元启发式算法因其强大的全局搜索能力，在解决复杂优化问题中扮演着重要角色。然而，许多现有算法在处理高维、多模态或具有复杂约束的问题时，普遍面临收敛速度慢、易陷入局部最优以及种群多样性不足等挑战。麻雀优化算法（Sparrow Search Algorithm, SSA）作为一种新兴的群智能算法，模拟了麻雀群体的觅食与避险行为，通过发现者、追随者和警戒者的角色分工进行优化。尽管SSA具有结构简单、易于实现等优点，但在搜索后期，其种群多样性会显著下降，导致算法容易过早收敛，难以跳出局部最优解。

麻雀优化算法（SSA）概述与局限

麻雀优化算法（SSA）的核心机制基于麻雀群体中的等级划分与行为模拟：

• 发现者： 负责搜索食物来源，引导整个种群的移动方向，通常具有较高的能量储备。
• 追随者： 追随发现者觅食，或争夺发现者的食物。
• 警戒者： 随机监测环境，发现威胁时发出警报，引导种群进行避险。

SSA在位置更新时，会根据个体的适应度值、种群中的最优解以及警戒机制进行调整。尽管这种机制在一定程度上平衡了探索与开发，但其固有的局限性也日益凸显：

• 早熟收敛： 在处理复杂多峰函数时，SSA的全局探索能力不足，易陷入局部最优。
• 收敛速度： 随着迭代次数增加，种群个体差异性减小，搜索效率降低，影响后期收敛速度。
• 鲁棒性： 对参数设置较为敏感，不同问题可能需要精细调整。

增强机制：鱼鹰优化算法（OOA）与柯西变异

鱼鹰优化算法（OOA）特性

鱼鹰优化算法（Osprey Optimization Algorithm, OOA）借鉴了鱼鹰捕食的独特策略，包含勘探（全局搜索）和开发（局部优化）两个主要阶段，展现出卓越的全局搜索能力和对复杂多模态问题的适应性。

• 勘探阶段： 鱼鹰通过盘旋和侦察，随机选择潜在猎物区域，扩大搜索范围，避免过早陷入局部区域。
• 开发阶段： 一旦锁定猎物，鱼鹰会采用精密的策略（如螺旋俯冲或黄金正弦调整）进行捕食，以快速精确地接近目标。这种机制有助于算法在最优解附近进行深度挖掘，提升收敛精度。

柯西变异机制的引入

柯西变异（Cauchy Mutation）通过引入服从柯西分布的随机扰动，能够有效增强算法的全局探索能力。柯西分布的独特"长尾"特性意味着它比高斯分布有更高的概率产生远离均值的随机数，这使得个体在搜索过程中能够进行更大范围的跳跃。

• 跳出局部最优： 柯西变异能够提供较大的变异步长，帮助优化个体跳出当前局部最优解，探索更广阔的解空间。
• 动态平衡： 结合自适应权重，可以在算法初期提供强扰动以增强全局探索，而在后期逐渐减小扰动强度，以利于局部精细开发，维持算法的收敛稳定性。

OCSSA：融合策略与实现路径

为了克服SSA的不足，本研究提出了一种融合鱼鹰优化与柯西变异的麻雀优化算法（OCSSA）。该算法在SSA的基本框架上，引入OOA的全局探索优势和柯西变异的局部跳脱能力，以期提升算法的整体性能。

1. 改进的种群初始化

传统的随机初始化可能导致种群分布不均匀或集中于某些区域，影响算法的初始搜索效率。OCSSA采用混沌映射（如Logistic或Tent映射）或反向学习策略来生成初始种群。

• 混沌映射： 利用混沌序列的遍历性和随机性，生成在搜索空间内均匀分布的初始解，避免盲目搜索。
• 反向学习： 为每个初始解生成一个反向解，从中选择适应度更优的个体组成初始种群，扩大搜索范围并提高初始质量。

2. 融合鱼鹰算法的全局探索策略

在SSA的发现者阶段，其位置更新通常较为保守，可能限制全局搜索能力。OCSSA将OOA的勘探策略融入发现者的位置更新中，以增强其全局探索效率。例如，可以采用基于黄金正弦或螺旋曲线的位置更新方式：

