超过500个元启发式方法汇总

最近发现一个超级元启发式算法汇总论文，包含超过500个启发式算法，分享给大家，

Performance assessment and exhaustive listing of 500+ nature inspired metaheuristic algorithm，

• DOI: 10.48550/arXiv.2212.09479

【International Journal of Complexity in Applied Science and Technology，
投稿网址:https://www.inderscience.com/jhome.php?jcode=ijcast,
发表论文不收取任何费用，论文平均审稿35天内即可录用】

Online List of Metaheuristics Algorithms

[1]  (EP) L.J. Fogel, A.J.  Owens, M.J. Walsh, Intelligent decision making through  a  simulation  of evolution, Behav. Sci. 11 (1966) 253–272.

[2] (ES) I. Rechenberg, Cybernetic solution path of an experimental problem, R. Aircr. Establ. Libr. Transl. 1122. (1965).

[3] (GA) J.H. Holland, Adaptation in natural and artificial systems, univ. of mich. press, Ann Arbor. (1975).1

[4]  (SSA) F. Glover, Heuristics for integer programming using  surrogate constraints, Decis.  Sci.  8 (1977) 156–166.

[5] (GP) J.R. KOZA, Genetic programming: on the programming of computers machinc learning’, (1989).

[6]  (SA)  S.  Kirkpatrick,  C.D.  Gelatt,  M.P.  Vecchi,  Optimization  by  simulated  annealing,  Science

(80-. ). 220 (1983) 671–680.

[7] (TS) F. Glover, Future paths for integer programming and links to artificial intelligence, Comput. Oper. Res. 13 (1986) 533–549.

[8]  (SSN) J.M. Bishop,  Stochastic  searching networks,  in:  1989  First  IEE Int. Conf. Artif. Neural Networks,(Conf. Publ. No. 313), IET, 1989: pp. 329–331.

[9] (MA) P. Moscato, On evolution, search, optimization, genetic algorithms and martial arts: Towards memetic algorithms, Caltech Concurr. Comput. Program, C3P Rep. 826 (1989) 1989.

[10]  (ACO)  M.  Dorigo,  Optimization,  learning  and  natural  algorithms,  Ph.  D.  Thesis,  Politec.  Di Milano. (1992).

[11] (SCE) Q.Y. Duan, V.K. Gupta, S. Sorooshian, Shuffled complex evolution approach for effective and efficient global minimization, J. Optim. Theory Appl. 76 (1993) 501–521.

[12]   (GDA)   G.   Dueck,   New   optimization   heuristics:   The   great   deluge   algorithm   and   the record-to-record travel, J. Comput. Phys. 104 (1993) 86–92.

[13] (CA) R.G. Reynolds, An introduction to cultural algorithms, in: Proc. Third Annu. Conf. Evol. Program., World Scientific, 1994: pp. 131–139.

[14]  (DE)  R.   Storn,  K.  Price,  Differential  evolution–a  simple  and  efficient  heuristic  for  global optimization over continuous spaces, J. Glob. Optim. 11 (1997) 341–359.

[15] (PSO) R. Eberhart, J. Kennedy, A new optimizer using particle swarm theory, in: MHS’95. Proc. Sixth Int. Symp. Micro Mach. Hum. Sci., Ieee, 1995: pp. 39–43.

[16]  (OBA)  T.C.  Hu,  A.B.  Kahng,  C.-W.A.  Tsao,  Old  bachelor  acceptance:  A  new   class  of

non-monotone threshold accepting methods, ORSA J. Comput. 7 (1995) 417–425.

[17] (BEA) C. Numaoka, Bacterial evolution algorithm for rapid adaptation, in: Eur. Work. Model. Auton. Agents a Multi-Agent World, Springer, 1996: pp. 139–148.

[18] (VND) N. Mladenović, P. Hansen, Variable neighborhood search, Comput. Oper. Res. 24 (1997) 1097–1100.

[19] (BSI) T. Sato, M. Hagiwara, Bee system: finding solution by a concentrated search, IEEJ Trans. Electron. Inf. Syst. 118 (1998) 721–726.

[20] (PLA) H. Murase, A. Wadano, Photosynthetic algorithm for machine learning and TSP, IFAC Proc. Vol. 31 (1998) 19–24.

[21] (COA) B.L.I.W. JIANG, Optimizing complex functions by chaos search, Cybern. Syst. 29 (1998) 409–419.

[22] (SFHD) K. Nara, T. Takeyama, H. Kim, A new evolutionary algorithm based on sheep flocks  heredity model and its application to scheduling problem, in: IEEE SMC’99 Conf. Proceedings.

1999 IEEE Int. Conf. Syst. Man, Cybern. (Cat. No. 99CH37028), IEEE, 1999: pp. 503–508.

[23]  (EO)  S.  Boettcher,  A.G.  Percus,  Extremal  optimization:  Methods  derived  from  co-evolution, ArXiv Prepr. Math/9904056. (1999).

[24] (GCA) S. Kundu, Gravitational clustering: a new approach based on the spatial distribution of the points, Pattern Recognit. 32 (1999) 1149–1160.

[25]  (CSA)  L.N.  De  Castro,  F.J.  Von  Zuben,  The  clonal   selection  algorithm  with  engineering applications, in: Proc. GECCO, 2000: pp. 36–39.

[26] (HSA) Z.W. Geem, J.H. Kim, G.V. Loganathan, A new heuristic optimization algorithm: harmony search, Simulation. 76 (2001) 60–68.

[27] (GEP) C. Ferreira, Gene expression programming: a new adaptive algorithm for solving problems, ArXiv Prepr. Cs/0102027. (2001).

[28] (MBO) H.A. Abbass, MBO: Marriage in honey bees optimization-A haplometrosis polygynous swarming approach, in: Proc. 2001 Congr. Evol. Comput. (IEEE Cat. No. 01TH8546), IEEE, 2001: pp. 207–214.

[29] (MFA) K.M. Passino, Biomimicry of bacterial foraging for distributed optimization and control, IEEE Control Syst. Mag. 22 (2002) 52–67.

[30] (BCA) S.D. Muller, J. Marchetto, S. Airaghi, P. Kournoutsakos, Optimization based on bacterial chemotaxis, IEEE Trans. Evol. Comput. 6 (2002) 16–29.

[31] (BS2) P. Lucic, D. Teodorovic, Transportation modeling: an artificial life approach, in: 14th IEEE Int. Conf. Tools with Artif. Intell. 2002.(ICTAI 2002). Proceedings., IEEE, 2002: pp. 216–223.

[32]  (POPMUSIC)  É.D.  Taillard,  S.  Voss,  POPMUSIC—Partial  optimization  metaheuristic  under

special  intensification   conditions,   in:  Essays   Surv.  Metaheuristics,   Springer,  2002:  pp. 613–629.

[33]  (SCO)  X.-F.  Xie,  W.-J.  Zhang,  Z.-L.  Yang,  Social  cognitive  optimization  for  nonlinear programming problems, in: Proceedings. Int. Conf. Mach. Learn. Cybern., IEEE, 2002: pp. 779–783.

[34]  (AFSA) X.L. Li, J.X. Qian,  Studies on artificial  fish  swarm  optimization algorithm based on decomposition and coordination techniques, J. Circuits Syst. 1 (2003) 1–6.

[35]  (CMA-ES) N.  Hansen,  S.D.  Müller,  P.  Koumoutsakos,  Reducing the  time  complexity  of the derandomized evolution strategy with covariance matrix adaptation (CMA-ES), Evol. Comput. 11 (2003) 1–18.

[36]  (SC)  T.  Ray,  K.-M.  Liew,  Society  and  civilization:  an  optimization  algorithm  based  on  the simulation of social behavior, IEEE Trans. Evol. Comput. 7 (2003) 386–396.

[37] (AIS) D. Dasgupta, Z. Ji, F. Gonzalez, Artificial immune system (AIS) research in the last five years, in: 2003 Congr. Evol. Comput. 2003. CEC’03., IEEE, 2003: pp. 123–130.

[38] (QBE) S.H. Jung, Queen-bee evolution for genetic algorithms, Electron. Lett. 39 (2003) 575–576.

[39] (EMO) Ş.İ . Birbil, S.-C. Fang, An electromagnetism-like mechanism for global optimization,  J. Glob. Optim. 25 (2003) 263–282.

[40] (BHA) H.F. Wedde, M. Farooq, Y. Zhang, Beehive: An efficient fault-tolerant routing algorithm inspired by honey bee behavior, in: Int. Work. Ant Colony Optim.  Swarm Intell., Springer, 2004: pp. 83–94.

[41] (SOMA) I. Zelinka, SOMA—self-organizing migrating algorithm, in: New Optim. Tech. Eng., Springer, 2004: pp. 167–217.

[42] (ABCA) D. Karaboga, An idea based on honey bee swarm for numerical optimization, Technical report-tr06, Erciyes university, engineering faculty, computer … , 2005.

[43] (BCO) D. Teodorovic, M. Dell’Orco, Bee colony optimization–a cooperative learning approach to complex transportation problems, Adv. OR AI Methods Transp. 51 (2005) 60.

[44] (BSOA) H. Drias, S. Sadeg, S. Yahi, Cooperative bees swarm for solving the maximum weighted satisfiability problem, in: Int. Work. Artif. Neural Networks, Springer, 2005: pp. 318–325.

[45]   (DCA)   J.   Greensmith,   U.   Aickelin,   S.   Cayzer,   Introducing   dendritic   cells   as   a   novel immune-inspired algorithm for anomaly detection, in: Int. Conf. Artif. Immune Syst., Springer, 2005: pp. 153–167.

[46] (BA) D.T. Pham, A. Ghanbarzadeh, E. Koç, S. Otri, S. Rahim, M. Zaidi, The bees algorithm—a novel tool for complex optimisation problems, in: Intell. Prod. Mach. Syst., Elsevier, 2006: pp. 454–459.

[47] (WSO) P. Pinto, T.A. Runkler, J.M.  Sousa, Wasp swarm optimization of logistic systems, in: Adapt. Nat. Comput. Algorithms, Springer, 2005: pp. 264–267.

[48]   (SFLA)   M.   Eusuff,   K.   Lansey,   F.   Pasha,   Shuffled   frog-leaping   algorithm:   a   memetic meta-heuristic for discrete optimization, Eng. Optim. 38 (2006) 129–154.

[49] (BBC) O.K. Erol, I. Eksin, A new optimization method: big bang–big crunch, Adv. Eng. Softw. 37 (2006) 106–111.

[50] (CSO) S.-C. Chu, P.-W. Tsai, J.-S. Pan, Cat swarm optimization, in: Pacific Rim Int. Conf. Artif. Intell., Springer, 2006: pp. 854–858.

[51] (FA) X. Cui, J. Gao, T.E. Potok, A flocking based algorithm for document clustering analysis, J. Syst. Archit. 52 (2006) 505–515.

[52]  (HBMO)  O.B.  Haddad,  A.  Afshar,  M.A.  Marino,  Honey-bees  mating  optimization  (HBMO) algorithm: a new heuristic approach for water resources optimization, Water Resour. Manag. 20 (2006) 661–680.

[53] (SWOA) H. Du, X. Wu, J. Zhuang, Small-world optimization algorithm for function optimization, in: Int. Conf. Nat. Comput., Springer, 2006: pp. 264–273.

[54] (SGUA) A. Karci, B. Alatas, Thinking capability of saplings growing up algorithm, in: Int. Conf.

Intell. Data Eng. Autom. Learn., Springer, 2006: pp. 386–393.

[55] (SOA) C. Dai, Y. Zhu, W. Chen, Seeker optimization algorithm, in: Int. Conf. Comput. Inf. Sci., Springer, 2006: pp. 167–176.

[56] (WCO) A.R. Mehrabian, C. Lucas, A novel numerical optimization algorithm inspired from weed colonization, Ecol. Inform. 1 (2006) 355–366.

[57]  (ICA)  E.  Atashpaz-Gargari,  C.  Lucas,  Imperialist  competitive  algorithm:  An  algorithm  for optimization inspired by imperialistic competition, in: 2007 IEEE Congr. Evol. Comput., 2007: pp. 4661–4667. https://doi.org/10.1109/CEC.2007.4425083.

[58]  (MSA)  A.  Mucherino,  O.   Seref,  Monkey   search:  a  novel  metaheuristic   search  for  global optimization, in: AIP Conf. Proc., American Institute of Physics, 2007: pp. 162–173.

[59] (RFD) P. Rabanal, I. Rodríguez, F. Rubio, Using river formation dynamics to design heuristic

algorithms, in: Int. Conf. Unconv. Comput., Springer, 2007: pp. 163–177.

[60]  (BSA)  W.J.  Tang,  Q.H.  Wu,  J.R.  Saunders,  A  bacterial  swarming  algorithm  for  global optimization, in: 2007 IEEE Congr. Evol. Comput., IEEE, 2007: pp. 1207–1212.

[61] (BF) T.-C. Chen, P.-W. Tsai, S.-C. Chu, J.-S. Pan, A novel optimization approach: bacterial-GA foraging, in: Second Int. Conf. Innov. Comput. Informatio Control (ICICIC 2007), IEEE, 2007: p. 391.

[62]  (POA)  A.  Borji,  A  new  global   optimization  algorithm  inspired  by  parliamentary  political competitions, in: Mex. Int. Conf. Artif. Intell., Springer, 2007: pp. 61–71.

[63] (SA) J.P. Pedroso, Simple metaheuristics using the simplex algorithm for non-linear programming, in: Int. Work. Eng. Stoch. Local Search Algorithms, Springer, 2007: pp. 217–221.

[64]  (GLSA)   S.  Su,  J.  Wang,  W.  Fan,  X.  Yin,  Good  lattice   swarm  algorithm  for  constrained engineering design optimization, in: 2007 Int. Conf. Wirel. Commun. Netw. Mob. Comput., IEEE, 2007: pp. 6421–6424.

[65] (CFO) R.A. Formato, Central force optimization, Prog Electromagn Res. 77 (2007) 425–491.

[66]  (FBSA)  Y.  Chu,  H.  Mi,  H.  Liao,  Z.  Ji,  Q.H.  Wu,  A  fast  bacterial  swarming  algorithm  for high-dimensional  function  optimization,  in:  2008  IEEE  Congr.  Evol.  Comput.  (Ieee World Congr. Comput. Intell., IEEE, 2008: pp. 3135–3140.

[67]  (BBO)  D.  Simon,  Biogeography-based  optimization,  IEEE  Trans.  Evol.  Comput.   12  (2008) 702–713.

[68]  (BS)  E.  Del  Acebo,  J.L.  de-la  Rosa,  Introducing  bar  systems: a  class  of  swarm  intelligence optimization algorithms, in: AISB 2008 Conv. Commun. Interact. Soc. Intell., 2008: p. 18.

