邻域搜索和改进莱维因子的人工蜂鸟优化算法

针对人工蜂鸟算法(AHA)寻优精度较低、易陷入局部最优等问题，提出新的基于自适应距离围猎和改进莱维因子的人工蜂鸟优化算法(ALAHA)。首先，在AHA引导觅食、领地觅食阶段引入改进的莱维飞行作为自适应权重因子调节搜索步长，提高种群全局搜索能力；然后，根据种群收敛情况，在蜂鸟个体周围进行自适应距离围猎搜索，提高算法搜索精度。本文选取了23个基准测试函数对算法进行了实验，并与其他算法进行了比较，以不同角度对于算法的性能进行测试，并使用Wilcoxon秩和检验来证明算法的性能，结果表明了ALAHA算法改进在寻优能力、稳定性和鲁棒性等方面有所提升。

面对过往几十年不断复杂的优化问题，学者们逐渐发展出了多样化的优化方法。当前优化算法主要是基于自然界存在的自然现象，通过观察从中获取不同的灵感，主要包括生物进化、生物的群居行为、物理或化学现象，以及与人类相关的行为和意识形态。其中具有代表性的主要有遗传算法(GA) [1]、粒子群算法(PSO) [2]、蚁群算法(ACO) [3]、莱维飞行算法(LFD) [4]。随着学者对优化算法的不断研究，一些新的备受关注的算法不断被开发，例如鲸鱼优化算法(WOA) [5]、灰狼优化算法(GWO) [6]、樽海鞘群算法(SSA) [7]、哈里斯鹰优化算法(HHO) [8]基于教学的优化算法(TLBO) [9]、黏菌算法(SMA) [10]、蝠鲼觅食优化算法(MRFO) [11]、平衡优化器(EO) [12]等。在各种智能计算问题上，群智能算法具有算法结构简单、收敛速度快、全局收敛性好等优点，这些新的智能算法的改进版本被开发用于解决各种工程问题。

但是，在求解单目标模型上，智能算法改进仍然面临保持多样性和提高收敛精度的矛盾。一方面，智能算法需要尽可能遍历整个搜索空间来寻找全局最优解；另一方面，优化问题基本存在一定的搜索精度需求，需要智能算法在计算时提高最优解的收敛性能。

赵卫国等人在2021 年提出了一种新型智能优化算法人工蜂鸟算法[13] (AHA)，较好的平衡算法全局搜索能力和搜索精度，该算法通过引导觅食、领地觅食和迁徙觅食三种觅食策略来引导算法迭代，相较于其他算法和人工蜂群算法，其不同在于提出了访问表策略，该策略较好得平衡了全局搜索能力和搜索精度。AHA 与其他群智能优化算法相比具有参数少，寻优能力强等优点，因此各种人工蜂鸟改进算法也已被广泛应用于各类工程应用领域，例如汽车电池[14]、无人机定位[15]、光伏领域[16]和医学图像分类[17]等。然而，AHA 同样存在着收敛速度较慢，易陷入局部极小值的问题，Yildiz, BS [18]通过将人工蜂鸟算法和模拟退火问题相结合，提出了混合元启发算法AHA；赵卫国[19]采用外部存档来保存帕累托最优解，并开发了一种基于动态消除的拥挤距离(DECD)方法，开发了一种多目标AHA，提高了算法的收敛性；Ali, MAS [20]使用随机基于对立的学习(ROBL)和基于对立的学习(OBL)来增强利用阶段，防止局部最优并加速收敛，并运用到基于特征选择的废物分类问题。

全局搜索能力和搜索精度是相互制约的，提高搜索精度的同时很可能会降低全局搜索能力，反之亦然，所以，如果过于重视算法的搜索精度，这会使算法充分达到当前区域最优值，但是容易陷入局部最优解。反之算法如果过于重视算法的全局搜索能力，这能让算法找到最优解所在的区域，但是不能保证