论文中常用的改进群智能优化算法（100种改进算法、三类改进方法，干货收藏）

对有些不太了解算法的同学，先科普一下什么是智能优化算法

基本思想

群算法的核心含义就是模拟各种动物或者事物群体的一种寻优过程，群优化算法通过设计一种无质量的粒子来模拟各种动物群中的个体，个体仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个单体在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个群里的其他个体共享，找到最优的那个单体极值作为整个群的当前全局最优解，群中的所有单体根据自己找到的当前个体极值和整个群共享的当前全局最优解来调整自己的速度和位置，该类方法一般用于优化问题。

下面的动图很形象地展示了群智能算法的过程：

很多研究生的在写论文的时候都会用到各种优化算法，例如粒子群算法、蚁群算法、遗传算法等。但由于这些算法都太老，所以往往导致论文的创新度不够，达不到期刊的发表要求，于是就衍生出了大量的新改进算法以提高创新度。如果有不太会写论文的同学也可以看看这篇关于写论文的超详细教程。

算法改进就是一种创新，只要你改的是合理且有效的。那到底怎么去改进算法呢？我为大家总结了三类改进的策略以及100多种已经改进的优化算法，配有论文题目，大家可以去知网搜索下载学习，可以引用这些优秀的改进算法来研究自己的题目。

以下是我总结的改进算法的三种类型的方法和100多种已经改进的算法及相应的论文，供大家参考学习。

一、通过初始化种群改进

大多数群体智能算法初始种群中个体的生成是给定范围内随机生成，导致初始个体具有较大的随机性和不确定性，所以可以通过改进初始化种群的方式改进算法优化和收敛性能，实现局部开发和全局探索能力的提升。

1. 混沌映射

2. 反向学习

3. 莱维飞行

二、策略优化个体迭代更新

每个群智能算法中的个体的寻优方式不一样，导致了每种算法的寻优能力不同，例如传统的鲸鱼优化算法中鲸鱼群分为三步：收缩包围，螺旋气泡捕食，随机搜索。但仅有这三步很容易陷入局部最优或者偏离目标。这个时候就需要多加上一到两步的寻优策略，来减小寻优时候所产生的误差，常加的策略有以下几种：

1.高斯游走策略（正态分布）

2. 随机游走策略（布朗运动）

3.正余弦优化策略

4.自适应策略

5.变异扰动策略

这一块我没找到相应的解释，我给大家解释一下什么是变异扰动，当算法进入末尾的时候一般会进入到一个局部搜索的状态，这个时候如果前期偏离了目标值，再怎么在局部进行寻优都是无效的，所以为了保障在最后寻优阶段能再跳出一次局部区域，可以将搜索群体随机弹跳到离目前所在位置较远的新区域，以此来检查是否还有更优的目标解，达到全局开发的效果，这无疑是种不错的改进方式，变异扰动的方法有，柯西变异、差分变异等扰动。

三、混合算法

有些优化算法适用于筛选，有些算法的群体则更易于扩散，这样的两种优化算法都有自己的优点，那么可以将两个算法的优点进行结合，使得新算法不仅筛选能力强，扩散性能也很好。

将两种算法的优点结合进行改进，如：

1. 遗传算法和粒子群算法结合的遗传粒子群算法（GAPSO）

2. 模拟退火算法和粒子群算法结合的遗传粒子群算法（SAPSO）

为了方便大家对智能优化算法进行改进，在这里给大家收集了多种智能优化改进算法供大家参考。

1. 基于变因子加权学习与邻代维度交叉策略的改进乌鸦算法 [1]赵世杰,高雷阜,于冬梅,徒君.基于变因子加权学习与邻代维度交叉策略的改进CSA算法[J].电子学报,2019,47(01)**:40-48.

2. 自适应t分布变异的缎蓝园丁鸟优化算法 [1]韩斐斐,刘升.基于自适应t分布变异的缎蓝园丁鸟优化算法[J].微电子学与计算机,2018,35(08)**:117-121

3. 混沌麻雀搜索优化算法[1]吕鑫,慕晓冬,张钧,王震.混沌麻雀搜索优化算法[J/OL].北京航空航天大学学报:1-10[2020-11-16].https://doi.org/10.13700/j.bh.1001-5965.2020.0298.