[69] (CatfishPSO) L.-Y. Chuang,  S.-W. Tsai, C.-H. Yang, Catfish particle  swarm optimization, in:

2008 IEEE Swarm Intell. Symp., IEEE, 2008: pp. 1–5.

[70] (GTO) J. Wang, D. Wang, Particle swarm optimization with a leader and followers, Prog. Nat. Sci. 18 (2008) 1437–1443.

[71] (HEA) Y.H. Cui, R. Guo, R. V Rao, V.J. Savsani, Harmony element algorithm: A naive initial searching range, in: Int. Conf. Adv. Mech. Eng., 2008: pp. 1–6.

[72] (FSF) C.J.A. Bastos Filho, F.B. de Lima Neto, A.J.C.C. Lins, A.I.S. Nascimento, M.P. Lima, A

novel search algorithm based on fish school behavior, in: 2008 IEEE Int. Conf.  Syst. Man Cybern., IEEE, 2008: pp. 2646–2651.

[73] (RIO) T.C. Havens, C.J.  Spain, N.G.  Salmon, J.M. Keller, Roach infestation optimization, in:

2008 IEEE Swarm Intell. Symp., IEEE, 2008: pp. 1–7.

[74]  (VS)  P.  Cortés,  J.M.  García,  J.  Muñuzuri,  L.  Onieva,  Viral   systems:  A  new  bio-inspired optimisation approach, Comput. Oper. Res. 35 (2008) 2840–2860.

[75] (PGO) W. Cai, W. Yang, X. Chen, A global optimization algorithm based on plant growth theory: plant growth optimization, in: 2008 Int. Conf. Intell. Comput. Technol. Autom., IEEE, 2008: pp. 1194–1199.

[76]  (ABA)  M.A.  Munoz,  J.A.  López,  E.  Caicedo, An  artificial beehive  algorithm  for  continuous optimization, Int. J. Intell. Syst. 24 (2009) 1080–1093.

[77] (APO) L. Xie, J. Zeng, Z. Cui, General framework of artificial physics optimization algorithm, in:

2009 World Congr. Nat. Biol. Inspired Comput., IEEE, 2009: pp. 1321–1326.

[78] (BCiA) S. Häckel, P. Dippold, The bee colony-inspired algorithm (BCiA) a two-stage approach for solving the vehicle routing problem with time windows, in: Proc.  11th Annu. Conf. Genet. Evol. Comput., 2009: pp. 25–32.

[79] (GELS) B. Barzegar, A.M. Rahmani, K. Zamanifar, A. Divsalar, Gravitational emulation local search algorithm for advanced reservation and scheduling in grid computing systems, in: 2009 Fourth Int. Conf. Comput. Sci. Converg. Inf. Technol., IEEE, 2009: pp. 1240–1245.

[80]  (GBO)  S.  He,  Q.H.  Wu,  J.R.  Saunders,  Group  search  optimizer:  an  optimization  algorithm inspired by animal searching behavior, IEEE Trans. Evol. Comput. 13 (2009) 973–990.

[81]  (CS) X.-S. Yang,  S. Deb, Cuckoo  search via Lévy  flights, in: 2009 World Congr. Nat. Biol. Inspired Comput., Ieee, 2009: pp. 210–214.

[82] (GSA) E. Rashedi, H. Nezamabadi-pour, S. Saryazdi, GSA: A Gravitational Search Algorithm, Inf. Sci. (Ny). 179 (2009) 2232–2248. https://doi.org/10.1016/j.ins.2009.03.004.

[83]  (FA)  X.-S.  Yang,  Firefly  algorithms  for  multimodal  optimization,  in:  Int.  Symp.  Stoch. Algorithms, Springer, 2009: pp. 169–178.

[84]  (FCA)  A.  Mutazono,  M.   Sugano,  M.  Murata,  Frog  call-inspired   self-organizing  anti-phase synchronization  for  wireless   sensor  networks,  in:  2009  2nd   Int.  Work.  Nonlinear  Dyn. Synchronization, IEEE, 2009: pp. 81–88.

[85] (GSO) K.N. Krishnanand, D. Ghose, Glowworm swarm optimization for simultaneous capture of multiple local optima of multimodal functions, Swarm Intell. 3 (2009) 87–124.

[86] (LCA) A.H. Kashan, League championship algorithm: a new algorithm for numerical function optimization, in: 2009 Int. Conf. Soft Comput. Pattern Recognit., IEEE, 2009: pp. 43–48.

[87]  (PFA)  U.  Premaratne, J.  Samarabandu,  T.  Sidhu,  A  new  biologically  inspired  optimization algorithm, in: 2009 Int. Conf. Ind. Inf. Syst., IEEE, 2009: pp. 279–284.

[88] (DPO) Y. Shiqin, J. Jianjun, Y. Guangxing, A dolphin partner optimization, in: 2009 WRI Glob. Congr. Intell. Syst., IEEE, 2009: pp. 124–128.

[89] (DS) S. Kadioglu, M. Sellmann, Dialectic search, in: Int. Conf. Princ. Pract. Constraint Program., Springer, 2009: pp. 486–500.

[90] (HIA) L.M. Zhang, C. Dahlmann, Y. Zhang, Humaninspired algorithms for continuous function optimization, in: 2009 IEEE Int. Conf. Intell. Comput. Intell. Syst., IEEE, 2009: pp. 318–321.

[91]  (ASSA)  T. Chen A  simulative  bionic  intelligent  optimization  algorithm:  artificial  searching swarm algorithm and its performance analysis, in: 2009 Int. Jt. Conf. Comput. Sci. Optim., IEEE, 2009: pp. 864–866.

[92] (BBMO) F. Comellas, J. Martinez-Navarro, Bumblebees: a multiagent combinatorial optimization algorithm inspired by social insect behaviour, in: Proc. First ACM/SIGEVO Summit Genet. Evol. Comput., 2009: pp. 811–814.

[93] (GCO) M.A. Eita, M.M. Fahmy, Group counseling optimization: a novel approach, in: Res. Dev. Intell. Syst. XXVI, Springer, 2010: pp. 195–208.

[94] (HSA) R. Oftadeh, M.J. Mahjoob, A new meta-heuristic optimization algorithm: Hunting Search, in: 2009 Fifth Int. Conf. Soft Comput. Comput. with Words Perceptions Syst. Anal. Decis. Control, IEEE, 2009: pp. 1–5.

[95] (LS) S. Chen, Locust Swarms-A new multi-optima search technique, in: 2009 IEEE Congr. Evol. Comput., IEEE, 2009: pp. 1745–1752.

[96] (IWDA) H. Shah-Hosseini, The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm, Int. J. Bio-Inspired Comput. 1 (2009) 71–79.

[97] (WFA) T.T. Hieu, N.K. Ming, A Water Flow Algorithm for Flexible Flow Shop Scheduling with Limited Intermediate Buffers, (2009).

[98]  (ARO) A. Farasat, M.B. Menhaj,  T. Mansouri, M.R.S. Moghadam, ARO: A new model-free optimization  algorithm  inspired  from  asexual  reproduction,  Appl.  Soft  Comput.  10  (2010) 1284-1292.

[99] (BOA) X. Zhang, B. Sun, T. Mei, R. Wang, Postdisaster restoration based on fuzzy preference relation and bean optimization algorithm, in: 2010 IEEE Youth Conf. Information, Comput. Telecommun., IEEE, 2010: pp. 271-274.

[100] (BA) X.S. Yang, A new metaheuristic batinspired algorithm, in: Nat. Inspired Coop. Strateg. Optim. (NICSO 2010), Springer, 2010: pp. 65-74.

[101] (BSO) R. Akbari, A. Mohammadi, K. Ziarati, A novel bee swarm optimization algorithm for numerical   function   optimization,   Commun.   Nonlinear   Sci.   Numer.   Simul.    15   (2010) 3142-3155. https://doi.org/10.1016/j.cnsns.2009.11.003.

[102] (CSS) A. Kaveh, S. Talatahari, A novel heuristic optimization method: charged system search, Acta Mech. 213 (2010) 267-289. https://doi.org/10.1007/s00707-009-0270-4.

[103] (CRO) J. Xu, A.Y.S. Lam, V.O.K. Li, Chemical reaction optimization for the grid scheduling problem, in: 2010 IEEE Int. Conf. Commun., IEEE, 2010: pp. 1-5.

[104]  (GFA) M. Zheng,  G. Liu,  C. Zhou, Y.  Liang, Y. Wang,  Gravitation  field  algorithm  and its application in gene cluster, Algorithms Mol. Biol. 5 (2010) 1-11.

[105] (FA) Y. Tan, Y. Zhu, Fireworks algorithm for optimization, in: Int. Conf. Swarm Intell., Springer, 2010: pp. 355-364.

[106] (ES) X.-S. Yang, S. Deb, Eagle strategy using Lévy walk and firefly algorithms for stochastic optimization,  in:  Nat.  Inspired  Coop.  Strateg.  Optim.  (NICSO  2010),  Springer,  2010:  pp. 101-111.

[107]  (GEA)  A.  Ahrari,  A.A.  Atai,  Grenade  explosion  method—a  novel  tool  for  optimization  of multimodal functions, Appl. Soft Comput. 10 (2010) 1132-1140.

[108] (WDO) Z. Bayraktar, M. Komurcu, D.H. Werner, Wind Driven Optimization (WDO): A novel nature-inspired optimization algorithm and its application to electromagnetics, in: 2010 IEEE Antennas Propag. Soc. Int. Symp., IEEE, 2010: pp. 1-4.

[109] (TCO) R. Hedayatzadeh, F.A. Salmassi, M. Keshtgari, R. Akbari, K. Ziarati, Termite colony optimization: A novel approach for optimizing continuous problems, in: 2010  18th Iran. Conf. Electr. Eng., IEEE, 2010: pp. 553-558.

[110]   (CGS)   S.   Iordache,   Consultant-guided    search:   a   new   metaheuristic   for   combinatorial optimization problems, in: Proc. 12th Annu. Conf. Genet. Evol. Comput., 2010: pp. 225-232.

[111]  (SEOA)  Y.  Xu,  Z.   Cui,   J.  Zeng,   Social  emotional  optimization  algorithm  for  nonlinear constrained optimization problems, in: Int. Conf. Swarm, Evol. Memetic Comput., Springer, 2010: pp. 583-590.

[112]  (HSM)  H.  Chen,  Y.  Zhu,  K.  Hu,  X.  He,  Hierarchical  swarm  model:  a  new  approach  to optimization, Discret. Dyn. Nat. Soc. 2010 (2010).

[113] (RA) A. Sharma, A new optimizing algorithm using reincarnation concept, in: 2010  11th Int. Symp. Comput. Intell. Informatics, IEEE, 2010: pp. 281-288.

[114] (APO) Z. Zhao, Z. Cui, J. Zeng, X. Yue, Artificial plant optimization algorithm for constrained optimization problems, in: 2011 Second Int. Conf. Innov. Bio-Inspired Comput. Appl., IEEE, 2011: pp. 120-123.

[115] (BSO) Y. Shi, Brain storm optimization algorithm, in: Int. Conf. Swarm Intell., Springer , 2011: pp. 303-309.

[116]  (BSOA)  D.R.  de  Oliveira,  R.S.  Parpinelli,  H.S.  Lopes,  Bioluminescent  swarm  optimization

algorithm, in: Evol. Algorithms, IntechOpen, 2011.

[117] (CSO) Z. Chen, A modified cockroach swarm optimization, Energy Procedia. (2011) 4-9.

[118]  (GEB)  H.  Min,  Z.  Wang,  Design  and  analysis  of  group  escape  behavior  for  distributed autonomous  mobile  robots,  in:  2011   IEEE  Int.   Conf.  Robot.  Autom.,  IEEE,  2011:  pp. 6128-6135.

[119]  (GIOA)  A.  Daskin,  S.  Kais,  Group  leaders  optimization  algorithm,  Mol.  Phys.  109  (2011) 761-772.

[120] (TLBO) R. V Rao, V.J. Savsani, D.P. Vakharia, Teaching-learning-based optimization: A novel method  for constrained mechanical  design  optimization problems,  Comput. Des. 43  (2011) 303-315. https://doi.org/https://doi.org/10.1016/j.cad.2010.12.015.

[121]   (COA)  R.  Rajabioun,  Cuckoo  Optimization  Algorithm,  Appl.   Soft   Comput.   11   (2011) 5508-5518. https://doi.org/10.1016/j.asoc.2011.05.008.

[122]  (ACROA) B. Alatas, ACROA:  artificial  chemical reaction  optimization algorithm  for global

optimization, Expert Syst. Appl. 38 (2011) 13170-13180.

[123] (GBSA) H. Shah-Hosseini, Principal components analysis by the galaxy-based search algorithm: a novel metaheuristic for continuous optimisation, Int. J. Comput. Sci. Eng. 6 (2011) 132-140.

[124] (SDIO) K. Tamura, K. Yasuda, Spiral dynamics inspired optimization, J. Adv. Comput. Intell. Intell. Informatics. 15 (2011) 1116-1122.

[125]  (PPA)  A.  Salhi,  E.S.  Fraga,  Nature-inspired   optimisation   approaches  and  the  new  plant propagation algorithm, (2011).

[126] (EIEA) R.S. Parpinelli, H.S. Lopes, An eco-inspired evolutionary algorithm applied to numerical optimization,  in:  2011  Third  World  Congr.  Nat.  Biol.  Inspired  Comput.,  IEEE,  2011:  pp. 466-471.

[127] (GIO) J.J. Flores, R. López, J. Barrera, Gravitational interactions optimization, in: Int. Conf. Learn. Intell. Optim., Springer, 2011: pp. 226-237.

[128] (SCA) M. Taherdangkoo, M. Yazdi, M.H. Bagheri, Stem cells optimization algorithm, in: Int. Conf. Intell. Comput., Springer, 2011: pp. 394-403.

[129] (WFA) T.H. Tran, K.M. Ng, A water-flow algorithm for flexible flow shop scheduling with intermediate buffers, J. Sched. 14 (2011) 483-500.

[130] (ASO) A. Ahmadi-Javid, Anarchic Society Optimization: A human-inspired method, in: 2011 IEEE Congr. Evol. Comput., IEEE, 2011: pp. 2586-2592.

[131] (ATA) T. Chen, Y. Wang, J. Li, Artificial Tribe Algorithm and Its Performance Analysis., J. Softw. 7 (2012) 651-656.

[132] (BI) B. Malakooti, H. Kim, S. Sheikh, Bat intelligence search with application to multi-objective multiprocessor scheduling optimization, Int. J. Adv. Manuf. Technol. 60 (2012) 1071-1086.

[133] (CAB) E. Cuevas, M. Gonzalez, D. Zaldivar, M. Perez-Cisneros, G. García, An algorithm for global  optimization  inspired  by  collective  animal  behavior,  Discret.  Dyn.  Nat.  Soc.  2012 (2012).

