若干新型群智能優化算法的對比研究

李雅麗，王淑琴，陳倩茹，王小鋼

天津師范大學 計算機與信息工程學院，天津300387

1 引言

在大自然中，一些生物群體在進化過程中形成了自己獨特的行為和生存方式，人們會從這種現象得到啟發，提出很多能夠解決實際優化問題的新思路。群體智能優化算法是一種基于概率的隨機搜索進化算法，主要模擬了昆蟲、獸群、鳥群和魚群的群體行為，這些群體的主要行為就是覓食，它們會按照某種合作方式去尋找食物，然后不斷交流食物信息，從而能更快速地找到更多食物，研究這些群體行為并抽象出一種算法就是群體智能算法。群智能算法是一種基于生物群體行為規律的計算技術，用來解決分布式問題，主要應用于組合優化、圖像處理、數據挖掘等領域。1989 年Beni 和Wang 在Swarm Intelligence[1]這篇文章中第一次提出了“群體智能”這個概念。圖1所示為群體智能優化算法在2010年之前的發展過程，而1991年提出的蟻群算法[2-4]和1994年提出的粒子群優化算法[5]可謂是群智能優化算法的開山鼻祖。蟻群算法是一種基于種群啟發式隨機搜索算法，它模擬自然界中螞蟻覓食行為，螞蟻走過后的路徑上會留下信息素，信息素越強吸引的螞蟻就會越多，螞蟻會大概率地選擇信息素比較強的路徑去走，最終找到最短路徑。粒子群優化算法是一種基于群體智能的全局隨機搜索算法，源于鳥群覓食行為，用粒子來模擬鳥類個體，通過鳥類個體之間的協作和信息的共享去尋找最優解。

圖1 2010年前的群智能優化算法發展過程

群智能算法具有以下特點：群體中相互合作的個體是分布的；沒有中心控制，具備魯棒性；可通過個體之間的通信進行合作，具有可擴充性；個體能力簡單，實現方便[6]。盡管群智能算法的理論還不成熟，但它已成為有別于傳統人工智能的一種新方法，并成為人工智能領域的研究熱點。

本文選擇了2010年至今比較有代表性的六種新的群智能優化算法進行研究分析，分別是2010 年的蝙蝠算法、2014 年的灰狼優化算法、2015 年的蜻蜓算法、2016 年的鯨魚優化算法、2017 年的蝗蟲優化算法和2020年的麻雀搜索算法，并對比測試它們的優化效果，最后對群智能優化算法未來的研究發展進行總結和展望。

2 相關算法描述

2.1 蝙蝠算法

蝙蝠算法[7]是2010 年由Yang Xin-She 提出的一種基于群體智能的算法，是受微型蝙蝠回聲定位的啟發[8]，在回聲定位的幫助下，蝙蝠可以測量物體的大小和距離，并用于導航和覓食，通過蝙蝠的這一特性理想化來制定的算法。

蝙蝠算法的大致流程：每個蝙蝠在位置xi上以速度vi隨機飛行，當蝙蝠發現獵物時，它會改變頻率f、響度Ai和脈沖發射率r 來選擇最優解，直到目標停止。

蝙蝠算法的改進策略有三類[9]：第一類是改進算法的基本公式，如針對蝙蝠算法早熟收斂、容易陷入局部最優的特點，提出一種新的自適應慣性權值蝙蝠算法[10]（Adaptive Inertia Weight Bat Algorithm with Sugeno-Function Fuzzy Search，ASF-BA），引入自適應慣性權值，將標準BA的隨機搜索方法換成超函數模糊搜索，基于差分進化算法的改進蝙蝠算法[11-12]（Bat Algorithm Based on Differential Evolution Algorithm，DEBA）通過交叉變異更新速度提高了收斂速度。第二類是多種群策略，如改進小生境蝙蝠算法[13]（Improved Niche Bat Algorithm，INBA）對種群規模進行了調整，隨機擾動的自適應蝙蝠算法[14]（Adaptive Bat Algorithm for Random Perturbation，RWBA）增加了速度權重，改善了速度的更新方式，這兩種都增加了種群的多樣性，提高了算法的搜索效率。第三類是加入混沌模型策略，如基于混沌的蝙蝠算法[15-17]（Chaos-based Bat Algorithm，CBA）使用新的頻率、響度、頻度更新方式，提高了全局尋優性能。

