IEEE 国际进化计算大会（IEEE Congress on Evolutionary Computation，IEEE CEC）是进化计算领域中规模最大、影响最重要的会议之一。为了公平评估算法的优化性能，该会议在优化竞赛中提出了单目标实参数数值优化竞赛的问题定义和评估标准。所有新型的进化算法和基于群体的算法都会统一对单目标基准问题进行测试。由现实世界中的优化问题、数学模型或者人工构造的基准问题组

2020年，Afshin Faramarzi等人受到估计动态和平衡状态的控制体积质量平衡模型启发，提出了平衡优化器(Equilibrium Optimizer, EO)。其中，V 为容器的容积，C 为溶液密度，Q 为容量流率，Ceq 表示平衡状态下的浓度，G 为容器内的质量生成速率。EO基于等式(2)进行更新，具体而言，C代表新解，C0代表旧解，Ceq代表当前最优解。为4个体平均值，五者以等概率选

参数 a 为 [−2f, 2f] 之间的随机变量, 假设 a 的值为 [−1, 1] 时猎物停止移动, 此时黑猩猩必须攻击猎物结束捕猎, 因此采取降低 f 值的方式迫使黑猩猩结束捕猎, 黑猩猩的下一个位置可以在当前位置与猎物位置之间的任意位置。开发阶段，黑猩猩进行实际的攻击行为。式中, d(t) 为猎物与黑猩猩之间的距离, t 为当前迭代次数, a、c 为系数向量, m 是由混沌映射产生的混沌向量

是指对已经发现的候选解进行优化，以使其更接近最优解。探索与开发的平衡是智能算法重要因素，它能够在搜索过程中平衡全局搜索和局部搜索。其中，median(xj)表示种群个体j维度上中位数。是指涉及搜索空间的广泛探索，以发现可能的解决方案。其中，Xpl，Xpt分别代表探索与开发。

2023年，J Bai受到双曲正弦余弦函数启发，提出了双曲正弦余弦优化算法（Sinh Cosh optimizer, SCHO）。为了充分利用潜在的搜索空间，SCHO在后期采用了一种类似于动物狩猎的策略，称为有界搜索策略。为了充分利用搜索空间，将开发分为两个阶段，并在整个迭代中进行。其中β控制启动有界搜索策略的值，并设置为1.55。W2控制第二开采阶段的程度。其绝对值在以后的迭代中逐渐增大，开发程

2021年，Braik等人受到变色龙随着环境自适应变化以及寻找食物的动态行为影响，提出了变色龙优化算法(Chameleon Swarm Algorithm，CSA)。变色龙通过旋转眼睛锁定食物，论文给出了三维空间中向量平移和旋转推导。变色龙优化算法模拟了变色龙捕食过程，分为。分别指变色龙各维度平均值和旋转中心坐标。论文中解释了该公式，假设。表示变色龙探索能力，这里采用了常用的。当前最优位置和变色龙

优化多模态函数对于进化算法和群智能算法来说是一项挑战，因为这需要有效的探索以找到搜索空间中的潜力区域，以及有效的开发以精确地找到全局最优解。灰狼优化算法（GWO）是一种启发式算法，其灵感来自自然，且调整参数相对较少。然而，GWO及其大多数改进算法可能会有种群多样性不足、早熟收敛和无法在探索与开发行为之间保持良好平衡等问题。本文提出了一种新的GWO改进算法，结合了记忆、进化算子和随机局部搜索技术。此

其中探索阶段模拟蛇群在无食物情况下蛇类的行为模式， 开发阶段模拟食物存在时蛇类的行为模式， 蛇类行为模式通过实物总量Q和温度 Temp控制。如果Q<ThresholdQ(0.25) ， 蛇通过选择任意随机位置来寻找食物， 并更新它们的位置。SO 算法首先生成一个均匀分布的随机群体，并假设蛇群中雌性与雄性占比均为50% ， 群体分为雄性种群和雌性种群。其中，Xi,m表示第 ｉ 只雄性位置，Xrand

在水循环中，那些流速过慢或无法到达大海的溪流和河流，最终通过蒸发回归到大气中，这一过程有助于形成新的降水。WCA模拟了大自然水循环过程，将最优解的寻找过程与自然界水循环过程相结合，以适应度函数为导向，进行溪流、河流的汇合，以蒸发降雨作用为辅助跳出局部最优解。2012年，H Eskandar等人受到自然水循环过程启发，提出了水循环算法（Water Cycle Algorithm, WCA）。

在这一阶段，患者继续接受低剂量青蒿素及其衍生物的治疗，以确保完全根除疟疾寄生虫，尽量减少在人体内发生不良反应的风险。对疾病的严重程度漠不关心和治疗期间的松懈是危险的有害因素，在这种策略中，假设不活跃的寄生虫形式仍然存在于人体内。在疟疾治疗的初始阶段，给病人更大剂量的药物，以迅速控制疾病的进展。AO灵感来自于疟疾的青蒿素药物治疗过程，该过程涉及全面根除人体内的疟疾寄生虫。在最初的治疗阶段之后，随着疾