[134]  (CMDE)  C. Zhu, J. Ni,  Cloud model-based differential  evolution  algorithm for optimization problems, in: 2012 Sixth Int. Conf. Internet Comput. Sci. Eng., IEEE, 2012: pp. 55-59.

[135] (FPA) X.-S. Yang, Flower pollination algorithm for global optimization, in: Int. Conf. Unconv. Comput. Nat. Comput., Springer, 2012: pp. 240-249.

[136] (FL) A. Bellaachia, A. Bari, Flock by leader: a novel machine learning biologically inspired clustering algorithm, in: Int. Conf. Swarm Intell., Springer, 2012: pp. 117-126.

[137]  (KHA)  A.H.  Gandomi,  A.H.  Alavi,  Krill  herd:  a  new  bio-inspired  optimization  algorithm, Commun. Nonlinear Sci. Numer. Simul. 17 (2012) 4831-4845.

[138] (FFOA) W.-T. Pan, A new fruit fly optimization algorithm: taking the financial distress model as an example, Knowledge-Based Syst. 26 (2012) 69-74.

[139] (WCA) H. Eskandar, A. Sadollah, A. Bahreininejad, M. Hamdi, Water cycle algorithm-A novel metaheuristic optimization method for solving constrained engineering optimization problems, Comput. Struct. 110 (2012) 151-166.

[140] (DSA) P. Civicioglu, Transforming geocentric cartesian coordinates to geodetic coordinates by using differential search algorithm, Comput. Geosci. 46 (2012) 229-247.

[141]  (RO) A. Kaveh, M. Khayatazad, A new meta-heuristic method: Ray  Optimization,  Comput. Struct. 112-113 (2012) 283-294. https://doi.org/10.1016/j.compstruc.2012.09.003.

[142] (MBO) E. Duman, M. Uysal, A.F. Alkaya, Migrating birds optimization: a new metaheuristic approach and its performance on quadratic assignment problem, Inf.  Sci. (Ny). 217  (2012) 65-77.

[143] (WSA) R. Tang, S. Fong, X.-S. Yang, S. Deb, Wolf search algorithm with ephemeral memory, in: Seventh Int. Conf. Digit. Inf. Manag. (ICDIM 2012), IEEE, 2012: pp. 165-172.

[144]  (MBA)  A.  Sadollah,  A.  Bahreininejad,  H.  Eskandar,  M.  Hamdi,  Mine  blast  algorithm  for optimization of truss structures with discrete variables, Comput. Struct. 102 (2012) 49-63.

[145] (EMO) E. Cuevas, D. Oliva, D. Zaldivar, M. Pérez-Cisneros, H. Sossa, Circle detection using electro-magnetism        optimization,        Inf.        Sci.        (Ny).        182        (2012)        40-55. https://doi.org/10.1016/j.ins.2010.12.024.

[146] (BCO) B. Niu, H. Wang, Bacterial colony optimization, Discret. Dyn. Nat. Soc. 2012 (2012).

[147]  (GSR)  A.  Mozaffari, A.  Fathi,  S.  Behzadipour,  The  great  salmon  run:  a  novel bio-inspired algorithm for artificial system design and optimisation, Int. J. Bio-Inspired Comput. 4 (2012) 286-301.

[148] (JTFC) H. Hernández, C. Blum, Distributed graph coloring: an approach based on the calling behavior of Japanese tree frogs, Swarm Intell. 6 (2012) 117-150.

[149]  (CSO) A.  Milani, V.  Santucci,  Community  of scientist  optimization: An  autonomy  oriented approach to distributed optimization, AI Commun. 25 (2012) 157-172.

[150]  (QBSO) J.  Cao, H.  Gao, A  quantum-inspired bacterial  swarming  optimization  algorithm  for discrete optimization problems, in: Int. Conf. Swarm Intell., Springer, 2012: pp. 29-36.

[151] (HH) M. El-Dosuky, A. El-Bassiouny, T. Hamza, M. Rashad, New hoopoe heuristic optimization, ArXiv Prepr. ArXiv1211.6410. (2012).

[152] (IGSA) H. Askari, S.-H. Zahiri, Intelligent gravitational search algorithm for optimum design of fuzzy classifier, in: 2012 2nd Int. EConference Comput. Knowl. Eng., IEEE, 2012: pp. 98-104.

[153] (LPO) B. Wang, X. Jin, B. Cheng, Lion pride optimizer: An optimization algorithm inspired by lion pride behavior, Sci. China Inf. Sci. 55 (2012) 2369-2389.

[154] (MFA) H.T. Nguyen, B. Bhanu, Zombie Survival Optimization: A swarm intelligence algorithm

inspired  by  zombie  foraging,  in:  Proc.  21st  Int.  Conf.  Pattern  Recognit.,  IEEE,  2012:  pp. 987-990.

[155] (APPM) X. Cai, Wireless sensor network coverage problem with artificial photosynthesis and phototropism mechanism, Sens. Lett. 10 (2012) 1653-1658.

[156] (SA) C. Anandaraman, A.V.M. Sankar, R. Natarajan, A new evolutionary algorithm based on bacterial evolution and its application for scheduling a flexible manufacturing system, J. Tek.Ind. 14 (2012) 1-12.

[157] (APOA) Z. Cui, X. Cai, Artificial plant optimization algorithm, in: Swarm Intell. Bio-Inspired Comput., Elsevier, 2013: pp. 351-365.

[158] (ARA) P. Melin, L. Astudillo, O. Castillo, F. Valdez, M. Garcia, Optimal design of type-2 and type-1 fuzzy tracking controllers for autonomous mobile robots under perturbed torques using a new chemical optimization paradigm, Expert Syst. Appl. 40 (2013) 3185-3195.

[159] (ASBO) M.K. Singh, A new optimization method based on adaptive social behavior: ASBO, in: Proc. Int. Conf. Adv. Comput., Springer, 2013: pp. 823-831.

[160] (BI) O. Hasançebi, T. Teke, O. Pekcan, A bat-inspired algorithm for structural optimization, Comput. Struct. 128 (2013) 77-90.

[161] (COBRA) S. Akhmedova, E. Semenkin, Co-operation of biology related algorithms, in: 2013 IEEE Congr. Evol. Comput., IEEE, 2013: pp. 2207-2214.

[162] (GNA) A. Alazzam, H.W. Lewis, A new optimization algorithm for combinatorial problems, IJARAI) Int. J. Adv. Res. Artif. Intell. 2 (2013).

[163] (MHSA) X. Feng, F.C.M. Lau, H. Yu, A novel bio-inspired approach based on the behavior of mosquitoes, Inf. Sci. (Ny). 233 (2013) 87-108.

[164]  (MAT)  K. Manjappa, R.M.R.  Guddeti, Mobility  aware-termite:  a novel bio  inspired routing protocol for mobile ad-hoc networks, IET Networks. 2 (2013) 188-195.

[165]  (BSO) P.  Civicioglu, Backtracking  search  optimization  algorithm  for numerical  optimization problems, Appl. Math. Comput. 219 (2013) 8121-8144.

[166] (BHA) A. Hatamlou, Black hole: A new heuristic optimization approach for data clustering, Inf. Sci. (Ny). 222 (2013) 175-184.

[167]  (SSO)  E.  Cuevas,  M.  Cienfuegos,  D.  Zaldívar,  M.  Pérez-Cisneros,  A  swarm  optimization  algorithm inspired in the behavior of the social-spider, Expert Syst. Appl. 40 (2013) 6374-6384. https://doi.org/10.1016/j.eswa.2013.05.041.

[168] (DE) A. Kaveh, N. Farhoudi, A new optimization method: Dolphin echolocation, Adv. Eng. Softw. 59 (2013) 53-70. https://doi.org/10.1016/j.advengsoft.2013.03.004.

[169] (ACS) P. Civicioglu, Artificial cooperative search algorithm for numerical optimization problems, Inf. Sci. (Ny). 229 (2013) 58-76.

[170] (GBMO) M. Abdechiri, M.R. Meybodi, H. Bahrami, Gases Brownian motion optimization: an algorithm for optimization (GBMO), Appl. Soft Comput. 13 (2013) 2932-2946.

[171] (SSOA) M. Neshat, G. Sepidnam, M. Sargolzaei, Swallow swarm optimization algorithm: a new method to optimization, Neural Comput. Appl. 23 (2013) 429-454.

[172] (PSOA) Y. Gheraibia, A. Moussaoui, Penguins search optimization algorithm (PeSOA), in: Int. Conf. Ind. Eng. Other Appl. Appl. Intell. Syst., Springer, 2013: pp. 222-231.

[173] (EVO) C.  Sur,  S.  Sharma, A.  Shukla, Egyptian vulture optimization algorithm-a new nature inspired     meta-heuristics     for     knapsack     problem,     in:     9th     Int.     Conf.     Comput. InformationTechnology, Springer, 2013: pp. 227-237.

[174] (ACMO) G.-W. Yan, Z.-J. Hao, A novel optimization algorithm based on atmosphere clouds model, Int. J. Comput. Intell. Appl. 12 (2013) 1350002.

[175]  (MBOA)  H.  Mo,  L.  Xu,  Magnetotactic  bacteria  optimization  algorithm  for  multimodal optimization, in: 2013 IEEE Symp. Swarm Intell., IEEE, 2013: pp. 240-247.

[176] (BNMR) M. Taherdangkoo, M.H. Shirzadi, M. Yazdi, M.H. Bagheri, A robust clustering method based on blind, naked mole-rats (BNMR) algorithm, Swarm Evol. Comput. 10 (2013) 1-11.

[177]  (SGO)  H.D.  Purnomo,  H.-M.  Wee,  Soccer  game  optimization:  an  innovative  integration  of evolutionary   algorithm   and   swarm   intelligence   algorithm,   in:   Meta-Heuristics   Optim. Algorithms Eng. Business, Econ. Financ., IGI Global, 2013: pp. 386-420.

[178] (SSLO) P. Wang, Z. Zhu,  S. Huang, Seven-spot ladybird optimization: a novel and efficient metaheuristic algorithm for numerical optimization, Sci. World J. 2013 (2013).

[179]  (CA)  A.S.  Eesa,  A.M.A.  Brifcani,  Z.   Orman,  Cuttlefish  algorithm-a  novel  bio-inspired optimization algorithm, Int. J. Sci. Eng. Res. 4 (2013) 1978-1986.

[180]  (AWDA)  C.  Subramanian,  A.S.S.  Sekar,  K.  Subramanian,  A  new  engineering  optimization method: African wild dog algorithm, Int. J. Soft Comput. 8 (2013) 163-170.

[181] (MWO) J. An, Q. Kang, L. Wang, Q. Wu, Mussels wandering optimization: an ecologically inspired algorithm for global optimization, Cognit. Comput. 5 (2013) 188-199.

[182] (SIMB) S.S. Pattnaik, K.M. Bakwad, B.S. Sohi, R.K. Ratho, S. Devi, Swine influenza models based optimization (SIMBO), Appl. Soft Comput. 13 (2013) 628-653.

[183] (TPO) A.H. Halim, I. Ismail, Nonlinear plant modeling using neuro-fuzzy  system with Tree Physiology Optimization, in: 2013 IEEE Student Conf. Res. Dev., IEEE, 2013: pp. 295-300.

[184]  (ABH)  B.  Naderi,  M.  Khalili,  A.A.  Khamseh,  Mathematical  models  and  a  hunting  search algorithm for the no-wait flowshop scheduling with parallel machines, Int. J. Prod. Res. 52 (2014) 2667-2681.

[185] (ARA) Q. Jiang, L. Wang, X. Hei, R. Fei, D. Yang, F. Zou, H. Li, Z. Cao, Y. Lin, Optimal approximation of stable linear systems with a novel and efficient optimization algorithm, in:

2014 IEEE Congr. Evol. Comput., IEEE, 2014: pp. 840-844.

[186] (GWO) S. Mirjalili, S.M. Mirjalili, A. Lewis, Grey Wolf Optimizer, Adv. Eng. Softw. 69 (2014) 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007.

[187] (SOS) M.-Y. Cheng, D. Prayogo, Symbiotic organisms search: a new metaheuristic optimization algorithm, Comput. Struct. 139 (2014) 98-112.

[188] (CBO) A. Kaveh, V.R. Mahdavi, Colliding bodies optimization: A novel meta-heuristic method, Comput. Struct. 139 (2014) 18-27. https://doi.org/10.1016/j.compstruc.2014.04.005.

[189]  (CSO) X.  Meng, Y. Liu, X.  Gao, H. Zhang, A new bio-inspired  algorithm:  chicken  swarm optimization, in: Int. Conf. Swarm Intell., Springer, 2014: pp. 86-94.

[190] (SMO) J.C. Bansal, H. Sharma, S.S. Jadon, M. Clerc, Spider monkey optimization algorithm for numerical optimization, Memetic Comput. 6 (2014) 31-47.

[191] (ISA) A.H. Gandomi, Interior search algorithm (ISA): a novel approach for global optimization, ISA Trans. 53 (2014) 1168-1183.

[192] (AMOA) X. Li, J. Zhang, M. Yin, Animal migration optimization: an optimization algorithm inspired by animal migration behavior, Neural Comput. Appl. 24 (2014) 1867-1877.

[193] (CROA) S. Salcedo-Sanz, J. Del Ser, I. Landa-Torres, S. Gil-López, J.A. Portilla-Figueras, The coral reefs optimization algorithm: a novel metaheuristic for efficiently solving optimization problems, Sci. World J. 2014 (2014).

[194]  (BMO)  A.  Askarzadeh,  Bird  mating  optimizer:  An  optimization  algorithm  inspired  by  bird mating   strategies,   Commun.    Nonlinear    Sci.   Numer.    Simul.    19    (2014)    1213-1228. https://doi.org/10.1016/j.cnsns.2013.08.027.

[195] (SSO) O. Abedinia, N. Amjady, A. Ghasemi, A new metaheuristic algorithm based on shark smell optimization, Complexity. 21 (2016) 97-116.

[196]  (EMA) N. Ghorbani, E. Babaei, Exchange market algorithm, Appl.  Soft  Comput.  19  (2014)

177-187.

[197] (FOA) M. Ghaemi, M.-R. Feizi-Derakhshi, Forest optimization algorithm, Expert Syst. Appl. 41 (2014) 6676-6687.

[198] (GBA) E. Osaba, F. Diaz, E. Onieva, Golden ball: a novel meta-heuristic to solve combinatorial optimization problems based on soccer concepts, Appl. Intell. 41 (2014) 145-166.

[199] (KA) M. Hajiaghaei-Keshteli, M. Aminnayeri, Solving the integrated scheduling of production and rail transportation problem by Keshtel algorithm, Appl. Soft Comput. 25 (2014)  184-203.

[200] (KP) V.V. De Melo, Kaizen programming, in: Proc. 2014 Annu. Conf. Genet. Evol. Comput., 2014: pp. 895-902.

