基于新穎二進制人工蜂群算法求解帶權(quán)集合覆蓋問題

摘 要：帶權(quán)集合覆蓋問題（WSCP）是一個著名的NP-hard問題。為了利用人工蜂群算法（ABC）高效求解帶權(quán)集合覆蓋問題，提出了一個新穎二進制ABC（記作nBABC）。在nBABC中，首先提出了隨機學習和繼承性相結(jié)合的全局進化算子，以提高算法的全局勘探能力。其次，基于動態(tài)調(diào)整策略提出了自適應(yīng)隨機取反算子，以維持勘探與開發(fā)的平衡。在借鑒近似算法的思想提出處理WSCP不可行解的修復(fù)算法WSCP-GRA和優(yōu)化算法WSCP-GOA的基礎(chǔ)上，利用nBABC給出了求解WSCP的一個新方法。為了驗證nBABC求解WSCP的高效性，利用它求解OR-Library中45個WSCP實例，與多個算法的比較表明：nBABC能夠求得所有實例的最優(yōu)值，比已有求解WSCP的算法更具競爭力。

關(guān)鍵詞：演化算法；帶權(quán)集合覆蓋問題；二進制人工蜂群算法；隨機學習機制；修復(fù)與優(yōu)化

中圖分類號：TP301.6 文獻標志碼：A 文章編號：1001-3695（2024）09-022-2722-10

doi：10.19734/j.issn.1001-3695.2024.01.0015

Novel binary artificial bee colony algorithm for solving weighted set covering problem

Sun Feia，He Yichaoa，b，c，Zhang Hansonga，Li Minglianga，c，Wang Linaa，Gao Zexiana

（a.College of Information Technology，b.Hebei Key Laboratory of Optoelectronic Information & Geo-detection Technology，c.Intelligent Sensor Network Engineering Research Center of Hebei Province，Hebei GEO University，Shijiazhuang 050031，China）

Abstract：The weighted set covering problem（WSCP）is a famous NP-hard problem.In order to solve the WSCP efficiently by using artificial bee colony algorithm（ABC），this paper proposed a novel binary ABC（nBABC）.In nBABC，it proposed a global evolution operator which combined random learning and inheritance to improve the global exploration ability of the algorithm.Secondly，based on the dynamic adjustment strategy，it proposed an adaptive random inversion operator to maintain the balance between exploration and development.Based on the idea of approximate algorithm，it proposed the repair algorithm WSCP-GRA and optimization algorithm WSCP-GOA for dealing with the infeasible solution of WSCP，on the basis of which a new method for solving WSCP was given by using nBABC.In order to verify the efficiency of nBABC in solving WSCP，using it to solve 45 WSCP instances in OR-Library.The comparison with several algorithms shows that nBABC can obtain the optimal values of all instances，which is more competitive than the existing algorithms for solving WSCP.

Key words：evolutionary algorithms;weighted set covering problem;binary artificial bee colony algorithm;random learning mechanism;repair and optimization

0 引言

帶權(quán)集合覆蓋問題（weighted set cover problem，WSCP）［1］是一個經(jīng)典的NP-hard問題，也是一個著名的組合優(yōu)化問題，在無線傳感器網(wǎng)絡(luò)、測試集優(yōu)化和故障診斷等［2］領(lǐng)域具有廣泛的應(yīng)用。目前，求解WSCP的算法分為精確算法和非精確算法兩類。精確算法主要包括割平面法、分支限界法、拉格朗日法。由于不存在求解WSCP的多項式時間精確算法，隨著實例規(guī)模的增加，精確算法的耗時極速增長，不適用于求解大規(guī)模WSCP實例。