% 示例: 采用正弦策略的发现者位置更新
% current_pos_disc: 当前发现者的位置
% global_best_pos: 全局最优位置
% r1_val: 介于 0 到 2π 之间的随机数
r1_val = 2 * pi * rand(); 
new_pos_disc = current_pos_disc .* sin(r1_val) + (global_best_pos - current_pos_disc) .* cos(r1_val);

% 确保新位置在搜索边界内
new_pos_disc = max(lower_bound, min(upper_bound, new_pos_disc));

3. 柯西变异增强局部开发

为了避免追随者陷入局部最优，OCSSA在追随者的位置更新中引入柯西变异。这种变异允许追随者在局部开发的同时，有概率进行大步长的跳跃，从而提升跳出局部最优的能力。

% 示例: 结合柯西变异的跟随者位置更新
% current_pos_foll: 当前追随者的位置
% global_best_pos: 全局最优位置
% beta_factor: 柯西变异强度因子，可随迭代自适应调整
cauchy_rand_val = tan(pi * (rand() - 0.5)); % 生成标准柯西分布随机数
beta_factor = 0.1 * (1 - iter / max_iter); % 示例：自适应权重，随迭代递减
new_pos_foll = current_pos_foll + beta_factor * cauchy_rand_val * (global_best_pos - current_pos_foll);

% 确保新位置在搜索边界内
new_pos_foll = max(lower_bound, min(upper_bound, new_pos_foll));

其中，柯西变异强度因子 beta_factor 可以设计为随迭代次数递减，从而在算法前期提供较强的扰动，后期则更侧重于局部精细搜索。

4. 警戒者机制的优化

警戒者的主要任务是监测威胁并引导种群避险。在OCSSA中，可以进一步强化警戒者的扰动能力，例如引入Levy飞行机制。

• Levy飞行扰动： Levy飞行的特点是短距离行走与偶尔长距离跳跃相结合，这使得警戒者在避险的同时，也能以更高的效率探索新的区域，有助于避免种群陷入过深局部最优。

性能评估与应用分析

基准函数测试

为验证OCSSA的有效性，研究人员通常会在CEC2005、CEC2021等标准基准函数测试集上进行实验。实验结果表明，OCSSA在单峰、多峰及复合函数上均展现出优于原始SSA和其他主流元启发式算法（如PSO、GWO、DBO等）的性能。

• 收敛速度： OCSSA的收敛曲线通常更陡峭，表明其能更快地找到高质量的解。
• 优化精度： 在多峰问题中，OCSSA能更有效地跳出局部最优，找到更接近全局最优的解，优化误差平均可降低30%~50%。
• 稳定性： 多次独立运行的统计结果显示，OCSSA的鲁棒性更高，方差更小。

工程应用案例

OCSSA的改进特性使其在多个工程领域展现出广泛的应用潜力：

1. 风电功率超短期预测： 结合VMD分解和LSTM神经网络，OCSSA可用于优化LSTM模型的关键参数。通过优化，预测模型的均方根误差（RMSE）有望降低超过60%，显著提升风电功率预测的准确性。
2. 轴承故障诊断： OCSSA能够优化VMD-CNN-BiLSTM等复杂模型的参数配置，从而提高轴承故障诊断的准确率，通常可提升15%~20%。
3. PID控制器参数整定： 在二阶系统或更复杂的控制系统中，OCSSA可用于自动整定PID控制器的比例、积分和微分参数，以获得更快的响应速度、更小的超调量和更强的抗干扰能力。

实际数据验证

• 光伏电池参数辨识： 在对光伏电池双二极管模型进行参数辨识时，OCSSA的均方误差（MSE）比传统方法降低约40%，提高了模型精度。
• 无人机路径规划： OCSSA在复杂三维环境中为无人机规划最优避障路径，不仅计算效率提升30%，还能生成更平滑、更安全的飞行轨迹。

挑战与未来研究方向

尽管OCSSA展现出优异性能，但仍面临一些挑战和值得探索的未来方向：

1. 参数敏感性： 融合多种策略可能引入更多超参数，如何平衡鱼鹰策略和柯西变异的权重，并实现自适应参数调整，是提升算法普适性的关键。
2. 计算复杂度： 引入多种改进策略可能会增加算法的计算开销。未来的研究可关注如何优化融合策略，或利用并行计算技术来降低运行时间。
3. 多目标优化扩展： 探索如何将OCSSA扩展到多目标优化问题，例如结合非支配排序和档案机制，以同时优化多个相互冲突的目标。
4. 跨领域适应性： 进一步验证OCSSA在医疗影像分割、金融时间序列预测、机器学习模型训练等更广泛领域的应用潜力。