[201]  (KGMO)  S. Moein, R. Logeswaran, KGMO: A  swarm  optimization  algorithm based  on the kinetic energy of gas molecules, Inf. Sci. (Ny). 275 (2014) 127-144.

[202] (SA) F. Merrikh-Bayat, A numerical optimization algorithm inspired by the strawberry plant, ArXiv Prepr. ArXiv1407.7399. (2014).

[203] (HA) A. Hatamlou, Heart: a novel optimization algorithm for cluster analysis, Prog. Artif. Intell. 2 (2014) 167-173.

[204]  (AEA)  M.T.  Adham,  P.J.  Bentley,  An  artificial  ecosystem  algorithm  applied  to  static  and dynamic travelling salesman problems, in: 2014 IEEE Int. Conf. Evolvable Syst., IEEE, 2014: pp. 149-156.

[205]  (SA)  D.  Felipe,  E.F.G.  Goldbarg,  M.C.  Goldbarg,  Scientific  algorithms  for  the  car  renter salesman problem, in: 2014 IEEE Congr. Evol. Comput., IEEE, 2014: pp. 873-879.

[206] (WO) J.-P. Arnaout, Worm optimization: a novel optimization algorithm inspired by C. Elegans,

in: Proc. 2014 Int. Conf. Ind. Eng. Oper. Manag. Indones., 2014: pp. 2499-2505.

[207]  (GPO)  J.S.M.L.  Melvix,   Greedy  politics  optimization:  Metaheuristic  inspired  by  political strategies adopted during state assembly elections, in: 2014 IEEE Int. Adv. Comput. Conf., IEEE, 2014: pp. 1157-1162.

[208]  (HLO)  L.  Wang,  H.  Ni,  R.  Yang,  M.  Fei,  W.  Ye,  A  simple  human  learning  optimization algorithm, in: Comput. Intell. Networked Syst. Their Appl., Springer, 2014: pp. 56-65.

[209]  (SLCA) N.  Moosavian,  B.  Kasaee  Roodsari,  Soccer  league  competition  algorithm:  A  novel

meta-heuristic  algorithm  for  optimal  design  of  water  distribution  networks,  Swarm  Evol. Comput. 17 (2014) 14-24. https://doi.org/10.1016/j.swevo.2014.02.002.

[210] (HSSA) H. Karami, M.J. Sanjari, G.B. Gharehpetian, Hyper-Spherical Search (HSS) algorithm: a novel  meta-heuristic  algorithm  to  optimize  nonlinear  functions,  Neural  Comput.  Appl.  25 (2014) 1455-1465.

[211]  (EBO)  Y.-J.  Zheng,  H.-F.  Ling,  J.-Y.  Xue,   Ecogeography-based   optimization:  enhancing biogeography-based  optimization  with  ecogeographic barriers  and  differentiations,  Comput. Oper. Res. 50 (2014) 115-127.

[212] (PIO) H. Duan, P. Qiao, Pigeon-inspired optimization: a new swarm intelligence optimizer for air robot path planning, Int. J. Intell. Comput. Cybern. (2014).

[213]   (ALO)   S.   Mirjalili,   The   Ant   Lion   Optimizer,   Adv.   Eng.    Softw.   83    (2015)   80-98. Redirecting.

[214] (AAA)  S.A. Uymaz, G. Tezel, E. Yel, Artificial algae algorithm (AAA) for nonlinear global optimization, Appl. Soft Comput. 31 (2015) 153-171.

[215] (ASA) J. Ali, M.  Saeed, M. Luqman, M.F. Tabassum, Artificial showering algorithm: a new meta-heuristic for unconstrained optimization, (2015).

[216] (CA) M. Canayaz, A. Karcı, Investigation of cricket behaviours as evolutionary computation for system design optimization problems, Measurement. 68 (2015) 225–235.

[217] (GEA) R.-J. Kuo, F.E. Zulvia, The gradient evolution algorithm: A new metaheuristic, Inf. Sci. (Ny). 316 (2015) 246–265.

[218]  (MFOA)  S.  Mirjalili,  Moth-flame  optimization  algorithm:  A  novel  nature-inspired  heuristic paradigm,              Knowledge-Based              Syst.               89              (2015)              228–249. Redirecting.

[219] (MBO) G.-G. Wang, S. Deb, Z. Cui, Monarch butterfly optimization, Neural Comput. Appl. 31 (2015) 1995–2014. https://doi.org/10.1007/s00521-015-1923-y.

[220] (WWO) Y.-J. Zheng, Water wave optimization: a new nature-inspired metaheuristic, Comput. Oper. Res. 55 (2015) 1–11.

[221]    (SFS)    H.    Salimi,     Stochastic    fractal    search:     a    powerful    metaheuristic    algorithm, Knowledge-Based Syst. 75 (2015) 1–18.

[222] (EHO) G.-G. Wang, S. Deb, L. dos S. Coelho, Elephant Herding Optimization, 2015 3rd Int. Symp. Comput. Bus. Intell. (2015) 1–5. https://doi.org/10.1109/iscbi.2015.8.

[223] (VSA) B. Doğan, T. Ölmez, A new metaheuristic for numerical function optimization: Vortex

Search           algorithm,          Inf.           Sci.           (Ny).           293           (2015)           125–145.

https://doi.org/10.1016/j.ins.2014.08.053.

[224] (EOA) G.-G. Wang, S. Deb, L.D.S. Coelho, Earthworm optimisation algorithm: a bio-inspired metaheuristic  algorithm  for  global  optimisation  problems,  Int.  J.  Bio-Inspired  Comput.  12 (2018) 1–22.

[225] (LSA) H. Shareef, A.A. Ibrahim, A.H. Mutlag, Lightning search algorithm, Appl. Soft Comput. 36 (2015) 315–333.

[226] (HTSA) V.K. Patel, V.J. Savsani, Heat transfer search (HTS): a novel optimization algorithm, Inf. Sci. (Ny). 324 (2015) 217–246.

[227]  (IMA) B. Javidy, A. Hatamlou,  S. Mirjalili, Ions motion  algorithm  for  solving optimization problems, Appl. Soft Comput. 32 (2015) 72–79.

[228] (OIO) A.H. Kashan, A new metaheuristic for optimization: optics inspired optimization (OIO), Comput. Oper. Res. 55 (2015) 99–125.

[229] (TSA) M.S. Kiran, TSA: Tree-seed algorithm for continuous optimization, Expert Syst. Appl. 42 (2015) 6686–6698.

[230] (RRA) F. Merrikh-Bayat, The runner-root algorithm: a metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature, Appl. Soft Comput. 33 (2015) 292–303.

[231] (ESA) S. Deb, S. Fong, Z. Tian, Elephant search algorithm for optimization problems, in: 2015 Tenth Int. Conf. Digit. Inf. Manag., IEEE, 2015: pp. 249–255.

[232] (EA) H. Emami, F. Derakhshan, Election algorithm: A new socio-politically inspired strategy, AI Commun. 28 (2015) 591–603.

[233] (LS) E. Cuevas, A. González, D. Zaldívar, M. Pérez-Cisneros, An optimisation algorithm based on the behaviour of locust swarms, Int. J. Bio-Inspired Comput. 7 (2015) 402–407.

[234]  (ITWO)  D.  Tang,  S.  Dong,  Y.   Jiang,  H.   Li,  Y.   Huang,  ITGO:   Invasive  tumor  growth optimization algorithm, Appl. Soft Comput. 36 (2015) 670–698.

[235] (JA) C.-C. Chen, Y.-C. Tsai, I.I. Liu, C.-C. Lai, Y.-T. Yeh, S.-Y. Kuo, Y.-H. Chou, A novel metaheuristic: Jaguar algorithm with learning behavior, in: 2015 IEEE Int. Conf. Syst. Man,Cybern., IEEE, 2015: pp. 1595-1600.

[236] (GRSA) H. Beiranvand, E. Rokrok, General relativity search algorithm: a global optimization approach, Int. J. Comput. Intell. Appl. 14 (2015) 1550017.

[237]  (RGO)  X.  He,  S.  Zhang,  J.  Wang,  A  novel  algorithm  inspired  by  plant  root  growth  with self-similarity propagation, in: 2015 1st Int. Conf. Ind. Networks Intell. Syst., IEEE, 2015: pp. 157-162.

[238]  (BOA)  O.  FINDIK,  Bull  optimization  algorithm  based  on  genetic  operators  for  continuous optimization problems., Turkish J. Electr. Eng. Comput. Sci. 23 (2015).

[239]  (PPA)  S.L.  Tilahun,  H.C.  Ong,  Prey-predator  algorithm:  a  new  metaheuristic  algorithm  for optimization problems, Int. J. Inf. Technol. Decis. Mak. 14 (2015) 1331-1352.

[240] (ABO) J.B. Odili, M.N.M. Kahar, African buffalo optimization (ABO): a new meta-heuristic algorithm, J. Adv. Appl. Sci. 3 (2015) 101-106.

[241]  (AID)  G.  Huang,  Artificial  infectious  disease   optimization:  A   SEIQR  epidemic   dynamic model-based function optimization algorithm, Swarm Evol. Comput. 27 (2016) 31-67.

[242] (ANS) G. Wu, Across neighborhood search for numerical optimization, Inf. Sci. (Ny). 329 (2016) 597-618.

[243] (CBBA) M. Canayaz, A. Karci, Cricket behaviour-based evolutionary computation technique in solving engineering optimization problems, Appl. Intell. 44 (2016) 362-376.

[244]  (COOA)  Y.   Sharafi,  M.A.  Khanesar,  M.  Teshnehlab,  COOA:  Competitive  optimization algorithm, Swarm Evol. Comput. 30 (2016) 39-63.

[245] (COA) M. Li, H. Zhao, X. Weng, T. Han, Cognitive behavior optimization algorithm for solving optimization problems, Appl. Soft Comput. 39 (2016) 199-222.

[246]    (EFO)    H.    Abedinpourshotorban,    S.M.    Shamsuddin,    Z.    Beheshti,    D.N.A.    Jawawi, Electromagnetic field optimization: a physics-inspired metaheuristic optimization algorithm, Swarm Evol. Comput. 26 (2016) 8-22.

[247] (FGA) E. Fadakar, M. Ebrahimi, A new metaheuristic football game inspired algorithm, in: 2016 1st Conf. Swarm Intell. Evol. Comput., IEEE, 2016: pp. 6-11.

[248]  (ITGO)  D.  Tang,  S.  Dong,  L.  He,  Y.  Jiang,  Intrusive  tumor  growth  inspired  optimization algorithm for data clustering, Neural Comput. Appl. 27 (2016) 349-374.

[249]  (GSO)  V.  Muthiah-Nakarajan,  M.M.  Noel,   Galactic   Swarm  Optimization:  A  new   global optimization  metaheuristic  inspired  by  galactic  motion,  Appl.  Soft  Comput.  38  (2016) 771-787.

[250] (WOA) S. Mirjalili, A. Lewis, The Whale Optimization Algorithm, Adv. Eng. Softw. 95 (2016) 51-67. https://doi.org/10.1016/j.advengsoft.2016.01.008.

[251]  (SSA)  S.  Mirjalili,  SCA:  A  Sine  Cosine  Algorithm  for  solving  optimization  problems, Knowledge-Based Syst. 96 (2016) 120-133. https://doi.org/10.1016/j.knosys.2015.12.022.

[252] (DA) S. Mirjalili, Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective,  discrete,  and  multi-objective  problems,  Neural  Comput.  Appl.  27  (2015) 1053-1073. https://doi.org/10.1007/s00521-015-1920-1.

[253]  (CSA)  A.  Askarzadeh,  A  novel  metaheuristic  method  for  solving  constrained  engineering optimization   problems:    Crow   search    algorithm,    Comput.    Struct.    169   (2016)    1-12. Redirecting.

[254]  (MVO)  S.  Mirjalili,  S.M.  Mirjalili,  A.  Hatamlou,  Multi-Verse  Optimizer:  a  nature-inspired algorithm    for    global     optimization,    Neural    Comput.     Appl.    27    (2015)     495-513.

Multi-Verse Optimizer: a nature-inspired algorithm for global optimization | Neural Computing and Applications.

[255]  (BSA)  X.-B.  Meng,  X.Z.  Gao,  L.  Lu,  Y.  Liu,  H.  Zhang,  A  new  bio-inspired  optimisation algorithm: Bird Swarm Algorithm, J. Exp. Theor. Artif. Intell. 28 (2016) 673–687.

[256]  (VCS)  M.D.  Li,  H.  Zhao,  X.W.   Weng,  T.  Han,  A  novel  nature-inspired   algorithm  for optimization: Virus colony search, Adv. Eng. Softw. 92 (2016) 65–88.

[257] (WEO) A. Kaveh, T. Bakhshpoori, Water Evaporation Optimization: A novel physically inspired optimization           algorithm,           Comput.           Struct.           167           (2016)           69–85. https://doi.org/10.1016/j.compstruc.2016.01.008.

[258]  (RTO)  Y.  Labbi,  D.  Ben  Attous,  H.A.  Gabbar,  B.  Mahdad,  A.  Zidan,  A  new  rooted  tree

optimization  algorithm  for  economic  dispatch with valve-point  effect, Int. J.  Electr. Power Energy Syst. 79 (2016) 298–311.

[259]  (FIFAWA) N.  Razmjooy,  M.  Khalilpour,  M.  Ramezani,  A  new  meta-heuristic  optimization algorithm  inspired  by  FIFA  world   cup  competitions:  theory   and  its  application   in  PID designing for AVR system, J. Control. Autom. Electr. Syst. 27 (2016) 419–440.

[260]  (SWA)  A.  Ebrahimi,  E.  Khamehchi,  Sperm  whale  algorithm:  an  effective  metaheuristic algorithm for production optimization problems, J. Nat. Gas Sci. Eng. 29 (2016) 211–222.

[261]  (VOA) Y.-C.  Liang,  J.R.  Cuevas Juarez, A novel metaheuristic  for  continuous optimization problems: Virus optimization algorithm, Eng. Optim. 48 (2016) 73–93.

[262] (DA) T.R. Biyanto, H.Y. Fibrianto, G. Nugroho, A.M. Hatta, E. Listijorini, T. Budiati, H. Huda, Duelist algorithm: an algorithm inspired by how duelist improve their capabilities in a duel, in: Int. Conf. Swarm Intell., Springer, 2016: pp. 39–47.

[263]  (RROA) A. Brabazon, W.  Cui, M. O’Neill,  The raven roosting optimisation algorithm,  Soft Comput. 20 (2016) 525–545.

[264]  (RSS)  Y.  Saadi,  I.T.R.  Yanto,  T.  Herawan,  V.  Balakrishnan,  H.  Chiroma, A.  Risnumawan, Ringed seal search for global optimization via a sensitive search model, PLoS One. 11 (2016) e0144371.

[265]   (FEA)    A.E.   Xavier,   V.L.    Xavier,   Flying    elephants:   a    general   method    for   solving non-differentiable problems, J. Heuristics. 22 (2016) 649–664.