求解WSCP的非精確算法主要包括近似算法［3～7］和演化算法［8～17］，它們都具有多項式時間復(fù)雜度。近似算法雖然不能保證求得最優(yōu)解，但能夠在較短的時間內(nèi)獲得一個相對滿意的近似解。例如：Peleg等人［3］基于隨機舍入技術(shù)提出了求解WSCP的一個近似算法；Chvatal［4］基于啟發(fā)式貪心策略提出了近似比為ln（m）+1的近似算法（m是WSCP中的元素個數(shù)）；Ohlsson等人［5］基于平均場反饋過程人工神經(jīng)網(wǎng)絡(luò)提出了一種有效近似算法MF，該算法將近似比控制在幾個百分點以內(nèi)；Haddadi［6］基于拉格朗日啟發(fā)式算法提出了一種求解WSCP的近似算法LHSCP；陳端兵等人［7］基于啟發(fā)式貪心算法和隨機跳坑策略，提出了一種求解WSCP的有效近似算法CGRA。雖然近似算法的求解速度很快，但是它們的求解結(jié)果欠佳，不足以滿足實際應(yīng)用的要求。

演化算法具有適應(yīng)性好、魯棒性強和易于實現(xiàn)等優(yōu)勢，利用演化算法求解WSCP已成為研究的熱點。例如，Beasley等人［8］引入了修補算子和貪心策略處理WSCP的不可行解，基于遺傳算法提出了求解WSCP的有效算法（記作BeGA）。BeGA不僅穩(wěn)定性強，而且求解效果很好。陳亮等人［9］基于遺傳算法提出了一個求解WSCP的可行方法，并利用4個WSCP實例驗證了所給方法的可行性。吳志勇等人［10］建立了WSCP的一種數(shù)據(jù)約簡方法，基于二階段遺傳算法提出了求解WSCP的一種有效算法TSGA。Lessing等人［11］基于不同策略提出了多個啟發(fā)式信息更新方式，探討了利用蟻群優(yōu)化（ACO）求解WSCP的可行性。類似地，Ren等人［12］提出了利用ACO求解WSCP的一種可行方法。Crawford等人［13～15］分別探討基于二進制教學優(yōu)化算法、二進制螢火蟲算法和二元入侵雜草優(yōu)化求解WSCP的可行性。Lanza-Gutierrez等人［16］提出了二進制貓群優(yōu)化BCSO，并利用它給出了一個求解WSCP的有效方法。最近，Crawford等人［17］基于二進制猴群搜索提出了求解WSCP的一個新算法IBMSAV，該算法的求解結(jié)果較好。

基于不同的靈感與思想，學者們相繼提出了許多優(yōu)秀的演化算法，例如粒子群優(yōu)化（particle swarm optimization，PSO）［18］、差分演化（differential evolution，DE）［19］和人工蜂群算法（artificial bee colony，ABC）［20］等，并將它們成功應(yīng)用于求解組合優(yōu)化問題。因此，如何利用它們高效地求解WSCP是一個值得探討的問題。其次，如何有效地處理不可行解，是利用演化算法求解WSCP的一個關(guān)鍵問題。然而，目前還缺少普遍且有效地處理WSCP不可行解的方法，這值得研究與探討。為此，本文首先提出了一個新穎二進制ABC（記作nBABC），然后借鑒近似算法的思想，提出處理不可行解的一個修復(fù)算法與一個優(yōu)化算法；在此基礎(chǔ)上，利用nBABC給出了一個求解WSCP的新的高效方法。

1 背景知識

1.1 集合覆蓋問題

WSCP描述為：給定一個含有m個元素的集合U={u1，u2，…，um}和U的子集族S={S1，S2，…，Sn}，∪S=U；每一個Si都具有一個非負權(quán)重ci，滿足SiU且Si≠（i=1，2，…，n）。WSCP的目標是求一個S*S，使得∪S*=U且∑Sj∈S*cj最小。