蝙蝠算法運用到了很多領域：Dao 等人[18]使用并行蝙蝠算法來解決車間調度問題；Osaba 等人[19]使用離散蝙蝠算法解決了藥物廢物收集、分配的車輛路徑問題；Cheruku等人[20]結合了粗糙集特征選擇和優化的蝙蝠算法，用于糖尿病檢測大數據的分析；Nakamura 等人[21]使用二進制蝙蝠算法解決了分類和特征選擇問題；Goyal等人[22]使用蝙蝠算法評估節點定位的精度。

2.2 灰狼優化算法

灰狼優化算法是2014 年由Mirjalili 等人[23]提出來的一種群智能優化算法。該算法的靈感來源于灰狼的捕食行為。

灰狼優化算法大致分為五個步驟：社會等級分層、包圍獵物、狩獵、攻擊獵物、搜尋獵物[24]。灰狼內部嚴格遵守社會支配等級關系，在灰狼搜索所需獵物的時候，會慢慢接近獵物，然后包圍獵物。灰狼一般會先識別獵物然后將其包圍，在每次迭代的過程中，保留當前最好的三只灰狼，根據它們的位置信息更新其余的搜索代理的位置。當獵物不再移動時，灰狼會通過攻擊來捕捉獵物。

灰狼優化算法改進算法有四類：第一類是對初始種群的改進，如基于復數值編碼的灰狼優化算法[25]（Complex-Valued Encoding Grey Wolf Optimization，CGWO）運用復值編碼避免算法陷入局部最優；基于神經網絡的改進灰狼優化算法[26]（Improved Modified Grey Wolf Optimization Algorithm Based Hybrid Technique，SNN-IMGWOA）把灰狼種群分為三組，提高了算法的收斂速度。第二類是對搜索機制進行改進，如基于進化種群動態的灰狼優化算法[27]（Evolutionary Population Dynamics-Grey Wolf Optimization，GWO-EPD）引入了進化種群動態算子（EPD），很好地解決了最優停滯問題。第三類是對參數的改進，基于灰狼優化的混合參數多分類孿生支持向量機[28]（Mixed Parameter Multi-Classification Twin Support Vector Machine Based on Grey Wolf Optimizer，GWO-MP-MTWSVM）運用混合參數的多分類孿生支持向量機，快速找到各子分類器的最優參數，并提升了算法的準確率；改進的灰狼優化算法[29]（Modified GWO，mGWO）使用了指數函數來衰減控制參數a，它們都有效地平衡了探索能力和開發能力。第四類是設計混合算法，如混合灰狼優化算法和精英反對學習算法（Hybrid Grey Wolf Optimizer Using Elite Opposition，EOGWO）[30]將精英反對學習策略和單純形法引入到GWO中，針對灰狼優化算法求解精度低、后期收斂速度慢、易陷入局部最優的特點，提出了一種改進精英個體重選策略的灰狼優化算法[31]（Elite Weight Choice Grey Wolf Optimization，EGWO），該算法引進兩種策略，分別是非線性收斂因子調整策略和精英個體重選策略。

灰狼優化算法的主要應用有：Ahmed 等人[32]將GWO 與監督人工神經網絡分類器結合，實現增強大腦磁共振圖像的分類精度；Yao 等人[33]將GWO 用于求解復雜作業車間調度問題。

2.3 蜻蜓算法

蜻蜓算法[34]是2015 年由Mirjalili 提出的群智能優化方法，主要靈感來源于自然界中蜻蜓的靜態和動態群居行為，主要通過建立模型去分析蜻蜓在進行導航、尋找食物和避免敵人時的社會行為。

蜻蜓算法的大致流程：初始化蜻蜓種群和向量ΔXi，計算所有蜻蜓的目標值，更新其食物來源和天敵，更新五種因素的權重并計算五種因素，然后更新鄰近半徑，如果一只蜻蜓至少有一個相鄰的蜻蜓更新速度矢量，則更新速度矢量，否則更新位置矢量。最后根據檢查變量的邊界糾正新位置，退出算法。

