WAA WOA GMO HHO ETO算法

加权平均算法（WAA）

2024年提出的一种新型元启发式优化算法，其灵感来源于加权平均位置概念。WAA算法通过优化种群的加权平均位置来平衡全局搜索（Exploration）与局部开发（Exploitation），以提高搜索效率、加速收敛，并改善算法的整体性能。

算法基本原理：

WAA算法的核心思想是利用加权平均位置来指导搜索过程，以平衡全局搜索（Exploration）与局部开发（Exploitation）。这种算法通过在每次迭代中首先建立整个种群的加权平均位置，然后基于这个位置来寻找最优解。

WAA算法通过两种移动策略来实现这一目标：一种是通过三种不同的趋势基于加权平均位置和每次迭代获得的最佳解来有效探索可行的搜索空间；另一种是利用第一种趋势快速接近每次迭代中识别出的最佳解，从而缩小搜索空间，同时采用第二种趋势来最小化陷入局部最优的风险。移动策略的确定，无论是专注于探索还是开发，都依赖于与随机常数和迭代次数相关的参数函数。

鲸鱼优化算法（WOA）

一种元启发式优化算法，模拟座头鲸狩猎行为的元启发式优化算法。目前的工作与其他群优化算法相比的主要区别在于，采用随机或最佳搜索代理来模拟捕猎行为，并使用螺旋来模拟座头鲸的泡泡网攻击机制。该算法具有机制简单、参数少、寻优能力强等优点，在经济调度、最优控制、光伏系统、图像分割等方面得到广泛的应用。

算法基本原理：

座头鲸有特殊的捕猎方法，这种觅食行为被称为泡泡网觅食法；标准 WOA 模拟了座头鲸特有的搜索方法和围捕机制，主要包括：围捕猎物、气泡网捕食、搜索猎物三个重要阶段。WOA 中每个座头鲸的位置代表一个潜在解，通过在解空间中不断更新鲸鱼的位置，最终获得全局最优解。

指数-三角优化算法（ETO）

它巧妙地结合了指数函数和三角函数。ETO算法设计上着重于探索与开发两个阶段的平衡，这是众多优化算法共同面临的挑战。通过整合多个随机和自适应变量，ETO算法在性能上相比现有算法实现了显著的提升。

算法原理
指数-三角优化算法通过运用指数和三角函数来调整搜索个体的位置，有效实现了探索与开发的平衡。此外，ETO的设计考虑到了处理复杂技术问题的需要，基于NFL理论强调了不同问题需求不同优化策略的重要性。ETO的结构简单，易于实施和调整参数，使其不仅在性能上优越，还在适应不同问题类型上具有极高的灵活性和适应性。

苔藓生长优化算法(MGO)

一种新型的元启发式算法（智能优化算法），灵感来源于自然环境中苔藓的生长过程。

在算法中，苔藓的生长过程可以被模拟为通过选择性扩展、分枝以及与环境交互来优化问题的解决方案。这种优化算法具有较强的全局搜索能力，可以有效地避免局部最优解，并且在处理复杂的优化问题时表现出较高的效率。

MGO算法的主要特点包括：

1. 自适应性：苔藓的生长根据周围环境的条件动态调整，因此可以灵活应对不同的优化场景。
2. 全局搜索能力：算法通过模拟苔藓的扩展方式，有助于更全面地搜索解空间。
3. 分布式特性：苔藓的生长通常在多个方向同时进行，体现了分布式计算的特性，这对于并行处理复杂问题尤为重要。

哈里斯鹰优化算法（HHO）

一种基于哈里斯鹰捕食行为的群体智能优化算法。该算法由Heidari等人于2019年提出，模拟了哈里斯鹰捕食过程中的策略和行为，通过数学建模转化为优化问题的求解过程。

算法原理

HHO算法的灵感来源于哈里斯鹰捕食时的策略，主要包括三个阶段：探索、过渡和开发。在探索阶段，哈里斯鹰通过强大的视力追踪和检测猎物，可能在沙漠地区等待和监视数小时以发现猎物。在过渡阶段，根据猎物的逃逸能量切换不同的行为模式。在开发阶段，哈里斯鹰采取软、硬进攻方式，根据猎物是否逃脱和逃逸能量的大小来决定具体的捕食策略。