[266] (CA) M.K. Ibrahim, R.S. Ali, Novel optimization algorithm inspired by camel traveling behavior, Iraq J. Electr. Electron. Eng. 12 (2016) 167–177.

[267] (CEO) X. Feng, M. Ma, H. Yu, Crystal energy optimization algorithm, Comput. Intell. 32 (2016) 284–322.

[268] (PVS) P. Savsani, V. Savsani, Passing vehicle search (PVS): A novel metaheuristic algorithm, Appl. Math. Model. 40 (2016) 3951–3978.

[269] (TWO) A. Kaveh, A. Zolghadr, A novel meta-heuristic algorithm: tug of war optimization, Iran Univ. Sci. Technol. 6 (2016) 469–492.

[270] (DVBA) A.O. Topal, O. Altun, A novel meta-heuristic algorithm: dynamic virtual bats algorithm, Inf. Sci. (Ny). 354 (2016) 222–235.

[271] (LOA) M. Yazdani, F. Jolai, Lion optimization algorithm (LOA): a nature-inspired metaheuristic algorithm, J. Comput. Des. Eng. 3 (2016) 24–36.

[272]  (NFR)  H.  Moez,  A.  Kaveh,  N.  Taghizadieh,  Natural  forest  regeneration  algorithm:  a  new meta-heuristic, Iran. J. Sci. Technol. Trans. Civ. Eng. 40 (2016) 311–326.

[273] (SKF) Z. Ibrahim, N.H.A. Aziz, N.A.A. Aziz,  S. Razali, M.S. Mohamad, Simulated Kalman filter: a novel estimation-based metaheuristic optimization algorithm, Adv. Sci. Lett. 22 (2016)

2941–2946.

[274] (SM2-MBO) L. Gao, Q.-K. Pan, A shuffled multi-swarm micro-migrating birds optimizer for a multi-resource-constrained flexible job shop scheduling problem, Inf.  Sci. (Ny). 372 (2016) 655–676.

[275]  (YYPO)  V.  Punnathanam,  P.  Kotecha,  Yin-Yang-pair   Optimization:  A  novel  lightweight optimization algorithm, Eng. Appl. Artif. Intell. 54 (2016) 62–79.

[276] (VOA) M. Jaderyan, H. Khotanlou, Virulence optimization algorithm, Appl. Soft Comput. 43 (2016) 596–618.

[277] (ABO) X. Qi, Y. Zhu, H. Zhang, A new meta-heuristic butterfly-inspired algorithm, J. Comput. Sci. 23 (2017) 226–239.

[278]  (CPA)  A.  Kaveh,  A.  Zolghadr,  Cyclical  parthenogenesis  algorithm  for  guided  modal  strain energy based structural damage detection, Appl. Soft Comput. 57 (2017) 250–264.

[279] (DOS) N. Archana, R. Vidhyapriya, A. Benedict, K. Chandran, Deterministic oscillatory search: a new meta-heuristic optimization algorithm, Sādhanā. 42 (2017) 817–826.

[280]   (FA)   M.   Kaedi,   Fractal-based   algorithm:   a   new   metaheuristic   method   for   continuous optimization, Int J Artif Intell. 15 (2017) 76–92.

[281] (NCA) S. Asil Gharebaghi, M. Ardalan Asl, New meta-heuristic optimization algorithm using neuronal communication, Iran Univ. Sci. Technol. 7 (2017) 413–431.

[282] (LAPO) A.F. Nematollahi, A. Rahiminejad, B. Vahidi, A novel physical based meta-heuristic

optimization  method  known  as  Lightning  Attachment  Procedure  Optimization,  Appl.  Soft Comput. 59 (2017) 596–621.

[283]  (BBA)  A.  Kazikova,  M.  Pluhacek,  R.   Senkerik,  A.  Viktorin,  Proposal  of  a  new   swarm optimization method inspired in bison behavior, in: 23rd Int. Conf. Soft Comput., Springer, 2017: pp. 146–156.

[284]  (DSO)  V.V.  de  Melo,  A  novel  metaheuristic  method  for  solving  constrained  engineering optimization  problems:  Drone   Squadron   Optimization,  ArXiv   Prepr.  ArXiv1708.01368. (2017).

[285] (HBO) S.-A. Ahmadi, Human behavior-based optimization: a novel metaheuristic approach to solve complex optimization problems, Neural Comput. Appl. 28 (2017) 233–244.

[286] (VPS) A. Kaveh, M.I. Ghazaan, A new meta-heuristic algorithm: vibrating particles system, Sci. Iran. Trans. A, Civ. Eng. 24 (2017) 551.

[287] (SHO) G. Dhiman, V. Kumar, Spotted hyena optimizer: a novel bio-inspired based metaheuristic technique for engineering applications, Adv. Eng. Softw. 114 (2017) 48–70.

[288] (SSA) S. Mirjalili, A.H. Gandomi, S.Z. Mirjalili, S. Saremi, H. Faris, S.M. Mirjalili, Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems, Adv. Eng. Softw.  114 (2017) 163–191. https://doi.org/10.1016/j.advengsoft.2017.07.002.

[289]  (GOA)  S.  Saremi,  S.  Mirjalili,  A.  Lewis,  Grasshopper  Optimisation  Algorithm:  Theory  and application,             Adv.              Eng.              Softw.              105              (2017)              30–47. https://doi.org/10.1016/j.advengsoft.2017.01.004.

[290]  (RFO)   S.H.  Aghay  Kaboli,  J.   Selvaraj,  N.A.  Rahim,  Rain-fall  optimization  algorithm:  A population based algorithm for solving constrained optimization problems, J. Comput. Sci. 19 (2017) 31–42. https://doi.org/10.1016/j.jocs.2016.12.010.

[291]  (HCA) A. Wedyan, J. Whalley, A. Narayanan, Hydrological  cycle  algorithm  for continuous optimization problems, J. Optim. 2017 (2017).

[292] (KWA) T.R. Biyanto, S. Irawan, H.Y. Febrianto, N. Afdanny, A.H. Rahman, K.S. Gunawan, J.A.D. Pratama, T.N. Bethiana, Killer whale algorithm: an algorithm inspired by the life of killer whale, Procedia Comput. Sci. 124 (2017) 151–157.

[293]  (CHA)  A.T.S.  Al-Obaidi,  H.S.  Abdullah,  Camel  herds  algorithm:  A  new  swarm  intelligent algorithm to solve optimization problems, Int. J. Perceptive Cogn. Comput. 3 (2017).

[294] (CDOA) Q. Zhang, R. Wang, J. Yang, K. Ding, Y. Li, J. Hu, Collective decision optimization algorithm: a new heuristic optimization method, Neurocomputing. 221 (2017) 123–137.

[295]  (LCA)  E.  Hosseini,  Laying  chicken  algorithm:  A  new   meta-heuristic   approach  to  solve continuous programming problems, J. Appl. Comput. Math. 6 (2017).

[296]  (KIA)  N.S.  Jaddi,  J.  Alvankarian,  S.  Abdullah,  Kidney-inspired  algorithm  for  optimization problems, Commun. Nonlinear Sci. Numer. Simul. 42 (2017) 358–369.

[297] (Gold-SA) E. Tanyildizi, G. Demir, Golden sine algorithm: A novel math-inspired algorithm, Adv. Electr. Comput. Eng. 17 (2017) 71–78.

[298] (SMA) O.A. Raouf, I.M. Hezam, Sperm motility algorithm: a novel metaheuristic approach for global optimisation, Int. J. Oper. Res. 28 (2017) 143–163.

[299]  (RWA)  T.R.  Biyanto,  Rain  Water  Optinization  Algorithm:  Newton’s  Law  of  Rain  Water Movements, (2017).

[300] (TWO) A. Kaveh, A. Dadras, A novel meta-heuristic optimization algorithm: Thermal exchange optimization,             Adv.             Eng.              Softw.              110             (2017)             69–84. https://doi.org/10.1016/j.advengsoft.2017.03.014.

[301] (PSA) Y. Zhang, P. Zhang, S. Li, PSA: A novel optimization algorithm based on survival rules of porcellio scaber, in: 2021 IEEE 5th Adv. Inf. Technol. Electron. Autom. Control Conf., IEEE,  2021: pp. 439–442.

[302] (SHO) F. Fausto, E. Cuevas, A. Valdivia, A. González, A global optimization algorithm inspired in the behavior of selfish herds, Biosystems. 160 (2017) 39–55.

[303]  (PBO)  D.  Połap,  Polar  bear   optimization  algorithm:  Meta-heuristic  with  fast  population movement and dynamic birth and death mechanism, Symmetry (Basel). 9 (2017) 203.

[304] (SEO) A.M.F. Fard, M. Hajiaghaei-Keshteli, Social Engineering Optimization (SEO); A New Single-Solution Meta-heuristic Inspired by Social Engineering, (n.d.).

[305] (SIO) A. Tzanetos, G. Dounias, A new metaheuristic method for optimization: sonar inspired optimization, in: Int. Conf. Eng. Appl. Neural Networks, Springer, 2017: pp. 417–428.

[306]  (WSA)  A.  Baykasoğlu,   Ş .  Akpinar,  Weighted   Superposition  Attraction  (WSA):  A  swarm intelligence  algorithm  for optimization problems–Part  1:  Unconstrained  optimization, Appl. Soft Comput. 56 (2017) 520–540.

[307] (SBO) S.H.S. Moosavi, V.K. Bardsiri, Satin bowerbird optimizer: A new optimization algorithm to optimize ANFIS for software development effort estimation, Eng. Appl. Artif. Intell.  60 (2017) 1–15.

[308] (A3) A.E. Yildirim, A. Karci, Applications of artificial atom algorithm to small-scale traveling salesman problems, Soft Comput. 22 (2018) 7619–7631.

[309] (ASI) L. Rosenberg, M. Lungren, S. Halabi, G. Willcox, D. Baltaxe, M. Lyons, Artificial swarm intelligence employed to amplify diagnostic accuracy in radiology, in: 2018 IEEE 9th Annu. Inf. Technol. Electron. Mob. Commun. Conf., IEEE, 2018: pp. 1186–1191.

[310] (BLA) S. Bitam, S. Zeadally, A. Mellouk, Fog computing job scheduling optimization based on bees swarm, Enterp. Inf. Syst. 12 (2018) 373–397.

[311]  (BSOA)  T.  Wang,  L.  Yang,  Beetle  swarm  optimization  algorithm:  Theory  and  application, ArXiv Prepr. ArXiv1808.00206. (2018).

[312] (BVOA) M. Ghaemidizaji, C. Dadkhah, H. Leung, A new optimization algorithm based on the behavior of BrunsVigia flower, in: 2018 IEEE Int. Conf. Syst. Man, Cybern., IEEE, 2018: pp. 263–267.

[313] (CTOA) J. Chen, H. Cai, W. Wang, A new metaheuristic algorithm: car tracking optimization algorithm, Soft Comput. 22 (2018) 3857–3878.

[314] (CBA) C.E. Klein, V.C. Mariani, L. dos Santos Coelho, Cheetah Based Optimization Algorithm: A Novel Swarm Intelligence Paradigm., in: ESANN, Bruges, Belgium, 2018: pp. 685–690.

[315]  (CCA)  M.  Goudhaman,  Cheetah  chase  algorithm  (CCA):  a  nature-inspired  metaheuristic algorithm, Int. J. Eng. Technol. 7 (2018) 1804–1811.

[316] (CCSA) R.M. Rizk-Allah, A.E. Hassanien, S. Bhattacharyya, Chaotic crow search algorithm for fractional optimization problems, Appl. Soft Comput. 71 (2018) 1161–1175.

[317]  (CSPF)  M.C.  Catalbas,  A.  Gulten,  Circular  structures  of  puffer  fish:  a  new  metaheuristic optimization algorithm, in: 2018 Third Int. Conf. Electr. Biomed. Eng. Clean Energy Green Comput., IEEE, 2018: pp. 1–5.

[318]  (CLA) A. Afroughinia, R. Kardehi Moghaddam,  Competitive  learning:  a new meta-heuristic optimization algorithm, Int. J. Artif. Intell. Tools. 27 (2018) 1850035.

[319] (CCA) J. Deuri, S.S. Sathya, Cricket chirping algorithm: an efficient meta-heuristic for numerical function optimisation, Int. J. Comput. Sci. Eng. 16 (2018) 162–172.

[320]  (FLA) A. Etminaniesfahani, A. Ghanbarzadeh, Z. Marashi, Fibonacci indicator algorithm: A novel tool for complex optimization problems, Eng. Appl. Artif. Intell. 74 (2018) 1–9.

[321] (PSDM) C. Caraveo, F. Valdez, O. Castillo, A new optimization meta-heuristic algorithm based on self-defense mechanism of the plants with three reproduction operators, Soft Comput. 22 (2018) 4907–4920.

[322]  (EPO)  G.  Dhiman,  V.  Kumar,  Emperor  penguin  optimizer:  A  bio-inspired  algorithm  for engineering problems, Knowledge-Based Syst. 159 (2018) 20–50.

[323] (LPOA) A. Kaveh, S. Mahjoubi, Lion Pride Optimization Algorithm: A meta-heuristic method for         global         optimization          problems,         Sci.          Iran.         0         (2018)          0. https://doi.org/10.24200/sci.2018.20833.

[324] (MQHO) P. Wang, X. Ye, B. Li, K. Cheng, Multi-scale quantum harmonic oscillator algorithm for global numerical optimization, Appl. Soft Comput. 69 (2018) 655–670.

[325] (MRO) M. Bidar, H.R. Kanan, M. Mouhoub, S. Sadaoui, Mushroom Reproduction Optimization (MRO): a novel nature-inspired evolutionary algorithm, in: 2018 IEEE Congr. Evol. Comput., IEEE, 2018: pp. 1–10.

[326]  (TGA)  A.  Cheraghalipour,  M.  Hajiaghaei-Keshteli,  M.M.  Paydar,  Tree  Growth  Algorithm (TGA): A novel approach for solving optimization problems, Eng. Appl. Artif. Intell. 72 (2018) 393–414.

[327] (MSA) G.-G. Wang, Moth search algorithm: a bio-inspired metaheuristic algorithm for global optimization problems, Memetic Comput. 10 (2018) 151–164.

[328] (FF) H. Shayanfar, F.S. Gharehchopogh, Farmland fertility: A new metaheuristic algorithm for solving continuous optimization problems, Appl. Soft Comput. 71 (2018) 728–746.

[329] (PBA) N.A. Kallioras, N.D. Lagaros, D.N. Avtzis, Pity beetle algorithm–A new metaheuristic inspired by the behavior of bark beetles, Adv. Eng. Softw. 121 (2018) 147–166.

[330]   (MBF)   E.   Jahani,   M.   Chizari,   Tackling   global   optimization   problems   with   a   novel algorithm–Mouth Brooding Fish algorithm, Appl. Soft Comput. 62 (2018) 987–1002.