蜻蜓算法改進算法有兩類：第一類為改進算法機制，如針對原始蜻蜓算法易陷入局部最優，導致全局搜索能力較差，以及蜻蜓算法后期種群缺乏多樣性易出現停滯現象等問題，提出量子行為和差分進化融合策略下的改進蜻蜓算法[35]（Improved Dragonfly Algorithm Based on Quantum-Behavior and Differential Evolution，QDEDA）；基于精英反向學習的逐維改進蜻蜓算法[36]（Elite Opposition Learning-based Dimension by Dimension Improved Dragonfly Algorithm，EDDA）利用精英反向學習策略初始化種群，增強種群多樣性，提高了搜索效率。第二類是設計混合算法，如改進的多目標蜻蜓優化算法[37]（Improved Multi-Objective Dragonfly Optimization Algorithm，IMODA）引入混合變異算子，提高了種群的多樣性，降低了陷入全局最優的可能性。

蜻蜓算法的主要應用有：Sambandam等人[38]提出一種自適應蜻蜓算法用于解決圖像多級分割問題；Wang等人[39]提出一種改進的蜻蜓算法用于特征選擇中。

2.4 鯨魚優化算法

鯨魚優化算法[40]是2016 年由Mirjalili 等人提出的新的受自然啟發的優化算法。該算法模擬了座頭鯨的社會行為，突出特點是采用隨機或最佳搜索代理來模擬座頭鯨特殊的捕獵行為，并引入了氣泡網狩獵策略。

鯨魚優化算法的大致流程：首先，隨機初始化一組解，搜索代理根據目前為止隨機選擇的搜索代理的最優解更新位置，將a 的參數由2迭代地降到0，從而由探索到利用，當|A|＞1 時選擇隨機搜索代理，當|A|＜1 時選擇最優解更新搜索代理位置。然后，根據p 的值，在圓或者螺旋軌跡中隨機選擇。最后，滿足終止條件退出算法。

鯨魚優化算法改進算法有兩類：第一類為改進算法機制，如改進的鯨魚優化算法[41]（Improved Whale Optimization Algorithm，IWOA）通過準反向學習方法來初始化種群，提高了種群的多樣性；改進的鯨魚優化算法（Modified Whale Optimization Algorithm，MWOA）[42]在鯨魚搜索圍捕獵物階段，引入線性收斂因子，增強了全局搜索能力。第二類為設計混合算法，如針對鯨魚優化算法存在收斂精度低和收斂速度慢的問題，提出基于混沌權重和精英引導的先進鯨魚優化算法（Advanced Whale Optimization Algorithm，AWOA）[43]，引入精英個體引導機制和在算法后期引入混沌動態權重因子。

鯨魚優化算法的應用有：Aziz等人[44]提出鯨魚優化算法和飛蛾火焰優化算法相結合用于確定圖像分割的多級閾值中；Wang 等人[45]提出一種基于粗糙集的改進鯨魚算法用于特征選擇中。

2.5 蝗蟲優化算法

蝗蟲優化算法[46]是2017 年由Saremi 等人提出的一種新型群智能優化算法，該算法源自于大自然中蝗蟲群體的捕食行為的模擬。

蝗蟲優化算法的大致流程：首先，需要初始化蝗蟲的位置、參數和迭代的最大次數，然后計算出每個蝗蟲的適應度值，找出其中最好的適應度值并保存相應的蝗蟲到；其次，將參數c 和蝗蟲位置循環更新并計算每個蝗蟲的適應度值，保存每次迭代最好的適應度值并更新；最后，判斷迭代次數是否達到條件，若是則退出循環并返回全局最優解。

蝗蟲優化算法改進算法有兩類：第一類是多種群策略，如基于多策略融合的混合多目標蝗蟲優化算法[47]（Hybrid Multi-Objective Grasshopper Optimization Algorithm，HMOGOA），利用Halton序列建立初始種群，提高了種群的多樣性。第二類是改進算法機制，基于Levy飛行的改進蝗蟲優化算法[48]（Improved Grasshopper Optimization Algorithm Based on Levy Flight，LBGOA）引入基于Levy 飛行的局部搜索機制來增強算法的隨機性，并引入隨機跳出策略來避免陷入局部最優；針對蝗蟲優化算法收斂速度慢、易陷入局部最優等問題，提出一種基于非線性權重和柯西變異的蝗蟲優化算法（Grasshopper Optimization Algorithm with Nonlinear Weight and Cauchy Mutation，CWG-GOA）[49]，使用佳點集初始化種群，均勻種群分布，然后將線性權重改進為非線性權重，同時對最優個體采用柯西變異，增加跳出局部最優能力。

