11、智能优化算法与动态多目标优化研究

智能优化算法与动态多目标优化研究

1. 学习型智能优化算法研究进展

学习型智能优化算法（LIOA）受到了众多研究者的广泛关注，不同学者提出了多种改进算法：
- 增强PSO算法 ：Wang等人提出了一种增强的粒子群优化（PSO）算法，采用广义反向学习和柯西变异来解决PSO的早熟收敛问题。
- 模因算法 ：Hu等人提出了一种基于综合学习粒子群优化的模因算法，可改善特征选择和参数优化，通过个体学习进行特定问题的局部搜索，提升了综合学习粒子群优化的性能。
- 学习回溯搜索算法 ：Chen等人提出了一种新的学习回溯搜索算法，将当前代的全局最优信息与回溯搜索算法中的历史信息相结合，根据随机概率更新个体，其余个体通过学习最优和最差个体的知识更新位置。
- 遗传学习PSO ：Gong等人提出了一种遗传学习PSO，有机地结合了遗传算法和PSO，利用遗传算子生成学习样本，粒子的历史信息为样本的进化提供指导。
- 基于精度的学习模糊分类器系统 ：Chen等人提出了一种基于精度的学习模糊分类器系统，用于在连续空间中进行多步强化学习。

2. 改进的大象牧群优化算法

• IMEHO算法
  • 改进措施 ：为使典型的大象牧群优化（EHO）算法表现更好，提出了一系列解决方案。创建速度方法为每头大象模拟移动后提供初始速度；为族群更新算子赋予新的学习方法，每头大象有