[331] (AFOA) L. Cheng, X. Wu, Y. Wang, Artificial flora (AF) optimization algorithm, Appl. Sci. 8 (2018) 329.

[332] (ESWS) S. Mandal, Elephant swarm water search algorithm for global optimization, Sādhanā . 43 (2018) 1–21.

[333]  (SSOA)  H.A.  Shehadeh,  I.  Ahmedy,  M.Y.I.  Idris,  Sperm  swarm  optimization  algorithm  for optimizing wireless sensor network challenges, in: Proc. 6th Int. Conf. Commun. Broadband Netw., 2018: pp. 53–59.

[334] (TGA) M.J. Mahmoodabadi, M. Rasekh, T. Zohari, TGA: Team game algorithm, Futur. Comput. Informatics J. 3 (2018) 191–199.

[335]  (COA)  J.  Pierezan,  L.D.S.  Coelho,  Coyote  optimization  algorithm:  a  new  metaheuristic  for global optimization problems, in: 2018 IEEE Congr. Evol. Comput., IEEE, 2018: pp. 1–8.

[336] (QSA) J. Zhang, M. Xiao, L. Gao, Q. Pan, Queuing search algorithm: A novel metaheuristic algorithm  for  solving  engineering  optimization  problems,  Appl.  Math.  Model.  63  (2018) 464–490. https://doi.org/10.1016/j.apm.2018.06.036.

[337] (SO) A.A. Hudaib, H.N. Fakhouri, Supernova optimizer: a novel natural inspired meta-heuristic, Mod. Appl. Sci. 12 (2018) 32–50.

[338]  (SS)  D.  Puangdownreong,  Spiritual  search:  a  novel  metaheuristic  algorithm  for  control engineering optimization, Int. Rev. Autom. Control. 11 (2018) 86–97.

[339] (SBO) M. Farshchin, M. Maniat, C. V Camp, S. Pezeshk, School based optimization algorithm for       design        of       steel       frames,        Eng.        Struct.        171       (2018)        326–335. https://doi.org/10.1016/j.engstruct.2018.05.085.

[340] (WVO) S. Dolatabadi, Weighted vertices optimizer (WVO): A novel metaheuristic optimization algorithm, Numer. Algebr. Control Optim. 8 (2018) 461.

[341] (VPLA) R. Moghdani, K. Salimifard, Volleyball premier league algorithm, Appl. Soft Comput. 64 (2018) 161–185.

[342] (YSGA) D. Zaldívar, B. Morales, A. Rodríguez, A. Valdivia-G, E. Cuevas, M. Pérez-Cisneros, A novel bio-inspired optimization model based on Yellow Saddle Goatfish behavior, Biosystems. 174 (2018) 1–21.

[343]  (ROA)  S.Z.  Koohi,  N.A.W.A.   Hamid,  M.   Othman,  G.  Ibragimov,  Raccoon   optimization algorithm, IEEE Access. 7 (2018) 5383–5399.

[344] (ACA) B. Almonacid, R.  Soto, Andean Condor Algorithm for cell formation problems, Nat.

Comput. 18 (2019) 351–381.

[345] (AA) M.F. Pook, E.I. Ramlan, The Anglerfish algorithm: a derivation of randomized incremental construction  technique  for  solving  the  traveling  salesman  problem,  Evol.  Intell.  12  (2019) 11–20.

[346]  (AEO)  W.  Zhao,  L.  Wang,  Z.  Zhang,  Artificial  ecosystem-based  optimization:  a  novel nature-inspired  meta-heuristic   algorithm,  Neural   Comput.  Appl.   32   (2019)   9383–9425. https://doi.org/10.1007/s00521-019-04452-x.

[347]  (ASOA)  W.  Zhao,  L.  Wang,  Z.  Zhang,  A  novel  atom  search  optimization  for  dispersion coefficient  estimation  in  groundwater,  Futur.  Gener.  Comput.   Syst.   91  (2019)   601–610. https://doi.org/10.1016/j.future.2018.05.037.

[348] (AFB) J.-B. Lamy, Artificial Feeding Birds (AFB): a new metaheuristic inspired by the behavior

of pigeons, in: Adv. Nature-Inspired Comput. Appl., Springer, 2019: pp. 43–60.

[349] (ACCS) A. Kaveh, M. Kooshkebaghi, Artificial coronary circulation system: A new bio-inspired metaheuristic algorithm, Sci. Iran. 26 (2019) 2731–2747.

[350] (AEFA) A. Yadav, AEFA: Artificial electric field algorithm for global optimization, Swarm Evol. Comput. 48 (2019) 93–108.

[351] (BTA) M. Bodaghi, K. Samieefar, Meta-heuristic bus transportation algorithm, Iran J. Comput. Sci. 2 (2019) 23–32.

[352]  (BMA)  Q.  Zhang,  R.  Wang,  J.  Yang,  A.  Lewis,  F.  Chiclana,  S.  Yang,  Biology  migration algorithm: a new nature-inspired heuristic methodology for global optimization, Soft Comput. 23 (2019) 7333–7358.

[353]  (BUZOA)  A.  Arshaghi,  M.  Ashourian,  L.  Ghabeli,  Buzzard  optimization  algorithm:  A nature-inspired metaheuristic algorithm, Majlesi J. Electr. Eng. 13 (2019) 83–98.

[354] (BM) M. Mahmood, B. Al-Khateeb, The blue monkey: A new nature inspired metaheuristic optimization algorithm, Period. Eng. Nat. Sci. 7 (2019) 1054–1066.

[355]  (CDA)  G.I.  Sayed,  A.  Tharwat,  A.E.  Hassanien,  Chaotic  dragonfly  algorithm:  an  improved metaheuristic algorithm for feature selection, Appl. Intell. 49 (2019) 188–205.

[356]  (CCOA) J. Pierezan,  G. Maidl, E.M. Yamao, L. dos  Santos  Coelho, V.C. Mariani,  Cultural coyote optimization algorithm applied to a heavy duty gas turbine operation, Energy Convers. Manag. 199 (2019) 111932.

[357] (DGO) M. DEHGHANI, Z. MONTAZERI, O.P. MALIK, DGO: Dice game optimizer, Gazi Univ. J. Sci. 32 (2019) 871–882.

[358]  (DTO)  M. Dehghani, M.  Mardaneh,  O.P. Malik,  S.M. NouraeiPour, DTO: Donkey theorem optimization, in: 2019 27th Iran. Conf. Electr. Eng., IEEE, 2019: pp.  1855–1859.

[359] (DHOA) G. Brammya, S. Praveena, N.S. Ninu Preetha, R. Ramya, B.R. Rajakumar, D. Binu,

Deer hunting optimization algorithm: a new nature-inspired meta-heuristic paradigm, Comput. J. (2019).

[360]  (FOA)  E.H.  de Vasconcelos  Segundo, V.C.  Mariani,  L.  dos  Santos  Coelho, Design  of heat exchangers using Falcon Optimization Algorithm, Appl. Therm. Eng. 156 (2019) 119–144.

[361]  (F3EA)  A.H.  Kashan,  R.  Tavakkoli-Moghaddam,  M.  Gen,  Find-Fix-Finish-Exploit-Analyze (F3EA) meta-heuristic algorithm: An effective algorithm with new evolutionary operators for global optimization, Comput. Ind. Eng. 128 (2019) 192–218.

[362] (FRA) M. Tahani, N. Babayan, Flow Regime Algorithm (FRA): a physics-based meta-heuristics algorithm, Knowl. Inf. Syst. 60 (2019) 1001–1038.

[363] (COFA) G.I. Sayed, M. Solyman, A.E. Hassanien, A novel chaotic optimal foraging algorithm for   unconstrained   and   constrained   problems   and   its   application   in   white   blood   cell segmentation, Neural Comput. Appl. 31 (2019) 7633–7664.

[364] (NMR) R. Salgotra, U. Singh, The naked mole-rat algorithm, Neural Comput. Appl. 31 (2019) 8837–8857.

[365] (XOA) F. Samie Yousefi, N. Karimian, A. Ghodousian, Xerus Optimization Algorithm (XOA): a novel  nature-inspired  metaheuristic  algorithm  for  solving  global  optimization  problems,  J. Algorithms Comput. 51 (2019) 111–126.

[366] (NRO) Z. Wei, C. Huang, X. Wang, T. Han, Y. Li, Nuclear reaction optimization: A novel and powerful   physics-based    algorithm   for    global    optimization,   IEEE    Access.   7    (2019) 66084–66109.

[367] (HNAA) O. Maciel, A. Valdivia, D. Oliva, E. Cuevas, D. Zaldívar, M. Pérez-Cisneros, A novel hybrid  metaheuristic  optimization  method:  hypercube  natural  aggregation  algorithm,  Soft Comput. (2019) 1–34.

[368] (SO) S. Shadravan, H.R. Naji, V.K. Bardsiri, The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems, Eng. Appl. Artif. Intell. 80 (2019) 20–34.

[369] (AIG) P. Pijarski, P. Kacejko, A new metaheuristic optimization method: the algorithm of the innovative gunner (AIG), Eng. Optim. (2019).

[370]  (SDBO)  W.  Zhao,  L.  Wang,  Z.  Zhang,   Supply-Demand-Based  Optimization:  A  Novel Economics-Inspired Algorithm for Global Optimization, IEEE Access. 7 (2019) 73182–73206. https://doi.org/10.1109/access.2019.2918753.

[371]  (BOA)  S.  Arora,  S.  Singh,  Butterfly  optimization  algorithm:  a  novel  approach  for  global optimization, Soft Comput. 23 (2019) 715–734.

[372] (EPC) S. Harifi, M. Khalilian, J. Mohammadzadeh, S. Ebrahimnejad, Emperor Penguins Colony: a new metaheuristic algorithm for optimization, Evol. Intell. 12 (2019) 211–226.

[373] (ERSA) S. Rahmanzadeh, M.S. Pishvaee, Electron radar search algorithm: a novel developed meta-heuristic algorithm, Soft Comput. (2019) 1–23.

[374] (HGSO) F.A. Hashim, E.H. Houssein, M.S. Mabrouk, W. Al-Atabany, S. Mirjalili, Henry gas solubility  optimization: A novel physics-based  algorithm, Futur.  Gener.  Comput.  Syst.  101 (2019) 646–667. https://doi.org/10.1016/j.future.2019.07.015.

[375] (HBIA) R.G. Morais, N. Nedjah, L.M. Mourelle, A novel metaheuristic inspired by Hitchcock birds’ behavior for efficient optimization of large search spaces of high dimensionality,  Soft Comput. (2019) 1–23.

[376] (HOA) A. Ali, K. Zafar, T. Bakhshi, On Nature-Inspired Dynamic Route Planning: Hammerhead Shark Optimization Algorithm, in: 2019 15th Int. Conf. Emerg. Technol., IEEE, 2019: pp. 1–6.

[377] (FDO) J.M. Abdullah, T. Ahmed, Fitness dependent optimizer: inspired by the bee swarming reproductive process, IEEE Access. 7 (2019) 43473–43486.

[378] (LCBO) A. Khatri, A. Gaba, K.P.S. Rana, V. Kumar, A novel life choice-based optimizer, Soft Comput. 24 (2019) 9121–9141. https://doi.org/10.1007/s00500-019-04443-z.

[379] (PPA) A.-A.A. Mohamed, S.A. Hassan, A.M. Hemeida, S. Alkhalaf, M.M.M. Mahmoud, A.M.B.

Eldin,  Parasitism–Predation  algorithm  (PPA):  A  novel  approach  for  feature  selection,  Ain Shams Eng. J. 11 (2020) 293–308.

[380] (PA) H. Yapici, N. Cetinkaya, A new meta-heuristic optimizer: pathfinder algorithm, Appl. Soft Comput. 78 (2019) 545–568.

[381] (PROA) S.H. Samareh Moosavi, V.K. Bardsiri, Poor and rich optimization algorithm: A new human-based and multi populations algorithm, Eng. Appl. Artif. Intell.  86 (2019)  165–181. https://doi.org/10.1016/j.engappai.2019.08.025.

[382] (SOA) G. Dhiman, V. Kumar, Seagull optimization algorithm: Theory and its applications for large-scale  industrial  engineering  problems,  Knowledge-Based  Syst.   165  (2019)   169–196. https://doi.org/10.1016/j.knosys.2018.11.024.

[383] (STOA) G. Dhiman, A. Kaur, STOA: A bio-inspired based optimization algorithm for industrial engineering      problems,       Eng.       Appl.       Artif.       Intell.       82       (2019)       148–174. https://doi.org/10.1016/j.engappai.2019.03.021.

[384]  (HHO)  A.A.  Heidari,  S.  Mirjalili,  H.  Faris,  I.  Aljarah,  M.  Mafarja,  H.  Chen, Harris hawks

optimization: Algorithm and applications, Futur. Gener. Comput. Syst. 97 (2019) 849–872.

[385] (BO) A.K. Das, D.K. Pratihar, A new bonobo optimizer (BO) for real-parameter optimization, in:

2019 IEEE Reg. 10 Symp., IEEE, 2019: pp. 108–113.

[386]  (SSO) J. Zhao, D.  Tang, Z. Liu, Y. Cai,  S. Dong,  Spherical  search  optimizer: a  simple yet efficient meta-heuristic approach, Neural Comput. Appl. (2019) 1–32.

[387] (SSA) M. Jain, V. Singh, A. Rani, A novel nature-inspired algorithm for optimization: Squirrel search algorithm, Swarm Evol. Comput. 44 (2019) 148–175.

[388] (FSO) G. Azizyan, F. Miarnaeimi, M. Rashki, N. Shabakhty, Flying Squirrel Optimizer (FSO): A novel  SI-based  optimization algorithm for  engineering problems, Iran. J.  Optim.  11  (2019) 177–205.

[389]  (BESO)  H.A.  Alsattar,  A.A.  Zaidan,  B.B.  Zaidan,  Novel  meta-heuristic  bald  eagle  search

optimisation algorithm, Artif. Intell. Rev. 53 (2020) 2237–2264.

[390] (SAR) A. Shabani, B. Asgarian, S.A. Gharebaghi, M.A. Salido, A. Giret, A new optimization algorithm based on search and rescue operations, Math. Probl. Eng. 2019 (2019).

[391] (WMC) S. Nejatian, R. Omidvar, H. Parvin, V. Rezaei, M. Yasrebi, A New Algorithm: Wild Mice Colony Algorithm (WMC), TABRIZ J. Electr. Eng. 49 (2019) 425–437.

[392]  (TPA)  H.  Bagheri,  A.  Lashkar  Ara,  R.  Hosseini,  Thieves  and  Police,  a  New  Optimization Algorithm: Theory and Application in Probabilistic Power Flow, IETE J. Res. (2019) 1–18.