蝗蟲優化算法的應用有：Xin 等[50]提出基于蝗蟲優化算法的自適應參數來分析旋轉機械振動信號；Ewees等人[51]提出基于精英反向學習的蝗蟲優化算法用于求優化函數；Aljarah等人[52]提出了利用蝗蟲優化算法同時進行特征選擇和支持向量機優化。

2.6 麻雀搜索算法

麻雀搜索算法[53]是2020年由Xue和Shen提出的一種最新的群體優化算法，主要依據的是麻雀的覓食行為和反捕食行為。

麻雀搜索算法的大致流程：首先，初始化麻雀種群數并定義它的相關參數值，輸出當前麻雀的全局最優位置和全局最優適應度值，當前迭代次數小于最大迭代次數時，對適應度值進行排序，找出當前最好和最差的個體。根據覓食規則，發現者進行位置的更新。加入者則通過圍繞在發現者周圍獲取食物或者從發現者的食物中獲取食物，也可以通過爭奪獲取食物，并更新其位置。當群體的一些麻雀感知到危險后，也會進行相應位置的更新。

2.7 各算法性能特點比較

蝙蝠算法、灰狼優化算法、鯨魚優化算法這三種算法參數較少，算法的準確性和計算效率較高。蝙蝠算法的參數α 和γ 影響著算法的性能，α 和γ 的取值大小可有效地改善算法收斂速度和搜索精度。灰狼優化算法只有兩個主要參數需要調整(a和C)，其中存在能夠自適應調整的收斂因子以及信息反饋機制，能夠在局部尋優與全局搜索之間實現平衡，因此在對問題的求解精度和收斂速度方面都有良好的性能。鯨魚優化算法參數a 控制了算法的收斂性，由于a 由2 遞減到0，使算法的搜索范圍越來越小，從而加速了算法的收斂。

蝙蝠算法、灰狼優化算法、蝗蟲優化算法的尋優性能主要取決于個體之間的互相作用和影響。蝙蝠算法是依靠蝙蝠個體之間的相互協作、相互影響；灰狼優化算法狼群主要依據與α、β 和δ 的距離來判斷與獵物之間的距離；蝗蟲優化算法是根據蝗蟲的當前位置，在所有其他蝗蟲的作用下，朝向全局最優的位置前進。這種算法性質限制了其很難在局部最優解鄰域附近找到全局最優解，種群內部的個體沒有變異機制，一旦搜索到局部最優值將會陷入其中，并影響其他個體向其靠攏，造成算法早熟收斂，同時也會令種群的多樣性大大降低，導致全局極值收斂性差。

蜻蜓算法、鯨魚優化算法、麻雀搜索算法將群體行為的所有可能因素都考慮在內，使其能夠快速地在最優值附近收斂，具有良好的全局尋優能力和穩定性。但是蜻蜓算法收斂速度慢，原因是在蜻蜓算法演化的過程中，沒有保留歷史較優的個體作為下一次迭代的參考值，僅僅只是依賴五種主要行為和步長進行位置更新，迫使演化過程需要經過更多次迭代才能收斂到某個解，減緩了蜻蜓算法收斂速度。

3 實驗與性能分析

3.1 實驗環境及參數設置

為了對以上六種群智能優化算法進行比較，本文使用22 個優化文獻中[54-56]的標準基準測試函數進行比較實驗，這些函數模擬了實際搜索空間的不同困難。函數的詳細信息見表1、表2 和表3。表1 為單模態測試函數，表2為多模態測試函數，表3為固定維數的多模態基準函數。為了更有說服力，在所有的情況下，對每個測試函數進行30次獨立實驗，最大迭代次數為1 000，種群大小設置為100。各種算法具體所選取的參數均為原始論文所選參數，如表4所示。

