针对变异算子学习方式的单一性,提出一种朴素变异算子,其基本思想是向优秀的个体靠近,同时远离较差个体,其实现方式是设计一种缩放因子调整策略,如果三个随机个体在某维上比较接近,则缩放因子变小,反之变大.在实验过程中通过平均适应度评价次数、成功运行次数和加速比等指标表明,基于朴素变异算子的差分进化算法能有效提高算法的收敛速度和健壮性.
针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点，提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习，生成其动态搜索边界内的反向搜索种群，引导算法向包含全局最优的解空间逼近，以提高算法的平衡和探索能力。为了保持种群的多样性，计算种群内个体对当前最佳个体的突跳概率，并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比，结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度，适合求解高维的数值优化问题。