[393] (ATLA) X. Han, X. Du, P. Yu, ATLA: A novel metaheuristic optimization algorithm inspired by the mating search behavior of longicorn beetles in the nature, in: IOP Conf. Ser. Mater. Sci. Eng., IOP Publishing, 2020: p. 52028.

[394] (BMO) M.H. Sulaiman, Z. Mustaffa, M.M. Saari, H. Daniyal, Barnacles Mating Optimizer: A new bio-inspired algorithm for solving engineering optimization problems, Eng. Appl. Artif. Intell. 87 (2020). https://doi.org/10.1016/j.engappai.2019.103330.

[395] (BHMO) A. Kaveh, M.R. Seddighian, E. Ghanadpour, Black Hole Mechanics Optimization: a novel     meta-heuristic     algorithm,     Asian     J.     Civ.      Eng.     21     (2020)      1129–1149. https://doi.org/10.1007/s42107-020-00282-8.

[396]  (BIOA)  A.  Kaveh,  M.  Khanzadi,  M.  Rastegar  Moghaddam,  Billiards-inspired  optimization algorithm;     a     new     meta-heuristic      method,     Structures.     27      (2020)      1722–1739. https://doi.org/10.1016/j.istruc.2020.07.058.

[397] (BCO) T. Dutta, S. Bhattacharyya, S. Dey, J. Platos, Border collie optimization, IEEE Access. 8 (2020) 109177–109197.

[398] (BSSA) A. Ghasemi-Marzbali, A novel nature-inspired meta-heuristic algorithm for optimization: bear smell search algorithm, Soft Comput. 24 (2020) 13003–13035.

[399]  (BIMHO)  S.  Debnath,  W.  Arif,   S.  Baishya,  Buyer  Inspired  Meta-Heuristic   Optimization Algorithm, Open Comput. Sci. 10 (2020) 194–219. https://doi.org/10.1515/comp-2020-0101.

[400] (DGO) M. Dehghani, Z. Montazeri, H. Givi, J. Guerrero, G. Dhiman, Darts Game Optimizer: A New  Optimization  Technique  Based  on  Darts  Game,  Int.  J.  Intell.  Eng.  Syst.   13  (2020) 286–294. https://doi.org/10.22266/ijies2020.1031.26.

[401] (DDAO) H.N. Ghafil, K. Jármai, Dynamic differential annealed optimization: New metaheuristic optimization   algorithm   for   engineering    applications,   Appl.   Soft    Comput.   93   (2020). Redirecting.

[402]  (DOA) A.I. Wagan, M.M.  Shaikh, Numerical  data  for wind turbine micrositing  inspired by human dynasties by use of the Dynastic Optimization Algorithm (DOA), 3C Tecnol. Glosas

Innovación Apl. a LaPyme. (2020) 71–85.

[403] (FBI) J.-S. Chou, N.-M. Nguyen, FBI inspired meta-optimization, Appl. Soft Comput. 93 (2020) 106339.

[404]   (PGO)   A.   Kaveh,   H.   Akbari,   S.M.   Hosseini,   Plasma   generation   optimization:   a   new physically-based metaheuristic algorithm for solving constrained optimization problems, Eng. Comput. (2020).

[405] (NMA) S. Gholizadeh, M. Danesh, C. Gheyratmand, A new Newton metaheuristic algorithm for discrete performance-based design optimization of steel moment frames, Comput. Struct. 234 (2020) 106250.

[406] (TSA)  S. Kaur, L.K. Awasthi, A.L.  Sangal, G. Dhiman, Tunicate  Swarm Algorithm: A new bio-inspired based metaheuristic paradigm for global optimization, Eng. Appl. Artif. Intell. 90 (2020) 103541.

[407] (MPA) A. Faramarzi, M. Heidarinejad, S. Mirjalili, A.H. Gandomi, Marine Predators Algorithm: A     nature-inspired      metaheuristic,      Expert      Syst.      Appl.       152      (2020)      113377. https://doi.org/https://doi.org/10.1016/j.eswa.2020.113377.

[408] (EO) A. Faramarzi, M. Heidarinejad, B. Stephens, S. Mirjalili, Equilibrium optimizer: A novel

optimization        algorithm,         Knowledge-Based        Syst.         191         (2020)        105190.

https://doi.org/https://doi.org/10.1016/j.knosys.2019.105190.

[409]  (EFO)  S.  Yilmaz,  S.  Sen,  Electric  fish  optimization:  a  new  heuristic  algorithm  inspired  by electrolocation, Neural Comput. Appl. 32 (2020) 11543–11578.

[410] (SMA)  S. Li, H. Chen, M. Wang, A.A. Heidari, S. Mirjalili, Slime mould algorithm: A new method for stochastic optimization, Futur. Gener. Comput. Syst. 111 (2020) 300–323.

[411]  (BWOA)  V.  Hayyolalam,  A.A.P.   Kazem,  Black  widow  optimization  algorithm:  a  novel  meta-heuristic approach for solving engineering optimization problems, Eng. Appl. Artif. Intell. 87 (2020) 103249.

[412]  (MRFO)  W.  Zhao,  Z.  Zhang,  L.  Wang,  Manta  ray   foraging   optimization:  An   effective bio-inspired  optimizer  for  engineering  applications,  Eng.  Appl.   Artif.  Intell.  87  (2020). https://doi.org/10.1016/j.engappai.2019.103300.

[413] (MA) K. Zervoudakis, S. Tsafarakis, A mayfly optimization algorithm, Comput. Ind. Eng. 145 (2020) 106559.

[414] (OA) H. Drias, Y. Drias, I. Khennak, A new swarm algorithm based on orcas intelligence for solving maze problems, in: World Conf. Inf. Syst. Technol., Springer, 2020: pp. 788–797.

[415] (PO) Q. Askari, I. Younas, M. Saeed, Political Optimizer: A novel socio-inspired meta-heuristic for          global           optimization,          Knowledge-Based           Syst.           195           (2020). Redirecting.

[416] (GTOA) Y. Zhang, Z. Jin, Group teaching optimization algorithm: A novel metaheuristic method for     solving     global     optimization      problems,     Expert     Syst.     Appl.      148     (2020). https://doi.org/10.1016/j.eswa.2020.113246.

[417] (TFWO) M. Ghasemi, I.F. Davoudkhani, E. Akbari, A. Rahimnejad, S. Ghavidel, L. Li, A novel and effective optimization algorithm for global optimization and its engineering applications: Turbulent  Flow  of Water-based  Optimization  (TFWO),  Eng.  Appl.  Artif.  Intell.  92  (2020) 103666.

[418] (HUA) H. Ghasemian, F. Ghasemian, H. Vahdat-Nejad, Human urbanization algorithm: A novel metaheuristic        approach,        Math.         Comput.        Simul.         178        (2020)         1–15.

https://doi.org/10.1016/j.matcom.2020.05.023.

[419] (COA) M. Khishe, M.R. Mosavi, Chimp optimization algorithm, Expert Syst. Appl. 149 (2020) 113338.

[420]   (COA)   F.   Martínez-Álvarez,    G.   Asencio-Cortés,   J.F.   Torres,   D.    Gutiérrez-Avilés,   L. Melgar-García,   R.    Pérez-Chacón,   C.    Rubio-Escudero,    J.C.   Riquelme,    A.    Troncoso, Coronavirus  optimization  algorithm:  a  bioinspired  metaheuristic  based  on  the  COVID-19 propagation model, Big Data. 8 (2020) 308–322.

[421] (CVA) E. Hosseini, K.Z. Ghafoor, A.S. Sadiq, M. Guizani, A. Emrouznejad, Covid-19 optimizer algorithm, modeling and controlling of coronavirus distribution process, IEEE J. Biomed. Heal. Informatics. 24 (2020) 2765–2775.

[422] (MGPE) X. Xu, Z. Hu, Q. Su, Y. Li, J. Dai, Multivariable grey prediction evolution algorithm: a new metaheuristic,Appl. Soft Comput. 89 (2020) 106086.

[423] (SOA) A. Kaur, S. Jain, S. Goel, Sandpiper optimization algorithm: a novel approach for solving real-life engineering problems, Appl. Intell. 50 (2020) 582–619.

[424] (SSOM) A. Kaveh, A. Zaerreza, Shuffled shepherd optimization method: a new Meta-heuristic algorithm, Eng. Comput. 37 (2020) 2357–2389. https://doi.org/10.1108/ec-10-2019-0481.

[425]  (RDA)  A.M.  Fathollahi-Fard,  M.  Hajiaghaei-Keshteli,  R.  Tavakkoli-Moghaddam,  Red  deer algorithm (RDA): a new nature-inspired meta-heuristic, Soft Comput. 24 (2020) 14637–14665.

[426]  (GTOM) A.F. Nematollahi, A. Rahiminejad, B. Vahidi, A novel meta-heuristic optimization

method based on golden ratio in nature, Soft Comput. 24 (2020) 1117–1151.

[427]  (GSKA)  A.W.  Mohamed,  A.A.  Hadi,  A.K.  Mohamed,   Gaining-sharing  knowledge  based algorithm for solving optimization problems: a novel nature-inspired algorithm, Int. J. Mach. Learn. Cybern. 11 (2020) 1501–1529. https://doi.org/10.1007/s13042-019-01053-x.

[428]  (AISA)  E.  Bogar,   S.  Beyhan,  Adolescent  Identity   Search  Algorithm  (AISA):  A  novel metaheuristic  approach  for  solving  optimization  problems,  Appl.  Soft  Comput.  95  (2020). https://doi.org/10.1016/j.asoc.2020.106503.

[429] (CSA) M. Braik, A. Sheta, H. Al-Hiary, A novel meta-heuristic search algorithm for solving optimization   problems:   capuchin   search   algorithm,   Neural   Comput.   Appl.   33   (2021) 2515–2547.

[430]   (GPC)   S.   Harifi,   J.   Mohammadzadeh,   M.   Khalilian,   S.   Ebrahimnejad,   Giza   Pyramids Construction: an ancient-inspired metaheuristic algorithm for optimization, Evol. Intell. (2020) 1–19.

[431]  (GTA)  G.  Meirelles,  B.  Brentan,  J.  Izquierdo,  E.  Luvizotto,  Grand  Tour  Algorithm:  Novel

Swarm-Based Optimization for High-Dimensional Problems, Processes. 8 (2020) 980.

[432]  (GFA) R.  Guha,  S.  Ghosh, K.K.  Ghosh, R.  Sarkar,  Groundwater Flow Algorithm: A Novel Hydro-geology based Optimization Algorithm, (2020).

[433]   (GO)   I.   Ahmadianfar,   O.   Bozorg-Haddad,   X.   Chu,   Gradient-based   optimizer:   A   new metaheuristic optimization algorithm, Inf. Sci. (Ny). 540 (2020) 131–159.

[434]  (IAS)  M.  Jahangiri,  M.A.  Hadianfard,  M.A.  Najafgholipour,  M.  Jahangiri,  M.R.  Gerami, Interactive  autodidactic  school:  A  new  metaheuristic   optimization   algorithm  for  solving mathematical and structural design optimization problems, Comput. Struct. 235 (2020) 106268.

[435]  (LFD)  E.H.  Houssein,  M.R.  Saad,  F.A.  Hashim,  H.  Shaban,  M.  Hassaballah,  Lévy  flight distribution: A new metaheuristic algorithm for  solving engineering  optimization problems, Eng. Appl. Artif. Intell. 94 (2020) 103731.

[436]   (MSA)   M.   Dehghani,   H.   Samet,   Momentum   search   algorithm:   A   new   meta-heuristic optimization algorithm inspired by momentum conservation law, SN Appl. Sci. 2 (2020) 1-15.

[437]  (NPO)  S.Q.  Salih, A.A. Alsewari, A new  algorithm  for normal  and  large-scale  optimization problems: Nomadic People Optimizer, Neural Comput. Appl. 32 (2020) 10359-10386.

[438]  (NCCL)  W.  Al-Sorori,  A.M.  Mohsen,  New  Caledonian  crow  learning  algorithm:  A  new metaheuristic algorithm for solving continuous optimization problems, Appl. Soft Comput. 92 (2020). https://doi.org/10.1016/j.asoc.2020.106325.

[439]  (HOA)  D.  Moldovan,  Horse  Optimization  Algorithm:  A  Novel  Bio-Inspired  Algorithm  for Solving Global Optimization Problems, in: Comput. Sci. On-Line Conf., Springer, 2020: pp. 195-209.

[440] (RA) R. Rao, Rao algorithms: Three metaphor-less simple algorithms for solving optimization problems, Int. J. Ind. Eng. Comput. 11 (2020) 107-130.

[441] (RSO) G. Dhiman, M. Garg, A. Nagar, V. Kumar, M. Dehghani, A novel algorithm for global optimization:   Rat    Swarm   Optimizer,    J.   Ambient    Intell.   Humaniz.    Comput.    (2020). https://doi.org/10.1007/s12652-020-02580-0.

[442] (ROA) A.R. Moazzeni, E. Khamehchi, Rain optimization algorithm (ROA): A new metaheuristic method for drilling optimization solutions, J. Pet. Sci. Eng. 195 (2020) 107512.

[443] (SPOA) B. Das, V. Mukherjee, D. Das, Student psychology based optimization algorithm: a new

population based optimization algorithm for solving optimization problems, Adv. Eng. Softw. 146 (2020) 102804.

[444] (SOA) H. Emami, Seasons optimization algorithm, Eng. Comput. (2020) 1-21.

[445] (SGO) M. Dehghani, Z. Montazeri, O. Malik, H. Givi, J. Guerrero, Shell Game Optimization: A Novel    Game-Based    Algorithm,     Int.    J.    Intell.     Eng.    Syst.     13     (2020)    246-255. https://doi.org/10.22266/ijies2020.0630.23.

[446]  (SSA)  J.  Xue,  B.  Shen,  A  novel  swarm  intelligence  optimization  approach:  sparrow  search

algorithm, Syst. Sci. Control Eng. 8 (2020) 22-34.

[447] (TTA) M.F.F.A. Rashid, Tiki-taka algorithm: a novel metaheuristic inspired by football playing style, Eng. Comput. (2020).

[448]  (TSO)  M.H.  Qais,  H.M.  Hasanien,  S.  Alghuwainem,  Transient  search  optimization:  a  new meta-heuristic      optimization      algorithm,      Appl.      Intell.      50      (2020)      3926-3941. https://doi.org/10.1007/s10489-020-01727-y.

[449]  (VLEA)  C.  Taramasco,  B.  Crawford,  R.  Soto,  E.M.  Cortés-Toro,  R.  Olivares,  A  new

metaheuristic based  on  vapor-liquid  equilibrium  for  solving  a  new  patient bed  assignment problem, Expert Syst. Appl. 158 (2020) 113506.

[450] (VSO) Z. Li, V. Tam, A novel meta-heuristic optimization algorithm inspired by the spread of viruses, ArXiv Prepr. ArXiv2006.06282. (2020).