4. 非均匀变异的互利自适应缎蓝园丁鸟优化算法 [1]王依柔,张达敏,樊英.非均匀变异的互利自适应缎蓝园丁鸟优化算法[J/OL].计算机工程与科学:1-10[2020-11-23]. http://kns.cnki.net/kcms/detail/43.1258.TP. 20200803.1202.004.html

5. 基于自适应权重的缎蓝园丁鸟优化算法 [1]鲁晓艺,刘升,韩斐斐,于建芳.基于自适应权重的缎蓝园丁鸟优化算法[J].智能计算机与应用,2018,8(06)**:94-100

6. 多段扰动共享型乌鸦算法 [1]辛梓芸,张达敏,陈忠云,张绘娟,闫威.多段扰动的共享型乌鸦算法[J].计算机工程与应用,2020,56(02)**:55-61

7. 正弦余弦指引的乌鸦搜索算法 [1]肖子雅,刘升,韩斐斐,于建芳.正弦余弦指引的乌鸦搜索算法研究[J].计算机工程与应用,2019,55(21)**:52-59.

8. 多子群的共生非均匀高斯变异樽海鞘群算法 [1]陈忠云,张达敏,辛梓芸.多子群的共生非均匀高斯变异樽海鞘群算法[J/OL].自动化学报:1-9[2020-11-25].https://doi.org/10.16383/j.aas.c190684.

9. 疯狂自适应的樽海鞘算法 [1]张达敏,陈忠云,辛梓芸,张绘娟,闫威.基于疯狂自适应的樽海鞘群算法[J].控制与决策,2020,35(09)**:2112-2120.

10. 正余弦算法的樽海鞘算法 [1]陈忠云,张达敏,辛梓芸.正弦余弦算法的樽海鞘群算法[J].计算机应用与软件,2020,37(09)**:209-214.

11. 自学习策略和Ｌevy飞行的正弦余弦优化算法 [1]李银通,韩统,赵辉,王骁飞.自学习策略和Lévy飞行的正弦余弦优化算法[J].重庆大学学报,2019,42(09)**:56-66.

12. 融合柯西变异和反向学习的改进麻雀算法 [1]毛清华,张强.融合柯西变异和反向学习的改进麻雀算法[J/OL].计算机科学与探索:1-12[2020-12-16].http://kns.cnki.net/kcms/detail/11.5602.tp.20201203.1601.006.html

13. 扇区搜索机制的果蝇优化算法 [1]曹珍贯,李智威,余俊峰.扇区搜索机制的果蝇优化算法[J].计算机工程与设计,2019,40(06)**:1590-1594.

14. 一种基于Levy飞行的改进蝗虫优化算法 [1]赵然,郭志川,朱小勇.一种基于Levy飞行的改进蝗虫优化算法[J].计算机与现代化,2020(01)**:104-110.

15. 基于曲线自适应和模拟退火的蝗虫优化算法 [1]李洋州,顾磊.基于曲线自适应和模拟退火的蝗虫优化算法[J].计算机应用研究,2019,36(12)**:3637-3643.

16. 混合柯西变异和均匀分布的蝗虫优化算法 [1]何庆,林杰,徐航.混合柯西变异和均匀分布的蝗虫优化算法[J/OL].控制与决策:1-10[2021-01-08].https://doi.org/10.13195/j.kzyjc.2019.1609.

17. 基于模拟退火的改进鸡群优化算法(SAICSO)[1]李振璧,王康,姜媛媛.基于模拟退火的改进鸡群优化算法[J].微电子学与计算机,2017,34(02)**:30-33+38.

18. 一种改进的鸡群算法(ICSO) [1]孔飞,吴定会.一种改进的鸡群算法[J].江南大学学报(自然科学版),2015,14(06):681-688.

19.全局优化的改进鸡群算法（ECSO)[1]韩斐斐,赵齐辉,杜兆宏,刘升.全局优化的改进鸡群算法[J].计算机应用研究,2019,36(08)**:2317-2319+2327.

20. 混沌精英哈里斯鹰优化算法(CEHHO) [1]汤安迪,韩统,徐登武,谢磊.混沌精英哈里斯鹰优化算法[J/OL].计算机应用:1-10[2021-01-29].

21. 基于翻筋斗觅食策略的灰狼优化算法（DSFGWO）[1]王正通,程凤芹,尤文,李双.基于翻筋斗觅食策略的灰狼优化算法[J/OL].计算机应用研究:1-5[2021-02-01].

22. 基于透镜成像学习策略的灰狼优化算法（LIS-GWO） [1]龙文,伍铁斌,唐明珠,徐明,蔡绍洪.基于透镜成像学习策略的灰狼优化算法[J].自动化学报,2020,46(10)**:2148-2164.

