2403_88401503的博客

蝗虫优化算法（Grasshopper Optimisation Algorithm,GOA）是学者Shahrzad Saremi于2017年提出的一种群智能算法。该算法模拟了蝗虫的迁移和觅食过程，具有较高的搜索效率和较快的收敛速度，且算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程，具有较好的寻优精度。

人工免疫算法（Immune Algorithm, IA）是由学者Jerne等人提出的一种进化智能算法，该算法基于生物免疫系统基本机制，模仿了人体 的免疫系统。从体细胞理论和网络理论得到启发，实现了类似于生物免疫系统的抗原识别、细胞分化、记 忆和自我调节的功能，抗 原、抗体、抗原和抗体之间的亲和性分别对应于优化问题的目标函数、优化解、解与目标函数的匹配程度，实现对问题的求解。

水母搜索算法（Jellyfish Search，JS）是学者Chou等人于2020年提出一种新型的群体智能优化算法，该算法模拟水母跟随洋流运动（主动运动和被动运动）、时间控制机制以在这类运动之间切换的机制。从而收敛问题解。

黏菌算法（Slime Mould Algorithm，SMA）是学者Li等人于2020年提出的一种启发式智能算法，该算法模拟黏菌感知食物时表现出振荡模式，而，同时食物源的数量和质量还会影响静脉的状态，加大黏菌探索未知领域。

旗鱼算法（Sailfish Optimizer，SFO）是学者于2019年提出一种自然启发式算法，该算法模拟旗鱼合作捕食，交替攻击猎物从而建立模型。

猎豹算法（cheetah optimizer，CO）是学者MohammadAminAkbari于2022年提出一种自然启发算法，该算法主要模拟猎豹捕食过程，引入随机参数提高模型全局收敛性。

萤火虫算法（Firefy Algorithm，FA）是由学者Yang于2008年提出一种元启发式算法，该算法模仿自然界中萤火虫成虫发光特性的随机优化算发，通过萤火虫彼此吸引并赋予问题解答作为目标值，从而来得到最佳的目标值。

小龙虾优化算法（Crayfsh optimization algorithm，COA）是Heming Jia于2023年9月提出一种元启发式智能算法，其灵感来源夏季小龙虾度假行为、竞争行为和觅食行为，以平衡算法的探索和利用过程，提高收敛性能。

狐狸优化算法（fox optimization，FOX）是学者Hardi Mohammed于2023年本出了一种受红狐捕猎行为启发的优化算法，该算法结合了红狐的搜索和捕猎技术，从而进行算法开发和探索阶段，达到捕猎收敛的过程。

蜻蜓算法( Dragonfly algorithm，DA)是Seyedali Mirjalili等于2016年提出的一种新型智能优化算法。其主要灵感源于自然界中蜻蜓的静态和动态群集行为，静态群体中，蜻蜓组成小群在一个小区域内来回飞行，捕食其他飞行猎物，其中局部移动和飞行路径的突然变化是静态群体的主要特征。在动态群体中，大量的蜻蜓为了长距离迁徙而形成群体蜻蜓被视为小型捕食者，幼虫期的蜻蜓还会捕食其他海洋昆虫甚至小鱼。

遗传算法（Genetic Algorithm，GA）最早是由美国的John Holland于20世纪70年代提出的进化智能算法，其基本原理是基于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术，从而形成的过程搜索最优解的算法。

火鹰优化算法（FHO）是Mahdi Azizi等人于2022年提出的一种新型优化算法，灵感来源于火鹰捕猎时通过散布火焰驱赶猎物的行为。

飞蛾扑火算法（Moth flame optimization）是由Seyedali Mirjalili在2015年基于飞蛾对光源飞行的策略提出的群体智能算法，该算法主要模拟了飞蛾围绕光源螺旋飞行的过程。

蚁狮算法（Ant Lion Optimizer，ALO）是Seyedali Mirjalili学者于2015年基于蚁狮的狩猎机制而提出群智能算法，该算法模拟了蚂蚁随机行走、诱捕蚂蚁、狩猎及重建陷阱、精英化。

人工蜂鸟算法（Artificial hummingbird algorithm:，AHA）是Weiguo Zhao等人于2021年提出新型元启发式算法，该算法模拟自然界中蜂鸟的特殊飞行技能和智能觅食策略并构建了访问表来模拟蜂鸟对食物来源的记忆功能，提高模型局部开发性能，快速达到求解问题收敛。

人工蜂鸟算法（Artificial hummingbird algorithm:，AHA）是Weiguo Zhao等人于2021年提出新型元启发式算法，该算法模拟自然界中蜂鸟的特殊飞行技能和智能觅食策略并构建了访问表来模拟蜂鸟对食物来源的记忆功能，提高模型局部开发性能，快速达到求解问题收敛。

