2023年CIE SCI1区TOP：序列融合麻雀搜索算法ISSA，深度解析+性能实测

---

1.摘要

麻雀搜索算法（SSA）是一种基于麻雀觅食和防捕行为的群体智能算法。然而，基本SSA在迭代过程中，种群多样性逐渐降低，容易陷入局部最优解。为了解决这一问题，本文提出了五种改进麻雀搜索算法（ISSA 1-5），通过依次融合五种改进策略：改进的正弦映射、精英反向学习、正弦余弦算法、莱维飞行和高斯变异，从而提升SSA的性能。

2.麻雀搜索算法SSA原理

【智能算法】麻雀搜索算法（SSA）原理及实现

3.改进策略

改进正弦映射

实验表明，使用混沌映射进行种群初始化比使用伪随机数更为有效（Yu et al., 2018）。正弦映射具有无限的映射折叠次数，并表现出良好的混沌特性。因此，为了增加初始化的随机性并避免在后期迭代中种群多样性降低，本文提出了一种改进正弦混沌映射：
$$s_{j+1}=\left|\begin{array}{c}\sin (\mu \pi s_j)\end{array}\right|,\mu \in R$$

精英反向学习

精英反向学习（EOBL）利用精英个体在当前种群的基础上构建反向种群，并在当前种群和反向种群中选择较优的个体作为初始种群：
$$X_i^{E\ast }=k({\alpha }_i+{\beta }_i)-X_i^E$$

正弦余弦算法

本文将正弦余弦算法（SCA）的思想融入到生产者位置更新公式中，利用正弦余弦函数的振荡特性来保证生产者的搜索空间：
$$X_{i,j}^{t+1}=\{\begin{array}{ll}{X}_{i,j}^t+r_1\cdot \sin (r_2)\cdot |r_3\cdot X_{best}^t-X_{i,j}^t|& \text{if }{R}_2<ST\\ X_{i,j}^t+r_1\cdot \cos (r_2)\cdot |r_3\cdot X_{best}^t-X_{i,j}^t|& \text{if }{R}_2\ge ST\end{array}$$

流程图

3.结果展示

4.参考文献

[1] Li J, Chen J, Shi J. Evaluation of new sparrow search algorithms with sequential fusion of improvement strategies[J]. Computers & Industrial Engineering, 2023, 182: 109425.

5.代码获取