表1 單模態測試函數

表2 多模態測試函數

表3 固定維數的多模態基準函數

所有實驗的集成開發環境為Matlab_R2017b。操作系統為macOS10.15.4。

3.2 實驗結果及分析

首先，分別測試單模態、多模態測試函數上六種算法的收斂速度。圖2 為在單模態基準函數上的實驗結果，由于是單峰的，只有一個全局最優值，可以評估所研究算法的開發能力。這些算法在優化測試函數時主要表現出三種不同的收斂行為：第一種行為是，收斂速度隨著迭代次數的增加而加快，這種行為在麻雀搜索算法F1、F2、F3、F4和灰狼優化算法F1、F2中表現明顯，這是由于算法提出的自適應機制幫助在迭代的初始步驟中，尋找搜索空間有希望的區域并更快地收斂到最優；第二種行為是，只有在最后的迭代中才收斂到最優，這種行為在麻雀搜索算法F6，蝗蟲優化算法F5、F6、F7中表現明顯，這是因為在迭代的初始階段并沒有找到一個好的探測方案，所以算法不斷探測搜索空間，尋找好的解決方案向它們收斂；最后一種是迭代初始時就快速收斂，在灰狼優化算法F1、F4、F5、F6、F7，鯨魚優化算法F5、F7和麻雀優化算法F5、F7表現比較明顯。

圖3 為多模態測試函數上的結果。多模態函數包含很多局部最優解，這些局部最優解的數量隨著問題的大小成指數式增長，比較適合評估算法的探測能力。可以看出，F9的麻雀搜索算法、鯨魚優化算法和灰狼優化算法，以及F11的麻雀搜索算法、鯨魚優化算法在優化測試函數中表現出第一種收斂行為；F8的蝙蝠算法、麻雀搜索算法、鯨魚優化算法，F10、F12、F13的麻雀搜索算法、灰狼優化算法、鯨魚優化算法，以及F11的灰狼優化算法明顯表現出第三種收斂行為。

表4 算法控制參數的初始值

蝙蝠算法、蜻蜓算法、蝗蟲優化算法在處理單模態測試函數和多模態測試函數時都會存在一定程度的早熟收斂，解的精度也不高。灰狼優化算法、鯨魚優化算法在處理單模態測試函數時會存在早熟收斂，灰狼優化算法在處理多模態測試函數F8、F9、F10，鯨魚優化算法在處理多模態測試函數F9、F10、F11時，性能表現較好，說明這兩種算法全局搜索能力較好。麻雀搜索算法處理單模態測試函數時，性能表現優越，其最優解和平均解都比其余五種算法要高，且后期收斂速度加快，因單模態測試函數在搜索區間只有一個最值，它能體現算法局部開發和收斂的能力，在處理多模態測試函數時，其收斂速度也遠高于其他算法，所以麻雀搜索算法相比其他算法更具有高性能的全局搜索能力，它能發現搜索空間中更有意義的區域。

