基于反向学习的DE-RSO混合优化算法

鼠群优化算法(Rat Swarm Optimizer, RSO)是一种可以解决全局优化问题的新型仿生优化算法，它的灵感主要来自于自然界种鼠群追逐猎物和与猎物搏斗的行为。然而，它具有收敛速度过慢和收敛精度不高的缺陷，为解决这一问题，本文提出了一种改进的鼠群优化算法——基于反向学习的DE-RSO混合优化算法(Opposition-Based Learning DE-RSO Hybrid Optimizer, OBLDE-RSO)。该算法使用了DE-RSO混合策略和反向学习策略，DE-RSO混合策略可以保持种群多样性并降低算法陷入局部最优的可能性，反向学习策略可以针对性地扩大个体的搜索范围，使个体以更高概率找到潜在的更加理想的求解区域。本文用29个IEEE CEC2017基准测试函数对OBLDE-RSO进行测试，并与其他经典算法的测试结果进行对比，实验结果表明，该算法在收敛精度和收敛速度方面都具有良好的性能。

元启发算法在解决实际优化问题中得到了广泛的应用，它们具有多功能性、有效性和鲁棒性等诸多优良的特点。它们不仅可以用于处理具有连续和可微目标函数和约束的优化问题，还可以用于处理具有连续和离散变量的优化问题[1]。

现在，有许多元启发算法被提出并应用。算法可以被分为四类：基于进化的、基于物理的、基于群智能的和基于人类行为的。

基于进化的算法有：遗传算法(GA) [2]、差分进化算法(DE) [3]和进化策略(ES) [4]等；基于物理的算法有：引力搜索算法(GSA) [5]、人工化学反应优化算法(ACROA) [6]和射线优化算法(RO) [7]等；基于群智能的算法有：粒子群算法(PSO) [8]、灰狼算法(GWO) [9]和狮群算法(LSO) [10]等；基于人类行为的算法有：儿童绘画发展优化算法(CDDO) [11]和头脑风暴算法(BSO) [12]等。

鼠群优化算法(Rat Swarm Optimizer, RSO) [13]是一种由Gaurav Dhiman 等人在2020 年提出的新型的仿生优化算法。RSO 的灵感来自于自然界种鼠群追逐猎物和与猎物搏斗的行为。老鼠具有很丰富的社交智慧，它们通过追逐、跳跃和搏斗等各种行为相互沟通。它们具有很强的领土意识，当它们被侵犯时， 就会变得非常有攻击性。RSO 在数学上模拟了这种行为，并可以有效解决全局优化问题，此外它还具有结构简单和参数较少的优点。由于RSO 的新颖性，关于修改或应用RSO 的文献很少，但是它已经开始被应用到医药领域[14] [15]。

然而，由于模拟鼠群追逐猎物的过程过于随机且不够精确，因此，RSO 具有速度过慢和容易陷入局部最优等缺点。

为了改善RSO 的性能，本文提出了一种基于反向学习的DE-RSO 混合优化算法(Opposition-Based Learning DE-RSO Hybrid Optimizer, OBLDE-RSO)，该算法首先使用一种DE-RSO混合策略，将差分进化算法的变异机制应用到RSO 中，以增加种群的多样性，然后用反向学习策略(Opposition-Based Learning, OBL) [16]，针对性地扩大个体的搜索范围，使个体以更高概率找到潜在的更加理想的求解区域。同时， 为了加速算法收敛， 对RSO 本身的参数进行了调整优化。

为了评估OBLDE-RSO 的性能， 本文使用了IEEE CEC2017 基准测试函数集对算法进行测试。

本文的组织结构安排如下，引言后，第2 节简单介绍了RSO 算法，第3 节阐述了OBLDE-RSO 算法的详细信息，第4 节对算法进行了测试并分析了实验结果，第5 节对全文做了总结。