智能算法改进

小O的算法实验室

2025年AIR SCI1区TOP，多策略增强蜣螂算法MDBO+实际工程问题，深度解析+性能实测蜣螂优化算法（DBO）作为一种创新元启发式算法，虽具备良好的数值优化能力，但存在收敛速度慢且易陷入局部最优的问题，主要因探索与开发失衡、协同搜索能力不足及群体多样性缺乏所致。为解决这些不足，本文提出了一种基于多策略增强蜣螂优化算法（MDBO），MDBO算法通过自适应调节和精英信息共享，构建搜索-增强-逃逸的协同优化框架，融合双重自适应搜索策略、精英增强解质量机制和动态反向学习，有效提升了群体多样性、协同搜索能力及跳出局部最优的能力，从而实现更高效的全局优化搜索。

小O的算法实验室

2025年OE SCI2区TOP，进化麻雀搜索算法ESSA+海洋阻尼器迟滞建模与辨识，深度解析+性能实测海洋阻尼器的机械性能通常具有高度非线性，以适应动态和冲击环境。阻尼器经过动态和冲击测试，发现其滞回曲线具有速率依赖性且呈非对称性。为了能够描述动态滞回和冲击滞回，基于广义Prandtl-Ishlinskii（GPI）模型提出了一种速率依赖广义Prandtl-Ishlinskii（RDGPI）模型，该模型是GPI模型与径向基函数（RBF）神经网络的混合体。由于模型参数众多，为了提升参数识别效果，本文提出了一种进化麻雀搜索算法（ESSA），其显著提升了参数识别的效率和准确性。

小O的算法实验室

2025年ESWA SCI1区TOP，离散人工蜂群算法+多农场多除草机器人任务分配，深度解析+性能实测随着智慧农业的不断推进，农业机器人在提升生产力和降低成本方面的潜力日益凸显。本文研究了多农场多除草机器人任务分配问题（MFMWRTA），其目标是最小化最大完成时间。为了解决该问题，本文提出了一种基于改进型离散人工蜂群算法（DABC）的多农场离散人工蜂群算法（MFDABC）。MFDABC算法首先通过提出的基于多农场NEH（MFNEH）启发式方法和基于迭代贪婪（IG）启发式方法生成高质量的初始解，并为每个农场分配适量的除草机器人。在雇佣蜂阶段和侦查蜂阶段，研究中设计了五种局部搜索算子，以提升算法的局部搜索能力

小O的算法实验室

2019年SEVC SCI1区TOP：维度学习粒子群算法TSLPSO，深度解析+性能实测传统粒子群算法（PSO）通过粒子根据个体最佳经验和种群最佳经验更新速度和位置，虽然这种学习机制简单易行，但容易产生振荡等问题。因此设计一种有效的学习策略，以克服这些问题并提高搜索效率，成为PSO研究中的重要课题。本文提出了一种基于粒子个人最佳经验维度学习策略（DLS），其用来发现并整合种群最佳解中的有前景信息。基于BLS，本文提出了双群学习粒子群算法（TSLPSO），该算法采用不同的学习策略：一个子群通过DLS构建学习示例来引导粒子的局部搜索，另一个子群则通过综合学习策略来引导全局搜索。

小O的算法实验室

2024年ESWA SCI1区TOP：量子计算蜣螂算法QHDBO，深度解析+性能实测蜣螂优化算法是一种群体智能优化算法，具有较强的优化能力和快速收敛性，但容易在优化过程后期陷入局部最优解。本文提出了一种量子计算和多策略混合的蜣螂优化算法（QHDBO），QHDBO通过佳点集初始化种群，动态平衡机制，量子t分布变异策略增强DBO算法，可以避免算法陷入局部最优解。

小O的算法实验室

2023年CCF-C NCA：自适应麻雀搜索算法MASSA，深度解析+性能实测麻雀搜索算法（SSA）是一种受麻雀觅食策略启发的元启发式算法，尽管SSA性能竞争力强，但仍存在开发与探索不平衡，容易陷入局部最优的问题。本文提出改进自适应麻雀搜索算法（MASSA），其通过引入混沌反向学习技术增加种群多样性，并通过动态自适应权重来平衡算法的开发与探索能力。此外，自适应螺旋搜索策略进一步提升了MASSA的性能。

小O的算法实验室

【论文复现】基于维度狩猎学习的改进秃鹰搜索算法用于自动驾驶问题由于道路曲率穿透和参数不确定性带来的侧向偏差，自动驾驶车辆控制器面临提供准确、快速响应及小幅超调等性能挑战。本文提出了一种基于维度狩猎学习（DLH）机制改进秃鹰搜索算法（IBES）。此外，通过基于Hermite-Biehler定理的频率域界限，优化模型预测控制（MPC）的调整，以适应AV速度和道路曲率的变化。