圖2 六種算法在單模態測試函數上的收斂特性

圖3 六種算法在多模態測試函數上的收斂特性

從圖2和圖3可以看出蝙蝠算法的收斂曲線處于停滯，基本停止尋優且無法跳出局部極值，跳出極值的能力差。這是因為蝙蝠算法的搜索算子具有很強的隨機性，新解的位置大幅偏離全局最優，從而使新解的適應值較差，開發中對最優值的擾動越來越小，很容易產生聚集現象而陷入局部極值[57]。當蝙蝠受到某部分最優解的約束后會暴露它缺乏個體變異機制，而且超級蝙蝠很有可能吸引其他蝙蝠快速向其聚集，從而導致種群多樣性顯著下降[58]。從圖3可以看到灰狼優化算法在迭代600次之后收斂速度會變慢。這是因為在迭代初始階段存在突變，并且隨著迭代的進行，突變逐漸減小，這種行為可以保證最終收斂到搜索空間中的一個點[59]。灰狼優化算法的收斂曲線在迭代600次之前收斂速度較快，跳出極值的能力較好。這是因為該算法中有一個表示狼所在位置對獵物影響的隨機權重C，這有助于算法更隨機地表現并支持探索，同時可在優化過程中避免陷入局部最優，C 是[0，2]之間的隨機值，C 的隨機性使算法可以跳出局部極值[60]。灰狼優化算法是智能算法中唯一基于種群等級制度的算法，盡管提出時間比蜻蜓算法和蝗蟲算法都要早，但是該算法模型簡單，在開發和探測這兩個階段有較強的平衡性，而灰狼的社會等級制度可以使算法在迭代過程中保存迄今為止獲得的最佳解決方案，收斂效果要優于蜻蜓算法和蝗蟲優化算法，但是由于狼群主要依據α、β 和δ 狼的距離來判斷與獵物之間的距離，導致后期的收斂速度變慢。個體分布的離散程度，通常來說，蜻蜓個體之間分布得越分散，蜻蜓群體的多樣性就越高。反之，蜻蜓個體分布越聚集，蜻蜓群體的多樣性就越低。在演化過程中，倘若產生雷同的蜻蜓個體，使用隨機算子去形成合理的新個體并以此取代雷同的蜻蜓個體。組合策略能有效提高蜻蜓群體的多樣性，因為組合策略中計算了擾動向量，使每代優秀蜻蜓個體的位置發生擾動，同時也增強了跳出局部最優解的能力。為了保證蜻蜓算法的收斂性，避免過早收斂，采用多精英位置組合策略，使優秀的蜻蜓個體不會在原地停留，而是不斷擾動位置使其繼續尋優。鯨魚優化算法收斂性很強，在第35代左右就已經完全收斂，算法局部搜索能力較強，因為算法的收斂性是由參數a 控制的，由于原始論文使a 從2遞減到0，算法的搜索范圍越來越小，從而加速了算法的收斂。但鯨魚優化算法并沒有跳出局部最優的操作，若快速收斂，則很可能陷入局部最優。隨著算法的迭代進化，鯨魚將逐漸向適應度較優的個體聚集，從而使得種群分布收縮，多樣性減小，導致算法很容易陷入局部最優。鯨魚優化算法運行過程中，種群多樣性會逐漸降低，種群個體將聚集在搜索空間的一個或幾個特定位置，使得算法可能出現早熟收斂現象[61]。蝗蟲優化算法的收斂曲線處于停滯，基本停止尋優且無法跳出局部極值，跳出極值的能力差，參數C 采用的是自適應減小策略，但在算法初期減小過快會使算法前期勘探不足，導致算法不能搜索到全局最優，在算法后期減小太慢使算法后期開發不足，導致算法不能跳出局部最優[62]。蝗蟲優化算法對搜索個體進行位置更新時，搜索個體的位置更新不僅受到當前位置、目標位置的影響，而且受其他搜索個體位置的影響。在給定初始種群后，搜索個體會向目標位置收斂，且在收斂過程中根據交互力的影響不斷進行位置的調整，并最終使得蝗群較為均勻地分布在目標位置附近。這種與其他搜索個體的獨特交互方式，是其有別于其他算法的顯著特征，可以使算法具備較好的局部開發能力。但是，這一顯著特征也導致了基本蝗蟲優化算法種群多樣性下降快、全局搜索能力不足的缺陷，進而導致算法陷入局部最優，收斂精度不足。因此，有必要引入能夠增強其全局尋優能力及種群多樣性的方法進行改進，以克服算法容易陷入局部最優的缺陷[63]。麻雀搜索算法局部搜索能力極強，收斂速度很快，但各個麻雀收斂于當前最優解的方式是直接跳躍到當前最優解附近，而不是像粒子群優化算法那樣向最優解移動，這種機制導致了麻雀搜索算法容易陷入局部最優，且全局搜索能力較差。

為了更全面地比較各種算法的性能，計算了這六種算法在所有函數上30次獨立運行后的均值、標準差、最優值、最差值，實驗結果如表5 和表6 所示。其中std 列表示標準差，opt列表示最優值，所有算法在每個測試函數上獲得的結果中最好的加粗顯示。在相同的標準測試函數下，均值代表算法的收斂精度，標準差代表算法的穩定性，顯然，均值和標準差越小，算法避免局部解和確定全局最優解的能力就越強。從表5可以看到，在單模態和雙模態測試函數上麻雀搜索算法在12個測試函數上能夠成功地找到一個優秀的解，其中在6個函數上獲得了全局最優值，而灰狼優化算法、鯨魚優化算法、蜻蜓算法、蝙蝠算法和蝗蟲優化算法成功找到一個優秀的解（全局最優值）的函數個數分別為10（2）、11（2）、9（1）、5（0）、9（0）。在多模態測試函數上，麻雀搜索算法在9個測試函數上都成功地找到一個優秀的解，其中在3個函數上獲得了全局最優值，而蜻蜓算法、鯨魚優化算法和蝗蟲優化算法在8 個函數上獲得一個優秀的解，在3個函數上獲得了全局最優值。灰狼優化算法在8 個函數上獲得一個優秀的解，其中在2個函數上獲得了全局最優值。但蝙蝠算法僅在5 個函數上獲得一個優秀的解，其中在1個函數上獲得了全局最優值。這說明麻雀搜索算法比其他五種算法有良好的全局搜索能力，次之是鯨魚優化算法和灰狼優化算法。從表6可以看出，麻雀搜索算法在20 個測試函數上獲得了最小的均值，收斂精度性能好，在19 個測試函數上獲得了最小的標準差，說明可以穩定地聚集在全局最優點附近。而灰狼優化算法、鯨魚優化算法、蜻蜓算法、蝙蝠算法和蝗蟲優化算法獲得最小均值（標準差）的測試函數個數分別為3（1）、1（3）、2（2）、2（0）、4（1）。這說明麻雀搜索算法的穩定性和收斂精度遠領先于其他五種算法，各個算法定性分析結果如表7所示。