23. 一种优化局部搜索能力的灰狼算法（IGWO） [1]王习涛.一种优化局部搜索能力的灰狼算法[J].计算机时代,2020(12)**:53-55.

24. 基于自适应头狼的灰狼优化算法（ALGWO） [1]郭阳,张涛,胡玉蝶,杜航.基于自适应头狼的灰狼优化算法[J].成都大学学报(自然科学版),2020,39(01):60-63+73.

25. 基于自适应正态云模型的灰狼优化算法 （CGWO） [1]张铸,饶盛华,张仕杰.基于自适应正态云模型的灰狼优化算法[J/OL].控制与决策:1-6[2021-02-08].https://doi.org/10.13195/j.kzyjc.2020.0233.

26. 改进非线性收敛因子灰狼优化算法 [1]王正通,尤文,李双.改进非线性收敛因子灰狼优化算法[J].长春工业大学学报,2020,41(02)**:122-127.

27. 一种基于收敛因子改进的灰狼优化算法 [1]邢燕祯,王东辉.一种基于收敛因子改进的灰狼优化算法[J].网络新媒体技术,2020,9(03)**:28-34.

28.文献复现:基于莱维飞行和随机游动策略的灰狼算法（GWOM） [1]李阳,李维刚,赵云涛,刘翱.基于莱维飞行和随机游动策略的灰狼算法[J].计算机科学,2020,47(08)**:291-296.

29.一种改进的灰狼优化算法(EGWO)[1]龙文,蔡绍洪,焦建军,伍铁斌.一种改进的灰狼优化算法[J].电子学报,2019,47(01)**:169-175.

30.改进收敛因子和比例权重的灰狼优化算法(CGWO)[1]王秋萍,王梦娜,王晓峰.改进收敛因子和比例权重的灰狼优化算法[J].计算机工程与应用,2019,55(21)**:60-65+98.

31.一种改进非线性收敛方式的灰狼优化算法研究(CGWO)[1]谈发明,赵俊杰,王琪.一种改进非线性收敛方式的灰狼优化算法研究[J].微电子学与计算机,2019,36(05)**:89-95.

32.一种基于Tent 映射的混合灰狼优化的改进算法(PSOGWO)[1]滕志军,吕金玲,郭力文,许媛媛.一种基于Tent映射的混合灰狼优化的改进算法[J].哈尔滨工业大学学报,2018,50(11)**:40-49.

33.基于差分进化与优胜劣汰策略的灰狼优化算法(IGWO)[1]朱海波,张勇.基于差分进化与优胜劣汰策略的灰狼优化算法[J].南京理工大学学报,2018,42(06)**:678-686.

34.基于 Iterative 映射和单纯形法的改进灰狼优化算法(SMIGWO)[1]王梦娜,王秋萍,王晓峰.基于Iterative映射和单纯形法的改进灰狼优化算法[J].计算机应用,2018,38(S2)**:16-20+54.

35.一种基于混合策略的灰狼优化算法(EPDGWO)[1]牛家彬,王辉.一种基于混合策略的灰狼优化算法[J].齐齐哈尔大学学报(自然科学版),2018,34(01):16-19+32.

36.基于随机收敛因子和差分变异的改进灰狼优化算法(IGWO)[1]徐松金,龙文.基于随机收敛因子和差分变异的改进灰狼优化算法[J].科学技术与工程,2018,18(23)**:252-256.

37.一种基于差分进化和灰狼算法的混合优化算法(DEGWO)[1]金星,邵珠超,王盛慧.一种基于差分进化和灰狼算法的混合优化算法[J].科学技术与工程,2017,17(16)**:266-269.

38.协调探索和开发能力的改进灰狼优化算法(IGWO)[1]龙文,伍铁斌.协调探索和开发能力的改进灰狼优化算法[J].控制与决策,2017,32(10)**:1749-1757.

39.基于Cat混沌与高斯变异的改进灰狼优化算法(IGWO)[1]徐辰华,李成县,喻昕,黄清宝.基于Cat混沌与高斯变异的改进灰狼优化算法[J].计算机工程与应用,2017,53(04)**:1-9+50.

40.具有自适应搜索策略的灰狼优化算法(SAGWO)[1]魏政磊,赵辉,韩邦杰,孙楚,李牧东.具有自适应搜索策略的灰狼优化算法[J].计算机科学,2017,44(03)**:259-263.

41.采用动态权重和概率扰动策略改进的灰狼优化算法(IGWO)[1]陈闯,Ryad Chellali,邢尹.采用动态权重和概率扰动策略改进的灰狼优化算法[J].计算机应用,2017,37(12)**:3493-3497+3508.