[451] (WFS) N. Covic, B. Lacevic, Wingsuit flying search—A novel global optimization algorithm, IEEE Access. 8 (2020) 53883-53900.

[452]  (WSA)  A.  Kaveh,  A.  Dadras  Eslamlou,  Water  strider  algorithm:  A  new  metaheuristic  and applications,                      Structures.                     25                      (2020)                      520-541. https://doi.org/https://doi.org/10.1016/j.istruc.2020.03.033.

[453] (WMA) M. Karimzadeh Parizi, F. Keynia, A. Khatibi Bardsiri, Woodpecker Mating Algorithm (WMA): a nature-inspired algorithm for solving optimization problems, Int. J. Nonlinear Anal. Appl. 11 (2020) 137-157.

[454] (SSA) F. Zitouni, S. Harous, R. Maamri, The Solar System Algorithm: a novel metaheuristic method for global optimization, IEEE Access. 9 (2020) 4542-4565.

[455]  (ARSH-FATI-CHS)  H.  Ali,  U.U.  Tariq,  M.  Hussain,  L.  Lu,  J.  Panneerselvam,  X.  Zhai, ARSH-FATI: A Novel Metaheuristic for Cluster Head Selection in Wireless Sensor Networks, IEEE Syst. J. 15 (2020) 2386-2397.

[456]  (TYA)  T.  Li,  S.  Fong,  A.J.  Tallón-Ballesteros,  Teng-Yue  algorithm:  A  novel  metaheuristic search  method  for  fast  cancer  classification,  in:  Proc.  2020  Genet.  Evol.  Comput.  Conf. Companion, 2020: pp. 47-48.

[457] (PO) M.R. Kahrizi, S.J. Kabudian, Projectiles Optimization: A Novel Metaheuristic Algorithm for Global Optimization, Int. J. Eng. 33 (2020) 1924-1938.

[458] (CHA) M. Zaeimi, A. Ghoddosian, Color harmony algorithm: an art-inspired metaheuristic for mathematical function optimization, Soft Comput. 24 (2020) 12027-12066.

[459]  (MOBAS)  J.  Zhang,  Y.  Huang,  G.  Ma,  B.  Nener,  Multi-objective  beetle  antennae  search algorithm, ArXiv Prepr. ArXiv2002.10090. (2020).

[460] (OOA) N.A. Golilarz, H. Gao, A. Addeh,  S. Pirasteh, ORCA optimization algorithm: a new meta-heuristic  tool  for  complex  optimization  problems,  in:  2020   17th  Int.  Comput.  Conf. Wavelet Act. Media Technol. Inf. Process., IEEE, 2020: pp. 198-204.

[461] (PAS) Y. Liu, R. Li, PSA: a photon search algorithm, J. Inf. Process. Syst. 16 (2020) 478-493.

[462] (KSO) R. Dong, S. Wang, New optimization algorithm inspired by kernel tricks for the economic emission dispatch problem with valve point, IEEE Access. 8 (2020) 16584-16594.

[463]  (SSA)  R.K.  Misra,  D.  Singh,  A.  Kumar,  Spherical  search  algorithm:  A  metaheuristic  for bound-constrained optimization, in: Indo-French  Semin. Optim. Var. Anal. Appl.,  Springer, 2020: pp. 421-441.

[464]  (TDSD)  X.  Li,  Z.  Cai,  Y.  Wang,  Y.  Todo,  J.  Cheng,  S.  Gao,  TDSD:  A  new  evolutionary algorithm based on triple distinct search dynamics, IEEE Access. 8 (2020) 76752-76764.

[465] (CGO) S. Talatahari, M. Azizi, Chaos Game Optimization: a novel metaheuristic algorithm, Artif. Intell. Rev. 54 (2021) 917-1004.

[466]  (CSA)  M.S.  Braik,  Chameleon  Swarm  Algorithm:  A  bio-inspired  optimizer  for  solving engineering design problems, Expert Syst. Appl. 174 (2021) 114685.

[467] (AOS) M. Azizi, Atomic orbital search: A novel metaheuristic algorithm, Appl. Math. Model. 93 (2021) 657-683.

[468] (JS) J.-S. Chou, D.-N. Truong, A novel metaheuristic optimizer inspired by behavior of jellyfish in ocean, Appl. Math. Comput. 389 (2021). https://doi.org/10.1016/j.amc.2020.125535.

[469] (CSA) Z. Feng, W. Niu, Hybrid artificial neural network and cooperation search algorithm for nonlinear    river    flow    time    series    forecasting    in    humid    and    semi-humid    regions, Knowledge-Based Syst. 211 (2021) 106580.

[470]  (MGA)  S.  Talatahari,  M.  Azizi,  A.H.  Gandomi,  Material  Generation  Algorithm:  A  Novel Metaheuristic Algorithm for Optimization of Engineering Problems, Processes. 9 (2021) 859.

[471]  (CryStAl)  S.  Talatahari,  M.  Azizi,  M.  Tolouei,  B.  Talatahari,  P.  Sareh,  Crystal  Structure Algorithm   (CryStAl):   A   Metaheuristic   Optimization   Method,   IEEE   Access.   9   (2021) 71244-71261.

[472] (AOA) F.A. Hashim, K. Hussain, E.H. Houssein, M.S. Mabrouk, W. Al-Atabany, Archimedes  optimization algorithm: a new metaheuristic algorithm for solving optimization problems, Appl. Intell. (2020). https://doi.org/10.1007/s10489-020-01893-z.

[473] (AHO) F. Zitouni, S. Harous, A. Belkeram, L.E.B. Hammou, The Archerfish Hunting Optimizer: a  novel  metaheuristic  algorithm  for  global  optimization,  ArXiv  Prepr.  ArXiv2102.02134.

(2021).

[474] (BRO) T. Rahkar Farshi, Battle royale optimization algorithm, Neural Comput. Appl. 33 (2021) 1139–1157.

[475] (ALSO) N. Kumar, N. Singh, D.P. Vidyarthi, Artificial lizard search optimization (ALSO): a novel nature-inspired meta-heuristic algorithm, Soft Comput. 25 (2021) 6179–6201.

[476]  (QFA)  F.  Zitouni,  S.  Harous,  R.  Maamri,  A  Novel  Quantum  Firefly  Algorithm  for  Global Optimization, Arab. J. Sci. Eng. (2021) 1–19.

[477] (FDA) H. Karami, M.V. Anaraki, S. Farzin, S. Mirjalili, Flow Direction Algorithm (FDA): A Novel  Optimization  Approach  for  Solving  Optimization  Problems,  Comput.  Ind.  Eng.  156 (2021) 107224.

[478]  (LA)  J.L.J.  Pereira,  M.B.  Francisco,  C.A.  Diniz,  G.A.  Oliver,  S.S.  Cunha  Jr,  G.F.  Gomes, Lichtenberg algorithm: A novel hybrid physics-based meta-heuristic for global optimization, Expert Syst. Appl. 170 (2021) 114522.

[479] (POA) I.M. Abdullahi, M.B. Mu’azu, O.M. Olaniyi, J. Agajo, Pastoralist Optimization Algorithm

(POA): A Culture-Inspired Metaheuristic for Uncapacitated Facility Location Problem (UFLP),

(2021).

[480] (EOSA) O.N. Oyelade, A.E. Ezugwu, Ebola Optimization Search Algorithm (EOSA): A new metaheuristic algorithm based on the propagation model of Ebola virus disease, ArXiv Prepr. ArXiv2106.01416. (2021).

[481]  (ECO) M. Jafari, E.  Salajegheh, J.  Salajegheh, Elephant  clan optimization:  a nature-inspired metaheuristic algorithm for the optimal design of structures, Appl. Soft Comput.  113 (2021) 107892.

[482]  (RCM)  W.J.  AL-kubaisy,  M.  Yousif,  B.  Al-Khateeb,  M.  Mahmood,  D.-N.  Le,  The  Red Colobuses  Monkey:  A New Nature–Inspired  Metaheuristic  Optimization  Algorithm,  Int.  J. Comput. Intell. Syst. 14 (2021) 1108–1118.

[483]  (GEO)  A.  Mohammadi-Balani,  M.D.  Nayeri,  A.  Azar,  M.  Taghizadeh-Yazdi,  Golden  eagle optimizer: A nature-inspired metaheuristic algorithm, Comput. Ind. Eng. 152 (2021) 107050.

[484] (GMBO) M. Dehghani, Z. Montazeri, Š . Hubálovský, GMBO: Group Mean-Based Optimizer for Solving Various Optimization Problems, Mathematics. 9 (2021) 1190.

[485]  (DO)  A.K.  Bairwa,  S.  Joshi,  D.  Singh,  Dingo  Optimizer:  A  Nature-Inspired  Metaheuristic Approach for Engineering Problems, Math. Probl. Eng. 2021 (2021).

[486]  (CHIO)  M.A.  Al-Betar,  Z.A.A.  Alyasseri,  M.A.  Awadallah,  I.A.  Doush,  Coronavirus  herd immunity optimizer (CHIO), Neural Comput. Appl. 33 (2021) 5011–5042.

[487] (RFO) D. Połap, M. Woźniak, Red fox optimization algorithm, Expert Syst. Appl.  166 (2021) 114107.

[488] (AOA) L. Abualigah, A. Diabat,  S. Mirjalili, M. Abd Elaziz, A.H. Gandomi, The arithmetic optimization algorithm, Comput. Methods Appl. Mech. Eng. 376 (2021) 113609.

[489]  (AVOA)  B.  Abdollahzadeh,  F.S.  Gharehchopogh,  S.  Mirjalili,  African vultures  optimization

algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems, Comput. Ind. Eng. 158 (2021) 107408.

[490] (GTO) B. Abdollahzadeh, F. Soleimanian Gharehchopogh, S. Mirjalili, Artificial gorilla troops  optimizer: A new nature‐inspired metaheuristic algorithm for global optimization problems, Int.

J. Intell. Syst. 36 (2021) 5887–5958.

[491] (AHA) W. Zhao, L. Wang, S. Mirjalili, Artificial hummingbird algorithm: A new bio-inspired optimizer with its engineering applications, Comput. Methods Appl. Mech. Eng. 388 (2022) 114194.

[492]  (IIFA)  A.  Karpenko,  I.  Kuzmina,  Meta-Heuristic  Algorithm  for  the  Global  Optimization: Intelligent Ice Fishing Algorithm, in: Inven. Syst. Control, Springer, 2021: pp. 147–160.

[493]  (KMA)  S.  Suyanto,  A.A.  Ariyanto,  A.F.  Ariyanto,  Komodo  Mlipir  Algorithm,  Appl.  Soft Comput. (2021) 108043.

[494] (LPE) C. Gao, Z. Hu, W. Tong, Linear prediction evolution algorithm: a simplest evolutionary optimizer, Memetic Comput. 13 (2021) 319–339.

[495] (MOTR) Y. Masoudi-Sobhanzadeh, B. Jafari, S. Parvizpour, M.M. Pourseif, Y. Omidi, A novel multi-objective metaheuristic algorithm for protein-peptide docking and benchmarking on the LEADS-PEP dataset, Comput. Biol. Med. 138 (2021) 104896.

[496] (OSPO) J. Xu, L. Xu, Optimal Stochastic Process Optimizer: A New Metaheuristic Algorithm With Adaptive Exploration-Exploitation Property, IEEE Access. 9 (2021) 108640–108664.

[497] (ROA) H. Jia, X. Peng, C. Lang, Remora optimization algorithm, Expert Syst. Appl. 185 (2021) 115665.

[498]  (RTGBO)   S.A.  Doumari,  H.  Givi,  M.  Dehghani,  O.P.  Malik,  Ring  Toss  Game-Based Optimization Algorithm for Solving Various Optimization Problems, Int. J. Intell. Eng. Syst. 14 (2021) 545–554.

[499]  (RUN)  I.  Ahmadianfar,  A.A.  Heidari,  A.H.  Gandomi,  X.  Chu,  H.  Chen,  RUN  beyond  the  metaphor: an efficient optimization algorithm based on Runge Kutta method, Expert Syst. Appl. 181 (2021) 115079.

[500]  (SaMW)  D.  Tychalas,  H.  Karatza,  SaMW:  a  probabilistic  meta-heuristic  algorithm  for  job scheduling in heterogeneous distributed systems powered by microservices, Cluster Comput. 24 (2021) 1735–1759.

[501]  (STA)  L.  Rodriguez,  O.  Castillo,  M.  Garcia,  J.  Soria,  A  new  meta-heuristic  optimization algorithm based on a paradigm from physics: string theory, J. Intell. Fuzzy Syst. 41 (2021) 1657–1675.

[502]  (SHIO)  H.N.  Fakhouri,  F.  Hamad,  A.  Alawamrah,  Success  history  intelligent  optimizer,  J. Supercomput. (2021) 1–42.

[503]  (TSA) A. Layeb, The Tangent  Search Algorithm  for  Solving Optimization Problems, ArXiv Prepr. ArXiv2104.02559. (2021).

[504] (TSO) L. Xie, T. Han, H. Zhou, Z.-R. Zhang, B. Han, A. Tang, Tuna swarm optimization: a novel swarm-based metaheuristic algorithm for global optimization, Comput. Intell. Neurosci. 2021 (2021).

[505] (VCA) E. Hosseini, A.S. Sadiq, K.Z. Ghafoor, D.B. Rawat, M. Saif, X. Yang, Volcano eruption

algorithm for solving optimization problems, Neural Comput. Appl. 33 (2021) 2321–2337.

[506] (SFOA) D. Sattar, R. Salim, A smart metaheuristic algorithm for solving engineering problems, Eng. Comput. 37 (2021) 2389–2417.

[507]  (AFT)  M.  Braik,  M.H.  Ryalat,  H.  Al-Zoubi,  A  novel  meta-heuristic  algorithm  for  solving numerical optimization problems: Ali Baba and the forty thieves, Neural Comput. Appl. 34 (2022) 409–455.

[508] (HBA) F.A. Hashim, E.H. Houssein, K. Hussain, M.S. Mabrouk, W. Al-Atabany, Honey Badger

Algorithm: New metaheuristic algorithm for solving optimization problems, Math. Comput. Simul. 192 (2022) 84–110.

[509]  (OPA) Y. Jiang,  Q. Wu,  S. Zhu, L. Zhang,  Orca predation  algorithm: A novel bio-inspired algorithm for global optimization problems, Expert Syst. Appl. 188 (2022) 116026.

[510] (RSA) L. Abualigah, M. Abd Elaziz, P. Sumari, Z.W. Geem, A.H. Gandomi, Reptile Search Algorithm (RSA): A nature-inspired meta-heuristic optimizer, Expert Syst. Appl.  191 (2022) 116158.

[511] (TSA) Layeb, Abdesslem. "Tangent search algorithm for solving optimization problems." Neural Computing and Applications 34.11 (2022): 8853-8884.