表5 六種算法最優值與最差值實驗結果比較

表6 六種算法平均值與標準差實驗結果比較

使用7 個優化文獻中的標準基準測試函數對前五種智能優化算法的改進算法ASF-BA、EGWO、QDEDA、IWOA和CWG-GOA做了比較實驗，計算了這五種算法在部分測試函數上30次獨立運行后的均值、標準差，實驗結果如表8所示。ASF-BA在處理F1～F4和F9～F11時，求解精度略高于BA，在標準差方面，穩定性略有提高。該算法通過分散搜索方式和種群的抽樣分布，改善了搜索過程，通過確定相關閾值和基于黃金分割的生成閾值，提高了算法的有效性。此外，將OBA 與標準BA集成，提高了算法的收斂速度和全局最優解，OBA可以實現顯著的收斂速度和準確性，算法將隨機局部搜索策略替換為超函數模糊搜索策略。這種能量改善了蝙蝠最初的搜尋方法，增強了算法的全局搜索能力，提高了算法穩定性。EGWO 算法在處理F1、F3、F4時，GWO的求解精度高于EGWO，處理F2、F9、F10、F11時，求解精度優于GWO，對函數F2、F9的求解精度優于另外四種對比算法。在標準差方面，處理F1、F2、F3、F4時，GWO比較穩定，對函數F9、F10、F11的穩定性較優，F9、F10達到了最優值0，優于其他四種對比算法。由于非線性收斂因子在迭代前期衰減速率較慢，可擴大搜索范圍，保證種群多樣性以適應于全局搜索，迭代后期衰減速率較快，可提高求解效率以適應于局部精準搜索，改進的灰狼優化在處理多模態測試函數時，具有更高的求解精度和更好的全局尋優性能，但對單模態測試函數效果并不明顯。QDEDA在處理F1～F4和F9～F11時，求解精度明顯優于DA，對函數F1、F3、F10的求解精度優于另外四種對比算法，因為QDEDA融合的差分進化尋優策略，在每次迭代結束后對當前最優解進行一次交叉和變異，隨后進行選擇操作，如果求得適應度更好的解，則替換當前最優解，否則繼續下一次迭代，以此引導蜻蜓優化算法向最優解方向搜索，所以增強了信息交流，提高了原始DA 的收斂速度和收斂精度。在標準差方面，在處理F1～F4和F9～F11時，比DA穩定，魯棒性較強，對F1、F3、F9、F10都達到了最優值0，優于其他四種對比算法。QDEDA 融合的量子行為位置更新機制，既提高了種群多樣性，又避免陷入早熟，始終朝著最優解的方向尋優。IWOA在處理F1～F4和F9～F11時，求解精度明顯優于WOA，因為在算法后期引入混沌動態權重因子，利用其隨機性、遍歷性等優點動態調整慣性權重，使鯨魚個體能在獵物周圍進行更加精細、徹底的搜索，提高了收斂精度。在標準差方面，在處理所有所選測試函數中，都達到了理想最優值0，這是由于AWOA加入了精英個體引導機制，及時引導鯨魚朝獵物位置搜索，增強了算法的全局搜索能力，提高了算法穩定性。CWG-GOA 在處理F1～F4和F9～F11時，求解精度均優于GOA，這是由于算法在迭代中添加柯西變異操作，變異后的蝗蟲可以增加種群多樣性，有助于算法跳出局部最優，尋找到新的最優解，提高了收斂精度。在標準差方面，在處理F1～F4和F9～F11時，因為基本蝗蟲算法采用隨機初始化的方式來生成初始種群，種群初始的優劣會影響到后期算法尋優效率，隨機初始化方式并不能保證初始種群的均勻性和多樣性。由于佳點集取點的偏差小于隨機取點的偏差，采用佳點集來初始化種群保證了初始種群的多樣性，增強了算法的全局搜索能力，提高了算法的穩定性。從表6可以看出，IWOA算法在4個測試函數上獲得了最小的均值，收斂精度性能最好，在7 個測試函數上獲得了最小的標準差，說明可以穩定地聚集在全局最優點附近。QDEDA算法在3個測試函數上獲得了最小的均值，在4個測試函數上獲得了最小的標準差，而EGWO、ASF-BA、CWG-GOA 獲得最小均值（標準差）的測試函數個數分別為2（2）、0（0）、0（0），這說明IWOA 算法相比于其他四種算法的穩定性和收斂精度最好，其次是QDEDA算法。