42.具有自适应调整策略的混沌灰狼优化算法(CLSGWO)[1]张悦,孙惠香,魏政磊,韩博.具有自适应调整策略的混沌灰狼优化算法[J].计算机科学,2017,44(S2)**:119-122+159.

43.强化狼群等级制度的灰狼优化算法(GWOSH)[1]张新明,涂强,康强,程金凤.强化狼群等级制度的灰狼优化算法[J].数据采集与处理,2017,32(05)**:879-889.

44.一种新型非线性收敛因子的灰狼优化算法(NGWO)[1]王敏,唐明珠.一种新型非线性收敛因子的灰狼优化算法[J].计算机应用研究,2016,33(12)**:3648-3653.

45.重选精英个体的非线性收敛灰狼优化算法(EGWO)[1]黎素涵,叶春明.重选精英个体的非线性收敛灰狼优化算法[J].计算机工程与应用,2021,57(01)**:62-68.

46.混合策略改进鲸鱼优化算法(IWOA)[1]徐航,张达敏,王依柔,宋婷婷,樊英.混合策略改进鲸鱼优化算法[J].计算机工程与设计,2020,41(12)**:3397-3404.

47.基于高斯映射和小孔成像学习策略的鲸鱼优化算法(IWOA)[1]徐航,张达敏,王依柔,宋婷婷,王栎桥.基于高斯映射和小孔成像学习策略的鲸鱼优化算法[J].计算机应用研究,2020,37(11)**:3271-3275.

48.一种非线性权重的自适应鲸鱼优化算法(NWAWOA)[1]赵传武,黄宝柱,阎跃观,代文晨,张建.一种非线性权重的自适应鲸鱼优化算法[J].计算机技术与发展,2020,30(10)**:7-13.

49. 一种基于精英反向和纵横交叉的鲸鱼优化算法(ECWOA)[1]刘琨,赵露露,王辉.一种基于精英反向和纵横交叉的鲸鱼优化算法[J].小型微型计算机系统,2020,41(10):2092-2097.

50. 一种全局搜索策略的鲸鱼优化算法(GSWOA) [1]刘磊,白克强,但志宏,张松,刘知贵.一种全局搜索策略的鲸鱼优化算法[J].小型微型计算机系统,2020,41(09)**:1820-1825.

51. 基于自适应决策算子的鲸鱼优化算法(IWOA) [1]徐航,张达敏,王依柔,宋婷婷,樊英.基于自适应决策算子的鲸鱼优化算法[J].智能计算机与应用,2020,10(09)**:6-11.

52. 基于混沌的正余弦鲸鱼优化算法(EWOA)[1]林杰,何庆,王茜,杨荣莹,宁杰琼.基于混沌的正余弦鲸鱼优化算法[J].智能计算机与应用,2020,10(09)**:43-48+52.

53. 一种基于交叉选择的柯西反向鲸鱼优化算法（QOWOA）[1]冯文涛,邓兵.一种基于交叉选择的柯西反向鲸鱼优化算法[J].兵器装备工程学报,2020,41(08):131-137.

54. 一种基于自适应策略的混合鲸鱼优化算法（HWBOA）[1]王廷元,何先波,贺春林.一种基于自适应策略的混合鲸鱼优化算法[J].西华师范大学学报(自然科学版),2021,42(01)**:92-99.

55. 一种改进的鲸鱼优化算法(IWOA)[1]武泽权,牟永敏.一种改进的鲸鱼优化算法[J].计算机应用研究,2020,37(12)**:3618-3621.

56. 基于阈值控制的一种改进鲸鱼算法(TIWOA)[1]黄飞,吴泽忠.基于阈值控制的一种改进鲸鱼算法[J].系统工程,2020,38(02)**:133-148.

57. 基于混沌权重和精英引导的鲸鱼优化算法(AWOA)[1]黄辉先,张广炎,陈思溢,胡拚.基于混沌权重和精英引导的鲸鱼优化算法[J].传感器与微系统,2020,39(05)**:113-116.

58. 基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA)[1]孔芝,杨青峰,赵杰,熊浚钧.基于自适应调整权重和搜索策略的鲸鱼优化算法[J].东北大学学报(自然科学版),2020,41(01):35-43.

59. 嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法(MWOA)[1]张达敏,徐航,王依柔,宋婷婷,王栎桥.嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法[J].控制与决策,2021,36(05)**:1173-1180.