共生生物搜索算法（Symbiotic Organisms Search，SOS）是由学者Cheng等人于2013基于生态系统生物之间社会行为提出元启发式智能算法。该算法模拟了生物体在生态系统中互惠共生、共栖共生及寄生的社会行为，以此平衡算法的全局搜索和局部开发性能。

海马优化算法（Sea-horse optimizer,SHO）是Shijie Zhao等人于2023年提出群智能算法，该算法模拟了海马的运动、捕食和繁殖行为。在前两个阶段，SHO分别模拟了海马的不同运动模式和概率捕食机制。此外由于海马妊娠的独特特点，有利于增加种群多样性。

非洲秃鹫算法（African vultures optimization algorithm，AVOA）是由Benyamin Abdollahzadeh等人于2021年基于非洲秃鹫的领导者-追随者模型捕食提出的群智能算法，AVOA通过非洲秃鹫在不同饥饿程度时候捕食行为来平衡算法全局搜索性能和局部开发性能。

帝国竞争主义算法（Imperialist Competition Algorithms,ICA）是由Atashpaz Gargari等人于2007年基于国家与国家之间竞争提出智能算法，该算法赋予个体作为一个国家，国家强大作为帝国主义国家，其余为殖民地国家，一个帝国主义国家支配些许殖民国家形成帝国，同时向殖民地国家输送自己文化等富裕殖民地国家，进行帝国与帝国之间竞争，同时殖民地国家过于强大也会取代较弱帝国主义国家。直至最后只剩下一个帝国主义国家。从而达到算法的优化。

白鲨优化算法（White Shark Optimizer，WSO）Malik Braik 是于2022年基于白鲨深海觅食提出的群体智能算法，该算法模拟白鲨通过自身灵敏嗅觉和听觉来实现对猎物搜索追踪、定位和捕猎食物。进而平衡全局和局部性能，实现算法对问题求解。

变色龙算法（Chameleon Swarm Algorithm,CSA）是Malik Shehadeh Braik于2021年基于变色龙的觅食机制而提出的群体智能算法。该算法模拟了变色龙寻找食物的行为步骤，包括它们在树木、沼泽和沙漠动态寻找猎新闻，将眼睛旋转到近360◦的视觉范围来定位猎物，并利用它们粘稠的舌头高速发射来抓住猎物。算法具有寻优能力强等特点。

基于PSO算法的局部开发能力和GSA的全局探索性能强的特点，Seyedali Mirjalili等人于2010年提出混合算法（PSOGSA）。该算法主要是将PSO的开发能力与GSA的探索能力相结合，综合两种算法的强度。结果表明，与标准的PSO和GSA相比，该混合算法具有更好的收敛收敛速度。

引力搜索算法（Gravitational Search Algorithm,GSA）是Esmat Rashedi等人于2009年基于万有引力启发而提出的智能算法，该算法将问题赋予粒子形式，粒子之间存在相互吸引力（万有引力），该力与自身质量成正比，与距离成反比，因此不断更新粒子之间吸引力，对吸引力赋予适应度形式达到问题优化求解。

人工大猩猩部队优化（GTO）是一种模拟大猩猩社会生活的元启发式优化算法。考虑到GTO算法的收敛精度不足和收敛速度较低，学者提出了三种创新策略改进GTO（MGTO）。首先，提出了一种收缩控制因子融合策略，通过加强银背大猩猩与其他大猩猩之间的通信，来扩大搜索空间，提高全局优化性能；其次，提出了一种基于接近性的正弦余弦交互融合策略，以稳定银背大猩猩和其他大猩猩个体的性能，提高算法的收敛能力和速度。最后，提出了一种大猩猩个体差异识别策略，以减少大猩猩和银背大猩猩之间的差异，以提高最优解的质量。

人工大猩猩部队优化（GTO）是一种模拟大猩猩社会生活的元启发式优化算法。考虑到GTO算法的收敛精度不足和收敛速度较低，学者提出了三种创新策略改进GTO（MGTO）。首先，提出了一种收缩控制因子融合策略，通过加强银背大猩猩与其他大猩猩之间的通信，来扩大搜索空间，提高全局优化性能；其次，提出了一种基于接近性的正弦余弦交互融合策略，以稳定银背大猩猩和其他大猩猩个体的性能，提高算法的收敛能力和速度。最后，提出了一种大猩猩个体差异识别策略，以减少大猩猩和银背大猩猩之间的差异，以提高最优解的质量。

人工大猩猩部队优化算法（Artificial gorilla troops optimizer，GTO）是由Benyamin Abdollahzadeh等人于2021年基于大猩猩部队自然社会智能启发而提出新的元启发式算法，即人工。在该算法中，用数学方法计算了大猩猩的集体生命，并设计了新的机制来进行探索和开发。该算法具有寻优能力强的特点。

针对金枪鱼群优化算法前期收敛速度慢和容易陷入局部最优等不足，有学者提出混合策略改进的金枪鱼群优化算法（HTSO）。该算法首先通过混沌映射初始化种群，提高种群的丰富性；其 次，利 用莱维飞行策略在空间随机游走的搜索特点，提高算法在螺旋式觅食时的幅度，减少算法陷入局部最优的次数，帮助其快速找到全局最优。

