino G，Trunfio P.基于智能对象的物联网：技术，中间件和应用。施普林格;2014年。[5][10]杨文，李文.朝向基于群体智能的物联网参考架构。国际互联网和分布式计算系统会议. Springer;2017，p. 75比86[6]JohriA ， TripathiA ， etal.Parkinsondiseasedetectionusingdeepneuralnetworks. 2019年第十二届当代计算国际会议（IC3）。IEEE; 2019，p. 一比四[7]荷兰JH。 遗传算法。 美国科学1992;267（1）：66-73.[8]卡尔AK。生物启发计算：算法与应用范围综述。专家系统应用2016;59：20-32.[9]Ma H，Simon D，Siarry P，Yang Z，Fei M.基于生物地理学的优化：10年回顾。IEEE Trans Emerg Top Comput Intell 2017;1（5）：391[10] Goldberg DE. 遗传算法 Pearson Education India;2006.[11] Beyer H-G ， Schwefel H-P。 进 化 战 略 -- 一 个 全 面 的 介 绍 。 NatComput2002;1（1）：3-52.[12] Pan X，Jiao L.一种用于分类的粒度智能体进化算法。 ApplSoft Comput2011;11（3）：3093-105.[13] Jaderyan M，Khotanlou H.毒力优化算法。Appl Soft Comput2016;43：596-618.[14] Kirkpatrick S ， Gelatt CD ， Vecchi MP. 模 拟 退 火 优 化 。Science1983;220（4598）：671-80.[15] 米塔尔H、TripathiA，PandeyAC，PalR.引力搜索算法，Rithm：对最近的变体进行全面分析。多媒体工具应用2021;80（5）：7581-608。[16] 哈坦卢河黑洞：一种新的启发式数据聚类优化方法。Inform Sci2013;222：175-84.[17] Rashedi E ， Nezamabadi-Pour H ， Saryazdi S. GSA ： 引 力 搜 索 算 法 。 InformSci2009;179（13）：2232-48。[18] Kashan AH，Tavakkoli-Moghovir R，Gen M. Find-fix-finish-exploit-analyze（F3EA）元启发式算法：一种具有新的全局优化进化算子的有效算法。Comput IndEng 2019;128：192[19] Tabari A ， Ahmad A. 一 种 新 的 优 化 方 法 ： 电 搜 索 算 法 。 计 算 机 化 学 工 程2017;103：1-11。[20] Geem ZW，Kim JH，Loganathan GV.一种新的启发式优化算法：和声搜索。Simulation2001;76（2）：60-8.[21] 放大图片作者：Eusuff M，Lansey K，Pasha F.混合蛙跳算法：离散优化的模因元启发式算法。Eng Optim 2006;38（2）：129[22] Blum C，Merkle D.群智能：介绍和应用。SpringerScience& Business Media;2008.[23] Dorigo M，Blum C.蚁群优化理论综述。理论计算Sci2005;344（2[24] 胡X，施Y，Eberhart R.粒子群的最新进展。在：2004年进化计算大会的会议记录（IEEE目录号04TH8753），卷。1.一、IEEE; 2004，p. 90比7[25] Karaboga D，Akay B.人工蜂群算法比较研究。应用数学计算2009;214（1）：108-32.[26] 李克一一种基于自主动物的优化方法：鱼群算法。系统工程理论与实践2002;22（11）：32-8.[27] Sharma A，Sharma A，Panigrahi BK，Kiran D，Kumar R.蜘蛛猴优化算法。Swarm Evol Comput2016;28：58-77.[28] 拉 贾 库 马 尔 湾 The Lion's Algorithm ： 一 种 新 的 自 然 启 发 式 搜 索 算 法 。ProcTechnol2012;6：126-35.[29] 李晓斌，李晓斌. 一个新的推荐系统，使用基于地图缩减的锦标赛授权鲸鱼优化算法。Complex Intell Syst2021;7（1）：297-309.[30] Sharma N，Kaur A，Sharma H，Sharma A，Bansal JC.具有增强学习的混沌蜘蛛猴优化算法。在：解决问题的软计算。Springer; 2019，p. 149比61[31] 放大图片作者：Kim D.超可靠低延迟通信中节点识别的基于蜻蜓的群系统模型。神经计算应用2021;33（6）：1837-80.[32] Bitam S，Zeadally S，Mellouk A.基于蜂群的雾计算作业调度优化。EnterpriseInform Syst 2018;12（4）：373[33] 朱新，吴涛，魏杰杰，施英，牛斌，李良。群智能优化器的学习-交互-多样化框架：统一观点。神经计算应用2020;32（6）：1789-809.[34] Ahmed WAEM，Mageed HMA，Mohamed SA，Saleh AA.基于分数阶达尔文粒子群算法的太阳能光伏电池和组件参数辨识。Alexand EngJ 2022;61（2）：1249-63。