60. 融合动态概率阈值和自适应变异的鲸鱼优化算法（PTMWOA）[1]毕孝儒,牟琦,龚尚福.融合动态概率阈值和自适应变异的鲸鱼优化算法[J].微电子学与计算机,2019,36(12):78-83+88.

61. 基于改进螺旋更新位置模型的鲸鱼优化算法（IMWOA）[1]吴泽忠,宋菲.基于改进螺旋更新位置模型的鲸鱼优化算法[J].系统工程理论与实践,2019,39(11):2928-2944.

62. 一种增强型鲸鱼优化算法(EWOA)[1]冯文涛,宋科康.一种增强型鲸鱼优化算法[J].计算机仿真,2020,37(11)**:275-279+357.

63. 混沌策略和单纯形法改进的鲸鱼优化算法（CSWOA）[1]张潮,冯锋.混沌策略和单纯形法改进的鲸鱼优化算法[J].中国科技论文,2020,15(03):293-299.

64. 精英反向黄金正弦鲸鱼算法(EGoldenSWOA)[1]肖子雅,刘升.精英反向黄金正弦鲸鱼算法及其工程优化研究[J].电子学报,2019,47(10)**:2177-2186.

65. 基于非线性收敛因子和局部扰动的鲸鱼算法(NPWOA)[1]于俊洋,高宁杰,李涵.基于非线性收敛因子和局部扰动的鲸鱼算法[J].计算机工程与设计,2019,40(10)**:2861-2866.

66. 混沌反馈自适应鲸鱼优化算法研究(CFAWOA)[1]涂春梅,陈国彬,刘超.混沌反馈自适应鲸鱼优化算法研究[J].统计与决策,2019,35(07)**:17-20.

67. 基于混沌搜索策略的鲸鱼优化算法(CWOA)[1]王坚浩,张亮,史超,车飞,丁刚,武杰.基于混沌搜索策略的鲸鱼优化算法[J].控制与决策,2019,34(09)**:1893-1900.

68. 基于反馈机制的鲸鱼优化算法(FWOA)[1]范家承,何杰光.基于反馈机制的鲸鱼优化算法[J].广东石油化工学院学报,2018,28(04)**:47-51.

69. 基于随机差分变异的改进鲸鱼优化算法(IWOA)[1]覃溪,龙文.基于随机差分变异的改进鲸鱼优化算法[J].中国科技论文,2018,13(08)**:937-942.

70. 收敛因子非线性变化的鲸鱼优化算法(IWOA)[1]龙文,伍铁斌,唐斌.收敛因子非线性变化的鲸鱼优化算法[J].兰州理工大学学报,2017,43(06)**:102-107.

71. 基于自适应权重和柯西变异的鲸鱼优化算法(WOAWC)[1]郭振洲,王平,马云峰,王琦,拱长青.基于自适应权重和柯西变异的鲸鱼优化算法[J].微电子学与计算机,2017,34(09)**:20-25.

72. 一种随机调整控制参数的鲸鱼优化算法(EWOA)[1]钟明辉,龙文.一种随机调整控制参数的鲸鱼优化算法[J].科学技术与工程,2017,17(12)**:68-73.

73. 全局优化的蝴蝶优化算法(SMSCABOA)[1]高文欣,刘升,肖子雅,于建芳.全局优化的蝴蝶优化算法[J].计算机应用研究,2020,37(10)**:2966-2970.

74. 融合正弦余弦和无限折叠迭代混沌映射的蝴蝶优化算法(SIBOA)[1]王依柔,张达敏.融合正弦余弦和无限折叠迭代混沌映射的蝴蝶优化算法[J].模式识别与人工智能,2020,33(07)**:660-669.

75. 柯西变异和自适应权重优化的蝴蝶算法(CWBOA)[1]高文欣,刘升,肖子雅,于建芳.柯西变异和自适应权重优化的蝴蝶算法[J].计算机工程与应用,2020,56(15)**:43-50.

76. 收敛因子和黄金正弦指引机制的蝴蝶优化算法(AGSABOA)[1]高文欣,刘升,肖子雅,于建芳.收敛因子和黄金正弦指引机制的蝴蝶优化算法[J].计算机工程与设计,2020,41(12)**:3384-3389.

77. 一种改进的蝴蝶优化算法(IBOA)[1]谢聪,封宇.一种改进的蝴蝶优化算法[J].数学的实践与认识,2020,50(13)**:105-115.

78. 基于自适应扰动的疯狂蝴蝶算法(CIBOA)[1]王依柔,张达敏,徐航,宋婷婷,樊英.基于自适应扰动的疯狂蝴蝶算法[J].计算机应用研究,2020,37(11)**:3276-3280.

