本文提出了一种雪雁算法（SGA），该算法借鉴了雪鹅的迁徙行为，并模拟了其迁徙过程中常见的“人字形”和“直线”飞行模式。

通过计算个体在目标空间中的距离，可以有效避免选择相似的个体，从而增强解的多样性。对于优化算法，搜索操作符在迭代过程中的作用至关重要，因为它直接影响到算法的性能和能够发现的解决方案的质量。对当前前沿层中的每个个体，更新其支配的个体的被支配计数。如果某个被支配个体的被支配计数减为0，则将其加入集合 Q 并赋予新的层次排名。c.构建第一层前沿，识遍历种群，找出被支配计数为0的个体（即不被其他任何个体支配

本文提出了一种改进的灰狼优化算法（IGWO），其用于解决全局优化和工程设计问题。IGWO通过采用一种名为基于维度学习的狩猎（DLH）的搜索策略，对传统灰狼优化算法（GWO）进行了改进，有效地解决了原算法中存在的种群多样性不足、探索与开发之间的不平衡以及过早收敛的问题。

本文介绍进化计算领域张青富教授提出的基于分解的多目标进化算法(MOEA/D)，该论文发表于《IEEE Transactions on evolutionary computation》，引用9k+（高被引论文~）。分解是传统多目标优化中的一种基本策略，但它尚未广泛应用于多目标进化优化。本文提出了一种基于分解的多目标进化算法（MOEA/D），该算法将一个多目标优化问题分解为多个标量优化子问题，并同时

HOA灵感来自于徒步旅行，它认识到优化问题的搜索景观与徒步旅行者所穿越的山区地形之间的相似性。HOA的数学模型以Tobler徒步函数(Tobler’s walking Function, THF)为前提，该函数通过考虑地形的高程和行走距离来确定徒步者的步行速度。HOA利用了徒步旅行者作为一个群体的社会思维和个人徒步旅行者的个人认知能力。2024年，SO Oladejo受到徒步旅行启发，提出了徒步优

2024年，S Fu受到自然界中红嘴蓝喜鹊社会行为启发，提出了红嘴蓝喜鹊优化算法（Red-billed Blue Magpie Optimizer, RBMO）。智能算法，论文复现，算法应用（机器学习、二维&三维路径规划、UAV路径规划、布局优化、调度优化、VRP问题等），定制算法可以联系我~在寻找食物的过程中，红嘴蓝喜鹊通常以小组(2至5只)或成群(10只以上)的方式行动，以提高搜索效率。RBM

通过将种群分为两个子种群，一种专注于探索（寻找新的可能解），另一种专注于开发（优化已知解），这种双重人口机制有效地模拟了自然选择中的变异与遗传两大关键因素。当雪通过融化行为转化为液态水时，搜索个体被鼓励围绕当前最佳解决方案开发高质量的解决方案，而不是在解决方案空间中扩展高度分散的特征。布朗运动的一维分布以及在二维和三维搜索空间中的轨迹如图，布朗运动利用动态和均匀的步长，可以探索搜索空间中的一些潜在

NRBO受到Newton-Raphson方法的启发，它使用两个规则来探索整个搜索过程:Newton-Raphson搜索规则(NRSR)和陷阱避免算子(TAO)，并使用几组矩阵来进一步探索最佳结果。NRSR采用Newton-Raphson方法来提高NRBO的探索能力，提高收敛速度以达到改进的搜索空间位置。TAO是采用(ahmadanfar等人，2020)改进和增强的优化方式，使用TAO可以显著改变x

雄性海象的位置更新采用拟蒙特卡罗方法中的Halton序列，这种方法通过生成随机但均匀分布的序列来确保种群在搜索空间中的广泛分布。Halton序列的使用能够有效地均匀覆盖整个搜索区域，提高种群多样性，从而有利于在迭代过程中找到更优的解。雌海象的位置更新则受到雄海象和领头海象的双重影响。在研究海象群的繁殖行为时，主要考虑了海象在陆地栖息和水下觅食这两种行为模式。海象群体分为雄性、雌性和幼年个体，每个群

以保持种群的多样性，同时加快收敛速度。根据CP的防御行为，当捕食者靠近时，CP有两种防御策略，即气味攻击策略和物理攻击策略。这些策略是指对有潜力的区域进行开发，致力于(局部)开发搜索。根据CP的防御行为，当捕食者距离较远时，CP有两种防御策略，即视觉策略和声音策略。第一和第二防御策略(视觉和声音)反映了CPO的探索行为，而第三和第四防御策略(气味和物理攻击)反映了CPO的开发行为。其中，T为决定循