[35] Martínez-Álvarez F ， Asencio-Cortés G ， Torres JF ， Gutiérrez-Avilés D ，Melgar-Garca L ， Pérez-Chacón R ， Rubio-Escudero C ， Riquelme JC ，Troncoso A. 冠状病毒优化算法：基于COVID-19传播模型的生物启发元启发式算法。大数据2020;8（4）：308[36] 刘毅，柴毅，刘斌，王毅.基于能量谱统计和改进蜉蝣优化算法的轴承故障诊断。传感器2021;21（6）：2245。[37] MiarNaeimi F，阿齐齐扬 G，拉什基 M. 马 群优化 算法：一个自然启发的高维优化问题的算法。基于知识的系统2021;213：106711。[38] 赵伟，王磊，米贾利.人工蜂鸟算法：一种新的仿生优化器及其工程应用。计算方法应用机 械 工 程 2022;388：114194。[39] 达斯古普塔湾人工免疫系统及其应用。Springer Science&商业媒体;2012年。[40] [10]李文辉，李文辉. 生物启发计算：我们的立场和下 一 步 是 什么。Swarm EvolComput 2019;48：220[41] Castelli M ， Manzoni L ， Mariot L ， Nostrims ， Tangherloni A. Salpswarmoptimization：A critical review.专家系统应用2022;189：116029。[42] Del SerJ，Osaba E，Sanchez-MedinaJJ， Fister I.生物启发的计算智能和运输系统：一条漫长的道路。IEEE Trans IntellTransp Syst 2019;21（2）：466-95.[43] Kalioras NA，Lagaros ND，Avtzis DN.怜悯甲虫算 法 - 一 个 新 的 启 发 式 的 行 为树 皮 甲 虫 。Adv Eng Softw 2018;121：147[44] Passino KM.用于分布 式优化和控制的 细菌觅食仿生学。IEEE控制系统 杂志2002;22（3）：52-67.[45] GreensmithJ，Aickelin U.树突状细胞算法（博士，诺丁汉大学; 2007年。[46] 甘多米啊，阿拉维啊。磷虾群：一种新的生物启发优化算法。Commun NonlinearSci Numer Simul2012;17（12）：4831-45.[47] Rabanal P，Rodríguez I，Rubio F. 利用河流形成动力学到设计启发式算法。国际非常规计算会议（InternationalConferenceonUnconventionalComputation）Springer; 2007，p. 163比77[48] Lam AY，Li VO.认知无线电频谱分配的化学反应优化。2010年IEEE全球电信会议GLOBECOM2010。IEEE; 2010，p. 一比五[49] Cheng S，Zhang M，Ma L，Lu H，Wang R、 石 Y. 大脑 风暴 optimiza- 算法求解知识溢出问题。神经计算应用2021;1-14.[50] Bogar E ， Beyhan S. Adolescent Identity Search Algorithm （ AISA ） ： ANovelMetaheuristic Approach for Solving Optimization Problems. Appl SoftComput2020;95：106503.[51] 作者：Yang X-S，Deb S.布谷鸟搜索通过莱维航班。2009年世界自然生物启发计算 大 会 （ World Congress onNature&Biological Inspired Computing ， NaBIC ）2009，p.210-4[52] NandaSJ，Panda G.群和进化计算。2013年。[53] Jain M，Singh V，Rani A.一种新的自然启发的优化算法：松鼠搜索算法。SwarmEvol Comput2019;44：148-75.[54] Mafarja M，Qasem A，Heidari AA，Aljarah I，Faris H，Mirjalili S. 用于特征选择的高效混合自然启发二进制优化器。Cogn Comput2020;12（1）：150-75.[55] 卢卡斯·梅赫拉比安一种新的数值优化算法的启发杂草殖民。Ecol Inform2006;1（4）：355-66.[56] ZhangJ，Xiao M，Gao L，Pan Q.搜索算法：一种新的解决工程优化问题的元启发式算法。应用数学模型2018;63：464-90。[57] 杨晓生萤火虫算法多峰优化。在：国际研讨会上随机算法。Springer; 2009，p.169比78[58] 杨晓生一种新的启发式蝙蝠算法。见：《自然启发的优化合作战略》 （NICSO2010）。Springer; 2010，p.六十五比七十四[59] Moscato P等人，《论进化、搜索、优化、遗传算法和武术：迈向模因算法》。见：加州理工学院并行计算程序，C3P报告，第826卷。Citeseer; 1989，p. 一九八九年[60] Rahnamayan S，Tizhoosh HR，Salama MM，基于对立的差异进化。IEEE TransEvol Comput2008;12（1）：64-79.[61] 刘春，严X，刘春，吴华.狼群算法及其应用。电子学报2011;20（2）：212-6.[62] Sharma H，Bansal JC，Arya K.基于适应度的差分进化 MemeticComput2012;4（4）：303-16.[63] Sharma N，Sharma H，S