79. 基于余弦相似度改进蝴蝶优化算法(MSBOA)[1]陈俊,何庆.基于余弦相似度改进蝴蝶优化算法[J/OL].计算机应用:1-10[2021-04-28].

80. 混合策略改进的蝴蝶优化算法(MSBOA)[1]宁杰琼,何庆.混合策略改进的蝴蝶优化算法[J/OL].计算机应用研究:1-7[2021-04-29].https://doi.org/10.19734/j.issn.1001-3695.2020.06.0171.

81. 分段权重和变异反向学习的蝴蝶优化算法(PWMBOA)[1]李守玉,何庆,杜逆索.分段权重和变异反向学习的蝴蝶优化算法[J/OL].计算机工程与应用:1-11[2021-04-30].http://kns.cnki.net/kcms/detail/11.2127.TP.20210331.0944.004.html.

82. 混沌反馈共享和群体协同效应的蝴蝶优化算法(CFSBOA)[1]李守玉,何庆,杜逆索.混沌反馈共享和群体协同效应的蝴蝶优化算法[J/OL].计算机科学与探索:1-12[2021-04-30].http://kns.cnki.net/kcms/detail/11.5602.TP.20210128.1109.014.html.

83. 基于Levy飞行的飞蛾扑火优化算法(LMFO)[1]李志明,莫愿斌.基于Lévy飞行的飞蛾扑火优化算法[J].计算机工程与设计,2017,38(03)**:807-813.

84. 基于交叉算子和非均匀变异算子的飞蛾扑火优化算法(CNMFO)[1]张保东,张亚楠,郭黎明,江进礼,赵严振.基于交叉算子和非均匀变异算子的飞蛾扑火优化算法[J].计算机与数字工程,2020,48(11)**:2622-2627.

85. 结合重心反向变异的飞蛾扑火优化算法(IMFO)[1]宋婷婷,张琳娜.结合重心反向变异的飞蛾扑火优化算法[J].智能计算机与应用,2020,10(12)**:104-107+115.

86. 优选策略的自适应蚁狮优化算法（PSALO）[1]刘景森,霍宇,李煜.优选策略的自适应蚁狮优化算法[J].模式识别与人工智能,2020,33(02):121-132.

87. 基于柯西变异的蚁狮优化算法(CALO)[1]于建芳,刘升,韩斐斐,肖子雅.基于柯西变异的蚁狮优化算法[J].微电子学与计算机,2019,36(06)**:45-49+54.

88. 融合莱维飞行与黄金正弦的蚁狮优化算法(LEALO)[1]于建芳,刘升,王俊杰,鲁晓艺.融合莱维飞行与黄金正弦的蚁狮优化算法[J].计算机应用研究,2020,37(08)**:2349-2353.

89. 具有随机分形自适应搜索策略的蚁狮优化算法（SFSALO）[1]赵克新,黄长强,王渊.具有随机分形自适应搜索策略的蚁狮优化算法[J].火力与指挥控制,2019,44(02):41-45+49.

90. 精英反向学习带扰动因子的混沌蚁狮算法(EOPCALO)[1]王茜,何庆,林杰,杨荣莹.精英反向学习带扰动因子的混沌蚁狮算法[J].智能计算机与应用,2020,10(08)**:51-57.

91. 具有自适应边界与最优引导的莱维飞行蚁狮优化算法（ABLALO）[1]王若安,周越文,韩博,李剑峰,刘强.具有自适应边界与最优引导的莱维飞行蚁狮优化算法[J].微电子学与计算机,2018,35(09):20-25+31.

92. 具有 Levy 变异和精英自适应竞争机制的蚁狮优化算法(LEALO)[1]景坤雷,赵小国,张新雨,刘丁.具有Levy变异和精英自适应竞争机制的蚁狮优化算法[J].智能系统学报,2018,13(02)**:236-242.

93. 具备自纠正和逐维学习能力的粒子群算法(SCDLPSO)[1]张津源,张军,季伟东,孙小晴,张珑.具备自纠正和逐维学习能力的粒子群算法[J].小型微型计算机系统,2021,42(05)**:919-926.

94. 一种非线性动态自适应惯性权重PSO算法(IPSO)[1]王生亮,刘根友.一种非线性动态自适应惯性权重PSO算法[J].计算机仿真,2021,38(04)**:249-253+451.

