摘要：针对金豺优化算法(GJO)存在易陷入局部最优、缺乏多样性、求解精度低等问题，提出一种融合非洲秃鹫开发机制的改进金豺优化算法(MSGJO)。首先，通过融合佳点集与折射反向学习的混合初始化策略，显著增强初始种群的遍历性与多样性；其次，引入动态非线性能量衰减因子，有效平衡算法全局探索与局部开发之间的动态关系；同时，结合非洲秃鹫算法的开发机制，进一步强化对复杂解空间的全局勘探与局部开发能力；最后，为避免算法在寻优过程中陷入局部最优，借鉴了柯西变异策略对金豺位置进行扰动。为验证改进算法效果，与其他先进的改进优化算法在多个基准测试函数上进行仿真对比，并采用Wilcoxon秩和检验与Friedman排名对算法性能进行评估。实验结果表明，所提算法在搜索精度、收敛速度和鲁棒性方面均展现出显著优势。
文章目录
0 引言
1 金豺优化算法
2 改进的金豺优化算法
2.1佳点集-折射反向学习初始化
2.2非线性能量衰减因子
2.3非洲秃鹫算法开发机制
2.4柯西变异策略
2.5 MSGJO算法流程
3 测试函数实验设计
3.1基准测试函数
3.2 对比方法
3.3 实验参数设置
4 实验结果分析
4.1改进算法复杂度分析
4.2参数c1值敏感度分析
4.3不同改进策略对算法性能影响
4.4与其他优化算法对比
4.5 Wilcoxon秩和检验及Friedman排名
5 CEC2017测试函数实验
5.1寻优精度与收敛曲线分析
5.2 差异性分析
6 结论
