自适应可调节边界的蚁狮优化算法

针对蚁狮算法存在的收敛速度较慢、寻优精度较低和无法很好地摆脱局部最优解等缺陷，提出一种自适应可调节边界的蚁狮优化算法(ABALO)。首先，利用Bernouilli shift混沌映射初始化种群，增强种群的多样性与稳定性；其次，引入比例参数改进蚁狮为捕获蚂蚁而设置的陷阱大小收缩规律，提升算法的收敛速度；再次，引入莱维飞行策略，对位置更新进行变异操作，并采用贪心思想，仅保留位置变动后适应度有改进的解，帮助算法摆脱局部最优解；最后，利用动态系数改变位置更新的权重，促使算法前期着重探索局部最优解，后期重点挖掘全局最优解，进而提升算法的寻优精度。经9个基准测试函数仿真测试验证，提出的ABALO算法在收敛速度和寻优精度均有较明显的提升，寻优性能良好。