表7 各種算法性能特點定性分析

表8 五種算法的改進算法在平均值與標準差實驗結果比較

3.3 總結

本文對2010年以來提出的較典型的新型群智能優化算法的相關研究進行了綜述，并對這些算法進行了實驗對比分析。從實驗結果綜合對比來看，2020年提出的麻雀搜索算法各方面的性能都遠超其他五種優化算法，是很有潛力的。其次是2016年的鯨魚優化算法和2014年的灰狼優化算法，性能最差的是蝙蝠算法。

分析可知，群體智能各種算法在結構、研究內容、計算方法等方面都很相似，它們都有相同的理論框架模式，如圖4所示。除此之外，它們還有一些共同點：群個體之間相對獨立；有多個粒子代表每種智能體；個體通過規則進行位置的變化來探索解空間；每個算法都加入隨機數，使勘探更全面。分析六種典型群智能算法可以看出，各種算法之間的最大不同為算法的更新規則，大致分為兩類：一類是根據模擬群居生物的步長進行更新，比如灰狼優化算法、蜻蜓算法、蝗蟲優化算法；另一類是根據各自算法機理設置更新規則進行更新，如蝙蝠算法、鯨魚優化算法和麻雀搜索算法。從這六種群智能算法的對比實驗來看，第二類的效果要優于第一類。

圖4 群體智能優化算法統一框架模式圖

4 群智能優化算法的發展趨勢

群智能優化算法的主要思想是模仿自然界一些生物種群的現象，將各種現象的關鍵指標量化，形成數學模型用于優化。群智能優化的特點是尋找全局最優而非局部最優，它每次的解都不同，時間比較長，在模型很多的情況下，使用群智能優化算法能真正地體現它的優勢。隨著這一領域研究的深入，越來越多的生物種群的特性被抽象出來用于群智能算法中。從實驗中也可以看出，新的算法在算法機制上也趨于完善，算法的性能也更好，但是大多數算法還是會發生早熟現象，即便是優化性能最好的麻雀搜索算法也會陷入局部最優解，未來需要設計出更優性能的群智能算法來避免這一問題。

本文探討了算法的收斂性能，但是對于收斂性和穩定性理論并不完善，還需要更強的數學模型和理論進行支撐[64]。在未來研究中，一方面可以結合多種算法，對其優點進行結合，提出更高效的算法，注重根據各自算法機理設置更新規則；另一方面注重觀察高等生物群體的行為而獲得靈感。

5 結束語

本文討論了2010年以來提出的比較典型的六種群智能算法，并用實驗從收斂速度和精度、穩定性等角度對比了這些算法的優化性能，并總結了群智能優化算法的相同點、不同點和統一框架。發現最新的根據各自算法機理設置更新規則的麻雀搜索算法、鯨魚優化算法的性能較為突出。群智能算法經過近30 年的研究與發展，在理論上已經非常完善，具有魯棒性、自組織性、靈活性等優點，并在近年來被廣泛應用于混沌系統[65]、金融預測、圖像檢索、特征選擇等各個領域。目前的群智能算法處于快速發展時期，新思想也在不斷出現，但大部分的研究還在模擬低等生物種群。群智能優化算法是人工智能研究領域的一個重要分支，未來的群智能算法將在大部分科學和工程領域都有很廣泛的應用前景，是今后計算機研究發展的一個重要方向。