95. 一种曲线递增策略的自适应粒子群算法研究(CIPSO)[1]吴凡,洪思,杨冰,胡贤夫.曲线递增策略的自适应粒子群算法研究[J].计算机应用研究,2021,38(06)**:1653-1656+1661.

96. 基于惯性权值非线性递减的改进粒子群算法(IMPSO)[1]华勇,王双园,白国振,李炳初.基于惯性权值非线性递减的改进粒子群算法[J].重庆工商大学学报(自然科学版),2021,38(02):1-9.

97. 一种加权变异的粒子群算法(WVPSO)[1]徐灯,傅晶,王文丰,章香,韩龙哲,方宗华,董健华.一种加权变异的粒子群算法[J].南昌工程学院学报,2021,40(01)**:51-56+82.

98. 一种自适应模拟退火粒子群优化算法（ASAPSO）[1]闫群民,马瑞卿,马永翔,王俊杰.一种自适应模拟退火粒子群优化算法[J/OL].西安电子科技大学学报:1-9[2021-06-17].http://kns.cnki.net/kcms/detail/61.1076.TN.20210303.1129.011.html.

99. 基于竞争学习的粒子群优化算法(CLPSO)[1]张钰,王蕾,周红标,赵环宇.基于竞争学习的粒子群优化算法设计及应用[J/OL].计算机测量与控制:1-9[2021-06-18].http://kns.cnki.net/kcms/detail/11.4762.TP.20210527.0930.008.html.

100. t-分布扰动策略和变异策略的花授粉算法（tMfpa）[1]宁杰琼,何庆.t-分布扰动策略和变异策略的花授粉算法[J].小型微型计算机系统,2021,42(01):64-70.

101. 基于三重动态调整的花授粉算法（HLPFA）[1]洪露,贺兴时,杨新社.基于三重动态调整的花授粉算法[J].西安工程大学学报,2021,35(02):97-103

102. 非线性参数的精英学习灰狼优化算法(IGWO)[1]逯苗,何登旭,曲良东.非线性参数的精英学习灰狼优化算法[J/OL].广西师范大学学报(自然科学版):1-12[2021-07-25].https://doi.org/10.16088/j.issn.1001-6600.2020093002.

103. 多策略改进哈里斯鹰优化算法（MHHO）[1]郭雨鑫,刘升,高文欣,张磊.多策略改进哈里斯鹰优化算法[J].微电子学与计算机,2021,38(07):18-24.

104. 混沌映射与动态学习的自适应樽海鞘群算法（CDSSA）[1]卓然,王未卿.混沌映射与动态学习的自适应樽海鞘群算法[J].计算机工程与设计,2021,42(07):1963-1972.

105. 基于Levy飞行策略的改进樽海鞘群算法（LECUSSA）[1]张严,秦亮曦.基于Levy飞行策略的改进樽海鞘群算法[J].计算机科学,2020,47(07):154-160.

106. 基于混沌映射的自适应樽海鞘群算法（CASSA）[1]张严,秦亮曦.基于Levy飞行策略的改进樽海鞘群算法[J].计算机科学,2020,47(07):154-160.

107. 基于衰减因子和动态学习的改进樽海鞘群算法(RDSSA)[1]童斌斌,何庆,陈俊.基于混沌映射的自适应樽海鞘群算法[J].传感技术学报,2021,34(01):41-48.

108. 集成随机惯性权重和差分变异操作的樽海鞘群算法（ISSA）[1]陈雷,蔺悦,康志龙.基于衰减因子和动态学习的改进樽海鞘群算法[J].控制理论与应用,2020,37(08):1766-1780.

109. 面向全局搜索的自适应领导者樽海鞘群算法(ALSSA)[1]张志强,鲁晓锋,隋连升,李军怀.集成随机惯性权重和差分变异操作的樽海鞘群算法[J].计算机科学,2020,47(08):297-301.

110. 一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法(RCSSA)[1]刘景森,袁蒙蒙,左方.面向全局搜索的自适应领导者樽海鞘群算法[J/OL].控制与决策:1-10[2021-07-30].https://doi.org/10.13195/j.kzyjc.2020.0090.

111. 一种改进的樽海鞘群算法（MSSA）[1]范千,陈振健,夏樟华.一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法[J].哈尔滨工业大学学报,2020,52(10):183-191.

112. 混合策略改进的麻雀搜索算法(MSSA)[1]张伟康,刘升,任春慧.混合策略改进的麻雀搜索算法[J/OL].计算机工程与应用:1-12[2021-08-05].http://kns.cnki.net/kcms/detail/11.2127.TP.20210721.0848.002.html.

