常见的群智能优化算法有蚁群算法(ACO)、遗传算法（GA）、灰狼优化算法（GWO）、麻雀搜索算法（SSA）、鲸鱼优化算法（WOA）、蝗虫优化算法（GOA）、鹈鹕优化算法（POA）、沙丘猫优化算法（SCSO）、浣熊优化算法（COA）、算术优化算法（AOA）、天鹰优化器（AO）、蜘蛛蜂优化算法（SWO）、斑马优化算法（ZOA）等等。每年都会有大量的群智能优化算法被提出，这里就先举这么多为例。

二、如何选取值得研究的算法？

那么这么多的群智能优化算法，应该研究哪一个呢？是不是越新的算法越好呢？

这里我觉得并不是越新越好的，其实细心观察一下，你就能发现，每年仍有人用遗传算法和粒子群算法发出高质量的论文。

在选择算法上的几个建议

1.选用发表在高影响因子期刊的算法

2.在你的研究方向上用的比较多，比较热的算法。

三、常见的改进方式及我的一些建议

一.创新的定义

之前有人对创新的定义如下，我觉得说的挺有道理

1.新方法解决新问题。2.新方法解决老问题。3.老方法解决新问题

这也就导致很多人都在对常见的改进方法在不同的算法上进行排列组合（这样确实可以发出论文）。

二.常见的改进方法

1.初始化阶段

多数的文章都会采用混沌映射的方法来对算法进行改进，跑程序不难发现混沌映射对算法不会起到质的改变，但是写文章会显得花里胡哨一些。常见的混沌映射有（Logistic 映射、Singer 映射、SPM映射、Sine 映射、Tent 映射、Circle 映射和Chebyshev 映射等等）。

那么别人都用这些，我们难道就把这些映射用在最新出的算法上，当创新吗？

这里我有两点想法，能比直接用这些映射好一些。

1.将不同映射组合起来（如Logistic-tent，同理我们可以结合其他的映射）

2.将映射表达式用在算法搜索过程试一下（跳出局部最优的方法其实也就是增加扰动，那么引入混沌序列试试会不会起到意想不到的效果呢）

2.其他常见方法

初映射之外，相信大家对以下改进方法一定不陌生。

1.Levy飞行；2.螺旋搜索；3.柯西变异；4.高斯变异；5.引入正余弦优化算法；6.引入黄金正弦优化算法；7.反向折射；8.自适应t分布；9.自适应因子；10.三角游走策略等等，

自己改进时可随机结合或改进上诉策略，除了这些策略外的改进方法。

目前我发现将多种算法结合起来的改进方式逐渐流行起来，举个例子就是融合黏菌优化算法的改进鹈鹕算法，或者蚁群算法-黏菌算法，北方苍鹰-蛇优化算法，北方苍鹰-麻雀算法等等。

至于具体与哪个算法相结合，需要自己慢慢调试（在测试函数CEC2005或CEC2017）

四、改进算法与行文流程

写文章流程一般就是以下几个步骤：

1.引言；2.介绍原始算法；3.介绍所采用的改进策略；4.测试函数上的多算法对比结果；5.在应用上的多算法对比结果。

值得说一下的就是，如果你的文章有个具体的且很有实际意义的应用，那么你测试函数部分只采用简单的CEC2005即可；如果你的文章是纯改进算法测试，即应用部分就是常见的工程应用测试问题（压力容器、减速器和压缩弹簧那些），那么你的测试函数部分就要多用一些了（CEC2005、CEC2017和CEC2020等），且需要和一些较新的算法进行效果比对。

五、一个小例子

以下这个想法是我曾经想做的，后来也是由于种种原因没做成，希望这个例子可以帮到有需要的人。

1.选用水流优化器（WFO）为基础研究算法（该算法发表在IEEE Transaction on Cybernetics,IF11.8,中科院1区高影响因子且研究人较少是我选取该算法进行研究的原因）

2.初步改进方法；水流优化器呢结构比较简单，主要有两个阶段1）层流；2）湍流（利用水流粒子高到低流动的优化思想）

那么改进方式除了上诉常见的策略外我有几个想法

1）.引入湍流优化算法替代水流优化器中的湍流阶段（湍流主要就是无规律的流动，那么该阶段引入改进的混沌序列是不是也可以呢）

2）.引入一些关于能量转换的算法，如能量谷算法和一些关于动量转换的，改进其原始算法的势能部分。

具体上诉想法好不好，能不能写一篇SCI出来，就要靠大家来验证了。

总结

以上就是今天我对群智能优化算法改进方法分析与建议，有写的不对的地方随时接受大家批评指正，也欢迎大家来一起交流。

主页其它博文有一些代码的获取方式，有需要的可自行提取。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/不正经/article/detail/607690