基于高斯概率分布采样学习的SSA算法探讨

王亚玲，张清泉

山西师范大学物理与信息工程学院，山西 临汾 041000

近年来，元启发式算法因其灵活性高、无梯度机制和可跳出局部最优等优点被人们广泛使用.基本的樽海鞘算法具有简单易行、计算力量小等优点，但仍然存在易陷入局部最优，收敛速度慢等问题.在此研究基础上，文献[1]提出了自适应评估移动策略和基于冯诺依曼拓扑结构的邻域最优引领策略的改进樽海鞘群算法，该算法较标准算法具有更好的性能.文献[2]在基本樽海鞘群算法的基础上引入文化基因算法，采用多个樽海鞘链同时进行寻优，并在硬件在环实验中证明了改进算法的可行性.以上算法从不同方面对樽海鞘群算法进行了改进，并有一定的性能提升，但仍存在局部开发能力差、收敛速度慢等缺点.针对上述问题，本文通过樽海鞘(追随者)位置更新环节中采用高斯概率分布采样的方法，使樽海鞘追随最优解方向，加快算法进入食物源所在区域的能力，进一步提高了SSA算法跳出局部最优的能力.

1 基本的樽海鞘群算法

樽海鞘群算法(Salp Swarm Algorithm,SSA)是模仿樽海鞘群在海洋中航行和觅食的群族行为，由Seyedali Mirjalili等人在2017年提出的一种元启发式算法[3].樽海鞘是类似于水母的一种海洋动物，其在航行和觅食过程中通常会形成链型，即后一个樽海鞘的位置跟随着前一个樽海鞘的位置变化；Seyedali Mirjalili提出了一种樽海鞘链的数学模型，将樽海鞘种群分为领导者和追随者2种类型.领导者……