4 仿真計算與比較

4.1 計算環(huán)境與測試用例

本文所有仿真計算使用的微型計算機為Dell G15筆記本，硬件配置為11th Gen IntelCoreTMi5-11260H CPU-2.61 GHz RAM 16 GB（15.7 GB可用），操作系統(tǒng)為Microsoft Windows 11。所有算法均采用C語言編程實現(xiàn)，編譯環(huán)境為Visual Studio 2019。使用Python語言在Jupyter Notebook（Anaconda）環(huán)境下繪制小提琴圖、折線圖、柱狀圖、收斂曲線圖和Friedman秩和檢驗圖［37］。

仿真計算用例為OR-Library中的45個WSCP實例，它們依照矩陣規(guī)模和density（密度：矩陣中非零元素的百分比）分為7組，詳細信息如表1所示。WSCP實例的命名規(guī)則為：SCPa.b，其中a表示實例集編號，b表示該實例在實例集中的序號。例如，實例SCP5.8表示實例集5中的第8個WSCP實例，它的規(guī)模為m×n=200×2000，density=2%。所有45個實例的具體數(shù)據(jù)可從http：//mscmga.ms.ic.ac.uk/info.html下載。

4.2 nBABC算法參數(shù)

為了確定nBABC的全局進化算子中參數(shù)r的值，利用nBABC獨立求解SCP4.4、SCP5.2、SCP6.3、SCPA.2、SCPB.2、SCPC.3和SCPD.2等實例各10次，根據(jù)計算結(jié)果確定r的合理取值。圖3給出了r取5個代表性值0.1、0.3、0.5、0.7和0.9時，nBABC計算各實例10次所得最好結(jié)果的小提琴圖，從中不難看出，當r取值0.3時，nBABC的求解性能最佳。

用類似上述的方法可以確定nBABC的全局進化算子中參數(shù)rf的最佳取值為0.7；基于動態(tài)調(diào)整策略的自適應(yīng)隨機取反算子中參數(shù)a1=0.1，b1=0.6，a2=0.01，b2=0.6時，nBABC的性能最佳。

綜上，在表2中給出了nBABC的參數(shù)取值，其中N為種群的規(guī)模，MIT為迭代次數(shù)，limit為蜜源轉(zhuǎn)換為偵察蜂的閾值，r和rf為具有隨機學習與繼承的全局進化算子中的參數(shù)，a1、b1、a2、b2為基于動態(tài)調(diào)整策略的自適應(yīng)隨機取反算子中的參數(shù)。

4.3 比較指標

為了闡明nBABC求解WSCP的高效性，首先將它與5個優(yōu)秀的二進制人工蜂群算法NBABC［30］、BitABC［32］、IbinABC［33］、KBABC［34］和HBABC［35］求解45個WSCP實例的結(jié)果進行比較。其他5個二進制人工蜂群算法與nBABC一樣，均使用WSCP-GRA和WSCP-GOA處理WSCP的不可行解。其次，將nBABC與7個求解WSCP的先進算法MF［5］、LHSCP［6］、CGRA［7］、BeGA［8］、TSGA［10］、BCSO［16］、IBMSAV［17］的求解結(jié)果進行比較。

表3給出了所有13個算法的參數(shù)設(shè)置，其中N為種群規(guī)模，MIT為迭代次數(shù)，RT為每個算法獨立計算各實例的次數(shù)。由于MF、LHSCP、CGRA是近似算法，不涉及參數(shù)N與MIT，這3個算法的N、MIT指標用“—”標出。各算法的參數(shù)含義請參見文獻［5～8，10，16，17，30，32～35］，不再贅述。

4.4 與其他二進制人工蜂群算法的比較

表4給出了nBABC與NBABC、BitABC、IbinABC、KBABC、HBABC求解45個WSCP實例的計算結(jié)果，其中Opt是實例的最優(yōu)值，Best為各算法在10次計算中求得各實例的最好值，Mean是平均值，當Best或Mean等于Opt時加粗表示。