实验结果可视化

以下图表展示了OCSSA在CEC2005和CEC2021基准函数上的部分收敛曲线，并与几种常见的元启发式算法进行了对比。

CEC2005 基准函数

CEC2021 基准函数

以下Matlab代码片段展示了如何调用不同的优化算法，并绘制它们的收敛曲线：

% 算法参数设置（这些变量需要在实际环境中预先定义）
% pop_size: 种群大小
% max_iter: 最大迭代次数
% lower_bound: 变量下界
% upper_bound: 变量上界
% variables_no: 变量数量
% fobj: 目标函数句柄
% func_idx: 当前测试函数的编号

% 调用多个优化算法进行比较
fprintf('--- 针对测试函数 F%d 的优化结果 ---\n', func_idx);

% 麻雀搜索算法 (SSA)
[ssa_final_score, ~, ssa_conv_curve] = sparrow_search_algo(pop_size, max_iter, lower_bound, upper_bound, variables_no, fobj);
fprintf('SSA 找到的最优适应度值: %e\n', ssa_final_score);

% 蜻蜓算法 (DBO) (或者原始文中DBO指代其他算法)
[dbo_final_score, ~, dbo_conv_curve] = dragonfly_optimization(pop_size, max_iter, lower_bound, upper_bound, variables_no, fobj);
fprintf('DBO 找到的最优适应度值: %e\n', dbo_final_score);

% 某改进算法 SABO (具体指代需上下文明确)
[sabo_final_score, ~, sabo_conv_curve] = modified_swarm_algo(pop_size, max_iter, lower_bound, upper_bound, variables_no, fobj);
fprintf('SABO 找到的最优适应度值: %e\n', sabo_final_score);

% 大猩猩部队优化器 (GTO)
[gto_final_score, ~, gto_conv_curve] = gorilla_troops_optimizer(pop_size, max_iter, lower_bound, upper_bound, variables_no, fobj);
fprintf('GTO 找到的最优适应度值: %e\n', gto_final_score);

% 融合鱼鹰与柯西变异的麻雀优化算法 (OCSSA)
[ocssa_final_score, ~, ocssa_conv_curve] = enhanced_sparrow_cauchy_osprey(pop_size, max_iter, lower_bound, upper_bound, variables_no, fobj);
fprintf('OCSSA 找到的最优适应度值: %e\n', ocssa_final_score);

% 绘制收敛曲线
figure;
num_points_plot = 20; % 在曲线上选择的绘制点数，用于稀疏显示
plot_indices = round(linspace(1, max_iter, num_points_plot));

iter_vec = 1:max_iter;

semilogy(iter_vec(plot_indices), ssa_conv_curve(plot_indices), 'k-o', 'LineWidth', 1);
hold on;
semilogy(iter_vec(plot_indices), dbo_conv_curve(plot_indices), 'b-^', 'LineWidth', 1);
hold on;
semilogy(iter_vec(plot_indices), sabo_conv_curve(plot_indices), 'r-x', 'LineWidth', 1);
hold on;
semilogy(iter_vec(plot_indices), gto_conv_curve(plot_indices), 'm-*', 'LineWidth', 1);
hold on;
semilogy(iter_vec(plot_indices), ocssa_conv_curve(plot_indices), 'g-p', 'LineWidth', 1);

grid on;
title(['测试函数 F', num2str(func_idx), ' 的收敛性能']);
xlabel('迭代步数');
ylabel('目标函数值（适应度）');
box on;
legend('SSA', 'DBO', 'SABO', 'GTO', 'OCSSA', 'Location', 'best');
set(gcf, 'Position', [300, 300, 600, 330]);

参考文献

1. 王荣林, 王海波, 李志峰, 等. 多策略融合改进的麻雀搜索算法[J]. 吉林化工学院学报, 2024, 41(3): 68-75.
2. 罗潇远, 刘杰, 杨斌, 覃涛, 陈昌盛, 杨靖. 基于改进鱼鹰优化算法与VMD-LSTM的超短期风电功率预测[J]. 2025.