金枪鱼优化算法（Tuna Swarm Optimization，TSO）是由学者于2021年基于金枪鱼群合作捕食提出的群体智能算法，该算法主要模拟金枪鱼的螺旋觅食和抛物线觅食行为对实现对问题求解寻优，具有寻优能力强，收敛速度快的特点。

金枪鱼优化算法（Tuna Swarm Optimization，TSO）是由学者于2021年基于金枪鱼群合作捕食提出的群体智能算法，该算法主要模拟金枪鱼的螺旋觅食和抛物线觅食行为对实现对问题求解寻优，具有寻优能力强，收敛速度快的特点。

针对DBO全局探索能力不足、易陷入局部最优以及收敛精度不理想等问题，有学者提出了一种混合多策略改进的蜣螂优化算法（IDBO）。该算法采用混沌映射结合随机反向学习策略初始化种群提高多样性，增强全局寻优能力；其次引入黄金正弦策略实现个体动态搜索，提高算法遍历性；引入竞争机制增强信息交互，同时在迭代后期利用自适应 t 分布变异对个体进行扰动，避免算法陷入局部最优。

针对DBO全局探索能力不足、易陷入局部最优以及收敛精度不理想等问题，有学者提出了一种混合多策略改进的蜣螂优化算法（IDBO）。该算法采用混沌映射结合随机反向学习策略初始化种群提高多样性，增强全局寻优能力；其次引入黄金正弦策略实现个体动态搜索，提高算法遍历性；引入竞争机制增强信息交互，同时在迭代后期利用自适应 t 分布变异对个体进行扰动，避免算法陷入局部最优。

蜣螂算法（Dung beetle optimizer，DBO）是由JiankaiXue等人于2022年提出群智能算法，该算法模拟了蜣螂滚球、跳舞、觅食、偷窃和繁殖等行为提升算法全局探索和局部开发能力，在一系列的著名的数学测试函数中取得不错性能，具有收敛速度快的优势。

为了提高BA算法的全局搜索能力和局部开发性能，Redouane Boudjemaa等人于2020年提出改进的蝙蝠算法（FLFBA）。该算法主要提出了分数阶Levy飞行蝙蝠算法，提高BA算法全局性能，同时引入DE等算子提高算法局部能力。

蝙蝠算法（Bat Algorithm，BA）是Xin-She Yang于2010基于蝙蝠回声定位提出的智能算法。该算法模拟蝙蝠利用回声定位来感应和猎物距离，并进行捕食的行为，从而不断更新自身位置和速度。

帝国竞争主义算法（Imperialist Competition Algorithms,ICA）是由Atashpaz Gargari等人于2007年基于国家与国家之间竞争提出智能算法，该算法赋予个体作为一个国家，国家强大作为帝国主义国家，其余为殖民地国家，一个帝国主义国家支配些许殖民国家形成帝国，同时向殖民地国家输送自己文化等富裕殖民地国家，进行帝国与帝国之间竞争，同时殖民地国家过于强大也会取代较弱帝国主义国家。直至最后只剩下一个帝国主义国家。从而达到算法的优化。

针对麻雀搜索算法搜索过程中易困入局部且收敛速度慢的缺陷。学者提出一种多策略改进的麻雀搜索算法（Multi-strategy Improved Sparrow Search Algorithm ,MISSA），该算法首先针对SSA初始化种群均匀性差缺陷，引入 Circle 混沌映射分散生成SSA种群，其次在发现者位置的更新过程中融入自适应正余弦策略，避免模型陷入局部最优，最优采用levy飞行策略增强搜索个体随机性。

麻雀搜索算法（sparrow search algorithm，SSA）是Xue等人于2020年基于麻雀智慧行为提出的群体智能算法，该算法将麻雀个体分为生产者和搜索个体，模拟麻雀通过竞来争提高自身捕食率，更新生产者个体，同时每个麻雀在捕食过程需要警惕周边的天敌，并进行信息共享，实现算法优化过程开发和探索阶段。

为了提高MGO算法的全局搜索和局部开发能力，有学者提出多策略改进的山瞪羚算法（HMGO），该算法首先采用准反向学习策略，优化种群初始化，确保初始种群的广泛性。其次引入动态自适应因子和缩放因子，调整优化机制中的参数，以提升搜索精度和效率，最后引入AOA算法中MOP和MOA系数向量加快模型局部开发和全局探索能力。

山瞪羚优化算法（Mountain Gazelle Optimizer，MGO）是Benyamin Abdollahzadeh等人于2022年基于山瞪羚的社会生活和等级制度提出的群体智能算法。该算法模拟山瞪羚四个生活机制分别是单身雄性畜群、母性畜群、独居且有领地的成熟雄性畜群和迁徙觅食群，以实现有效的探索和开发。