為了比較nBABC與NBABC、BitABC、IbinABC、KBABC、HBABC獲得Best的優(yōu)劣，令#Opt表示上述6種算法求解45個WSCP實例所能獲得Opt的實例個數(shù)。從表5中可以看出：nBABC能求得所有WSCP實例的Opt，是BitABC的1.41倍，是NBABC的2.81倍，是IbinABC的4.10倍，是HBABC的11.25倍，是KBABC的15倍。以上比較結(jié)果說明，nBABC在求得Opt方面比其他的二進制ABC均優(yōu)。

眾所周知，平均性能是衡量演化算法的一個重要指標。因此根據(jù)nBABC與NBABC、BitABC、IbinABC、KBABC、HBABC求得45個WSCP實例的Mean值，在圖4中利用Friedman秩和檢驗［37］進一步比較了四個算法的平均性能。從圖4中可以看出，nBABC的平均性能最佳，其次是BitABC，并且明顯優(yōu)于NBABC、IbinABC、KBABC和HBABC。

在圖5中，給出了nBABC與NBABC、BitABC、IbinABC、KBABC、HBABC求解45個WSCP實例的Std的直方圖。可以看出：nBABC的Std值遠小于NBABC、IbinABC、KBABC和HBABC，略優(yōu)于BitABC。由此說明，nBABC是這6個二進制ABC算法中穩(wěn)定性最佳的。

為了比較nBABC與NBABC、BitABC、IbinABC、KBABC、HBABC的收斂速度，在圖6中給出了它們求解7個隨機選取的WSCP實例SCP4.2、SCP5.9、SCP6.5、SCPA.1、SCPB.4、SCPC.3和SCPD.4的平均收斂曲線。可以看出：nBABC的收斂速度明顯優(yōu)于NBABC、BitABC、IbinABC、KBABC、HBABC，這說明nBABC不僅求解結(jié)果是最好的，而且收斂速度也是最快的。

根據(jù)上述比較可得結(jié)論：在求解WSCP時，nBABC的計算結(jié)果不僅遠優(yōu)于NBABC、BitABC、IbinABC、KBABC、HBABC，而且其穩(wěn)定性、收斂速度也是最佳的。這表明在已有的二進制ABC算法中，nBABC是最適用于求解WSCP的。

4.5 與求解WSCP的先進演化算法的比較

為了闡明nBABC求解WSCP的高效性能，利用nBABC求解45個WSCP實例，并與7個求解WSCP的先進算法MF、LHSCP、CGRA、BeGA、TSGA、BCSO、IBMSAV進行比較。計算結(jié)果如表6所示，由于LHSCP、CGRA和TSGA沒有提供各實例的Mean，這3個算法的Mean指標用“—”標出。

表7統(tǒng)計了上述8個算法求解45個WSCP實例所能獲得Opt的實例個數(shù)。從中可以看出：nBABC能求得所有WSCP實例的Opt，比BeGA和IBMSAV多1個；同時，nBABC求得Opt的實例個數(shù)是CGRA的1.36倍，是TSGA的1.45倍，是LHSCP的1.67倍，是BCSO的9倍，甚至是MF的11.25倍。因此，在求得WSCP實例的最優(yōu)值方面，nBABC是最優(yōu)的。

表8統(tǒng)計了nBABC、MF、BeGA、BCSO、IBMSAV求解45個WSCP實例中Mean等于Opt的個數(shù)。從中可以看出：nBABC求解27個WSCP實例的Mean等于Opt，比BeGA的多1個，是IBMSAV的1.9倍，是MF的27倍。BCSO不能求得任意實例的Opt。這說明nBABC的平均性能也是最佳的。

在圖7中，利用Friedman秩和檢驗［37］對BCSO、MF、BeGA、IBMSAV和nBABC求解45個WSCP實例的平均性能的優(yōu)劣進行了排序比較。從圖7中不難看出：五個算法的平均性能由好到差的順序依次是nBABC>BeGA>IBMSAV>MF>BCSO，這說明nBABC的平均性能是最佳的。