113. 基于动态分级策略的改进正余弦算法（DSCA）[1]魏锋涛,张洋洋,黎俊宇,史云鹏.基于动态分级策略的改进正余弦算法[J].系统工程与电子技术,2021,43(06):1596-1605.

114. 融合黄金正弦与sigmoid连续化的海鸥优化算法(GSCSOA)[1]王宁,何庆.融合黄金正弦与sigmoid连续化的海鸥优化算法[J/OL].计算机应用研究:1-8[2021-08-06].https://doi.org/10.19734/j.issn.1001-3695.2021.05.0176

115. 新授粉方式的花授粉算法(NMFPA)[1]段艳明,肖辉辉,林芳.新授粉方式的花授粉算法[J].计算机工程与应用,2018,54(23):94-108.

116. 基于量子位Bloch坐标编码自适应的改进正余弦算法（ASCA）[1]牛培峰,吴志良,马云鹏,史春见,李进柏.基于正弦余弦算法的汽轮机热耗率预测[J].动力工程学报,2018,38(02):85-91.

117. 一种改进的进化模型和混沌优化的萤火虫算法(FAEC)[1]李肇基,程科,王万耀,崔庆华.一种改进的进化模型和混沌优化的萤火虫算法[J].计算机与数字工程,2019,47(07):1605-1612.

118. 基于精英反向学习的逐维改进蜻蜓算法（EDDA）[1]何庆,黄闽茗,王旭.基于精英反向学习的逐维改进蜻蜓算法[J].南京师大学报(自然科学版),2019,42(03):65-72.

119. 基于逐维反向学习的动态适应布谷鸟算法(DODACS)[1]黄闽茗,何庆,文熙.基于逐维反向学习的动态适应布谷鸟算法[J].计算机应用研究,2020,37(04):1015-1019.

120. 具有动态自适应学习机制的教与学优化算法(DSLTLBO)[1]李丽荣,李木子,李崔灿,王培崇.具有动态自适应学习机制的教与学优化算法[J].计算机工程与应用,2020,56(19):62-67.

121. 基于混沌映射与差分进化自适应教与学优化算法(ITLBO)[1]孙凤山,范孟豹,曹丙花,叶波,刘林.基于混沌映射与差分进化自适应教与学优化算法的太赫兹图像增强模型[J].仪器仪表学报,2021,42(04):92-101.

122. 带认知因子的交叉鸽群算法(CPIOC)[1]陶国娇,李智.带认知因子的交叉鸽群算法[J].四川大学学报(自然科学版),2018,55(02):295-300.

123. 混合模拟退火和教与学的鸽群优化算法(TLSAPIO)[1]未建英,张丽娜,付发.混合模拟退火和教与学的鸽群优化算法[J].科技经济导刊,2019,27(12):153-155.

124. 具有收缩因子的自适应鸽群算法(CFPIO)[1]郭瑞,赵汝鑫,吴海舟,任东,范佳伟.具有收缩因子的自适应鸽群算法用于函数优化问题[J].物联网技术,2017,7(05):85-88.

125. 融合正余弦和柯西变异的麻雀搜索算法(SCSSA)[1]李爱莲,全凌翔,崔桂梅,解韶峰.融合正余弦和柯西变异的麻雀搜索算法[J/OL].计算机工程与应用:1-11[2021-09-09].http://kns.cnki.net/kcms/detail/11.2127.TP.20210806.0937.008.html.

126. 多策略融合的改进麻雀搜索算法(ISSA)[1]付华,刘昊.多策略融合的改进麻雀搜索算法及其应用[J/OL].控制与决策:1-10[2021-09-09].https://doi.org/10.13195/j.kzyjc.2021.0582.

127. 基于Logistic回归麻雀算法(MSSA)[1]陈刚,林东,陈飞,陈祥宇.基于Logistic回归麻雀算法的图像分割[J/OL].北京航空航天大学学报:1-14[2021-09-26].https://doi.org/10.13700/j.bh.1001-5965.2021.0268.

128. 自适应变异麻雀搜索优化算法(AMSSA)[1]唐延强,李成海,宋亚飞,陈晨,曹波.自适应变异麻雀搜索优化算法[J/OL].北京航空航天大学学报:1-14[2021-09-27].https://doi.org/10.13700/j.bh.1001-5965.2021.0282.

以上就是为大家分享的内容，以上收集的改进算法的案例引用于Jack旭的文章，我会为大家持续更新分享干货，知友的关注和赞同就是我最大的动力~