摘要
鲸鱼优化算法(whale optimization algorithm,WOA)是一种通过模拟鲸鱼独特的觅食行为而提出的一种新型群启发式算法。该算法具有操作简单，需要设置的参数少，寻优性能强等特点。但WOA算法的研究还处于起步阶段，算法仍存在收敛精度低和容易陷入局部最优的缺陷。本文基于标准鲸鱼优化算法进行改进研究，提出了求解大规模函数优化问题，模糊软集合参数约简问题以及复杂网络可控性优化问题的多种改进算法。通过仿真对比，验证了改进后鲸鱼优化算法的有效性。主要研究内容如下: (1)为平衡鲸鱼优化算法全局和局部搜索能力，提高算法的收敛速度和精度,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA)。通过将AWOA算法与其他多种改进的鲸鱼优化算法进行函数优化仿真对比，结果表明，AWOA算法在收敛精度和收敛速度以及大规模优化问题求解方面总体上优于其他多种改进WOA算法。 (2)为增强鲸鱼优化算法对大规模问题的优化求解能力，引入最优个体混沌搜索策略，提出一种自适应混沌鲸鱼优化算法(ACWOA)。针对模糊软集合传统约简方法不适用对大量数据分析的缺陷，建立了模糊软集合参数约简模型。将ACWOA算法运用于高维函数优化和模糊软集合参数约简问题，实验结果验证了ACWOA算法的稳定性和有效性。 (3)为增强鲸鱼优化算法跳出局部最优的能力，引入最优个体反向学习策略,提出一种基于精英反向学习策略的鲸鱼优化算法(RWOA)。将RWOA算法运用于复杂网络可控性优化问题。通过与遗传算法的仿真对比，结果表明，基于RWOA的网络可控性优化算法无论是在时间效率还是在寻优成功率上，都有了很大的提高。
NETL