為了量化目標函數(shù)值Mean與Opt的偏差，基于指標RPD=|Mean-Opt|Opt×100%對nBABC、MF、BeGA、BCSO和IBMSAV進行比較。圖8給出了5個算法求解45個WSCP實例的RPD曲線。從中不難看出：nBABC的RPD曲線與BeGA的相差不大，它們都幾乎與X軸重合，明顯好于MF、BCSO和IBMSAV。因此，nBABC的穩(wěn)定性是最佳的。

根據(jù)上述比較可得結(jié)論：對于WSCP，nBABC求得最優(yōu)解的能力、算法的平均性能與穩(wěn)定性比BeGA略優(yōu)，且遠優(yōu)于MF、LHSCP、CGRA、TSGA、BCSO和IBMSAV。因此，nBABC比已有求解WSCP的先進算法更優(yōu)異，是求解WSCP的最具競爭力的算法。

5 結(jié)束語

本文首先提出了具有隨機學習和繼承性相結(jié)合的改進全局進化算子，其次給出了具有動態(tài)調(diào)整策略的自適應(yīng)隨機取反算子，由此提出了一個新的二進制人工蜂群算法nBABC。為了有效處理基于演化算法求解WSCP時所產(chǎn)生的不可行解，提出了修復(fù)算法WSCP-GRA和優(yōu)化算法WSCP-GOA，在此基礎(chǔ)上利用nBABC給出了一個求解WSCP的新方法。通過與5個優(yōu)秀的二進制人工蜂群算法以及7個求解WSCP的先進算法的比較表明：nBABC不僅求得最優(yōu)解的能力最佳，而且平均性能與穩(wěn)定性也是最優(yōu)的。

為了探究nBABC的實用性，今后將探討利用它求解無線傳感器網(wǎng)絡(luò)覆蓋、路徑規(guī)劃和測試集優(yōu)化等工程問題，進一步研究nBABC的進化方程與局部優(yōu)化策略，使其成為一個更高效的離散演化算法。

參考文獻：

［1］Lemke C E，Salkin H M，Spielberg K.Set covering by single-branch enumeration with linear-programming subproblems［J］.Operations Research，1971，19（4）：998-1022.

［2］夏炳森，李翠，林文欽，等.基于相關(guān)矩陣和動態(tài)集合覆蓋的配電網(wǎng)故障診斷方法［J］.重慶郵電大學學報：自然科學版，2022，34（3）：535-542.（Xia Bingsen，Li Cui，Lin Wenqin，et al.Dependency matrix and dynamic set-covering based fault diagnosis method for power distribution networks［J］.Journal of Chongqing University of Posts and Telecommunications：Natural Science Edition，2022，34（3）：535-542.）

［3］Peleg D，Schechtman G，Wool A.Approximating bounded 0-1 integer linear programs［C］//Proc of the 2nd Israel Symposium on Theory and Computing Systems.Washington DC：IEEE Computer Society，1993：69-77.

［4］Chvatal V.A greedy heuristic for the set-covering problem［J］.Mathematics of Operations Research，1979，4（3）：233-235.

［5］Ohlsson M，Peterson C，Sderberg B.An efficient mean field approach to the set covering problem［J］.European Journal of Operational Research，2001，133（3）：583-595.

［6］Haddadi S.Simple Lagrangian heuristic for the set covering problem［J］.European Journal of Operational Research，1997，97（1）：200-204.

［7］陳端兵，黃文奇.一種求解集合覆蓋問題的啟發(fā)式算法［J］.計算機科學，2007，34（4）：133-136.（Chen Duanbing，Huang Wenqi.A heuristic algorithm for set covering problem［J］.Computer Science，2007，34（4）：133-136.）

［8］Beasley J E，Chu P C.A genetic algorithm for the set covering problem［J］.European Journal of Operational Research，1996，94（2）：392-404.

