摘要为弥补粒子群后期收敛缓慢与早熟的不足，提出了一种局部搜索与改进ＭＯＰＳＯ的混合优化算法（Ｈ－ＭＯＰ－该算法首先采用非均匀变异算子和自适应惯性权重，强化全局搜

实现了 PSO 和 GWO 优化算法的混合 [Best_score,Best_pos,PSOGWO_cg_curve]=PSOGWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); [Alpha_score,Alpha_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);

混合灰太狼和布谷鸟搜索优化算法 此代码用于混合 GWOCS 优化算法，该算法将 GWO 的全局收敛能力与 CS 相结合。我们在基准优化功能上对其进行了测试，发现 GWOCS 的性能优于单独的 GWO。该存储库包括： 混合 GWO CS 优化的完整代码

这是用于优化连续桁架结构的混合 PSOGA 算法的 Matlab 代码

• 一种混合元启发式优化算法，结合了萤火虫和粒子群算法的优点。 •通过控制先前的全局最佳适应度值，提出一种局部搜索策略。 请引用： İbrahim Berkan Aydilek，用于计算昂贵数值问题的混合萤火虫和粒子群优化算法，应用软计算，第 66 卷，2018 年 5 月，第 232-249 页

提出了一种新的混合优化算法，称为“（HSSOGSA）”，结合了“引力 搜索算法（GSA）”和“*子群优化（SSO）”。所提出算法背后的基本概念和思想是将 SSO 中的开发能力与 GSA 中的探索能力相结合，以综合两种算法的强度。 论文：Shehadeh, Hisham A. “用于全局优化的混合*子群优化和引力搜索算法 (HSSOGSA)”。神经计算和应用，Springer Science and Business Media LLC，2021 年 3 月，doi:10.1007/s00521-021-05880-4。

结合粒子群优化算法（PSO）和引力搜索算法（GSA），提出了一种新的基于种群的混合算法（PSOGSA）。主要思想是将 PSO 中的开发能力与 GSA 中的探索能力相结合，以综合两种算法的优势。一些基准测试函数用于将混合算法与标准 PSO 和 GSA 算法进行比较，以得出最佳解决方案。 论文: A New Hybrid PSOGSA Algorithm for Function Optimization, in IEEE International Conference on Computer and Information Application (ICCIA 2010), 中国, 2010, pp.374-377, DOI: http://dx.doi.org/10.1109/ICCIA .2010.6141614

AGWO 是对原始灰狼优化器 (GWO) 的增强，由 Mohammed H.Qais 等人提出。在这里，我们提出了一种新的基于增强灰狼优化器和布谷鸟搜索（AGWOCS）的混合元启发式算法，如附件所示。 AGWOCS算法的研究论文： A Novel Hybrid Metaheuristic based on Augmented Grey Wolf Optimizer and Cuckoo Search for Global Optimization (ISCCC 2021), India, 2021, pp.376-381, DOI: https://doi.org/10.1109/ICSCCC51823.2021.9478142 原始 AGWO 算法描述于：https ://doi.org/10.1016/j.asoc.2018.05.006

一种基于金鹰优化器和灰狼优化器的混合算法

混合萤火虫——全局优化的遗传算法 这个简化的 Matlab 演示代码展示了如何使用混合萤火虫 - 遗传算法来解决全局优化问题。这种混合算法是混合萤火虫 - 遗传算法的简化版本，旨在解决 Zervoudakis K.、Tsafarakis S.、Paraskevi-Panagiota S. (2020) 中的离散产品线设计问题。最优产品线设计问题。在：Matsatsinis N.、Marinakis Y.、Pardalos P.（编辑）学习和智能优化。LION 2019。计算机科学讲义，第 11968 卷。Springer, Cham。https://doi.org/10.1007/978-3-030-38629-0_23