［9］陳亮，任世軍.一種遺傳算法在集合覆蓋問題中的應(yīng)用研究［J］.哈爾濱商業(yè)大學學報：自然科學版，2006，22（2）：67-70.（Chen Liang，Ren Shijun.Study on genetic algorithm application in set cove-ring problem［J］.Journal of Harbin University of Commerce：Na-tural Sciences Edition，2006，22（2）：67-70.）

［10］吳志勇，陳韜，王紅川，等.一個解決集合覆蓋問題的二階段遺傳算法［J］.小型微型計算機系統(tǒng)，2011，32（4）：732-737.（Wu Zhiyong，Chen Tao，Wang Hongchuan，et al.Two-stage genetic algorithm for set covering problem［J］.Journal of Chinese Computer Systems，2011，32（4）：732-737.）

［11］Lessing L，Dumitrescu I，Stutzle T.A comparison between ACO algorithms for the set covering problem［C］//Proc of International Workshop on Ant Colony Optimization and Swarm Intelligence.Berlin：Springer，2004：1-12.

［12］Ren Zhigang，F(xiàn)eng Zuren，Ke Liangjun，et al.New ideas for applying ant colony optimization to the set covering problem［J］.Computers & Industrial Engineering，2010，58（4）：774-784.

［13］Crawford B，Soto R，Aballay F，et al.A teaching-learning-based optimization algorithm for solving set covering problems［C］//Proc of the 15th International Conference on Computational Science and Its Applications.Cham：Springer，2015：421-430.

［14］Crawford B，Soto R，Suárez M O，et al.Binary firefly algorithm for the set covering problem［C］//Proc of the 9th Iberian Conference on Information Systems and Technologies.Piscataway，NJ：IEEE Press，2014：1-5.

［15］Crawford B，Soto R，Legüe I F，et al.A binary invasive weed optimization algorithm for the set covering problem［C］//Proc of the 5th Computer Science On-Line Conference on Artificial Intelligence Perspectives in Intelligent Systems.Cham：Springer，2016：459-468.

［16］Lanza-Gutierrez J M，Crawford B，Soto R，et al.Analyzing the effects of binarization techniques when solving the set covering problem through swarm optimization［J］.Expert Systems with Applications，2017，70：67-82.

［17］Crawford B，Soto R，Olivares R，et al.A binary monkey search algorithm variation for solving the set covering problem［J］.Natural Computing，2020，19（4）：825-841.

［18］Yazdani Delaram，Yazdani Danial，Yazdani Donya，et al.A species-based particle swarm optimization with adaptive population size and deactivation of species for dynamic optimization problems［J］.ACM Trans on Evolutionary Learning and Optimization，2023，3（4）：1-25.

［19］Li Yanchi，Gong Wenyin，Li Shuijia.Evolutionary competitive multitasking optimization via improved adaptive differential evolution［J］.Expert Systems with Applications，2023，217：119550.

［20］Karaboga D，Basturk B.A powerful and efficient algorithm for numerical function optimization：artificial bee colony（ABC）algorithm［J］.Journal of Global Optimization，2007，39：459-471.

［21］Xu Feiyi，Li Haolun，Pun Chiman，et al.A new global best guided artificial bee colony algorithm with application in robot path planning［J］.Applied Soft Computing，2020，88：106037.

［22］Wei Qu，Guo Zhaoxia，Lau H C，et al.An artificial bee colony-based hybrid approach for waste collection problem with midway disposal pattern［J］.Applied Soft Computing，2019，76：629-637.

［23］ztürk，Ahmad R，Akhtar N.Variants of artificial bee colony algorithm and its applications in medical image processing［J］.Applied Soft Computing，2020，97：106799.

［24］可曉東，陶翼飛，羅俊斌，等.反向人工蜂群算法求解混合流水車間調(diào)度問題［J］.計算機應(yīng)用研究，2023，40（4）：1075-1079，1087.（Ke Xiaodong，Tao Yifei，Luo Junbin，et al.Opposite artificial bee colony algorithm for hybrid flow shop scheduling problem［J］.Application Research of Computers，2023，40（4）：1075-1079，1087.）

［25］李瑞，徐華，楊金峰，等.改進近鄰人工蜂群算法求解柔性作業(yè)車間調(diào)度問題［J］.計算機應(yīng)用研究，2024，41（2）：438-443.（Li Rui，Xu Hua，Yang Jinfeng，et al.Improved algorithm of near-neighbor artificial bee colony for flexible Job-Shop scheduling［J］.Application Research of Computers，2024，41（2）：438-443.）

［26］Pampará G，Engelbrecht A P.Binary artificial bee colony optimization［C］//Proc of IEEE Symposium on Swarm Intelligence.Piscataway，NJ：IEEE Press，2011：1-8.

［27］Kiran M S.The continuous artificial bee colony algorithm for binary optimization［J］.Applied Soft Computing，2015，33：15-23.

［28］Hancer E，Xue Bing，Karaboga D，et al.A binary ABC algorithm based on advanced similarity scheme for feature selection［J］.Applied Soft Computing，2015，36：334-348.

［29］Ozturk C，Hancer E，Karaboga D.Dynamic clustering with improved binary artificial bee colony algorithm［J］.Applied Soft Computing，2015，28：69-80.

［30］Jr Santana C J，Macedo M，Siqueira H，et al.A novel binary artificial bee colony algorithm［J］.Future Generation Computer Systems，2019，98：180-196.

［31］Kiran M S，Gündüz M.XOR-based artificial bee colony algorithm for binary optimization［J］.Turkish Journal of Electrical Engineering and Computer Sciences，2013，21（8）：2307-2328.

［32］Jia Dongli，Duan Xintao，Khan M K.Binary artificial bee colony optimization using bitwise operation［J］.Computers & Industrial Engineering，2014，76：360-365.

［33］Durgut R.Improved binary artificial bee colony algorithm［J］.Frontiers of Information Technology & Electronic Engineering，2021，22（8）：1080-1091.

［34］Kiran M S.A binary artificial bee colony algorithm and its performance assessment［J］.Expert Systems with Applications，2021，175：114817.

［35］Hakli H.The optimization of wind turbine placement using a binary artificial bee colony algorithm with multi-dimensional updates［J］.Electric Power Systems Research，2023，216：109094.

［36］柴巖，孫笑笑，任生.融合多向?qū)W習的混沌麻雀搜索算法［J］.計算機工程與應(yīng)用，2023，59（6）：81-91.（Chai Yan，Sun Xiaoxiao，Ren Sheng.Chaotic sparrow search algorithm based on multi-directional learning［J］.Computer Engineering and Applications，2023，59（6）：81-91.）

［37］Derrac J，García S，Molina D，et al.A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms［J］.Swarm and Evolutionary Computation，2011，1（1）：3-18.

收稿日期：2024-01-08

修回日期：2024-03-04

基金項目：河北省自然科學基金資助項目（F2020403013）；河北省高等學校科學技術(shù)研究項目（ZD2021016）；河北省重點研發(fā)計劃資助項目（22375415D）；河北省研究生創(chuàng)新能力培養(yǎng)資助項目（CXZZSS2014109）

作者簡介：孫菲（1998—），女，河北邢臺人，碩士研究生，主要研究方向為演化算法及其應(yīng)用；賀毅朝（1969—），男（通信作者），河北晉州人，教授，碩導(dǎo)，主要研究方向為演化算法、組合優(yōu)化（heyichao@hgu.edu.cn）；張寒崧（1999—），男，河北邯鄲人，碩士研究生，主要研究方向為演化算法與組合優(yōu)化；李明亮（1976—），男，河北井陘人，教授，碩導(dǎo)，博士，主要研究方向為演化算法、物聯(lián)網(wǎng)技術(shù)；王麗娜（1999—），女，河北唐山人，碩士研究生，主要研究方向為演化算法及其應(yīng)用；高澤賢（1997—），女，河北石家莊人，碩士研究生，主要研究方向為演化算法及其應(yīng)用.