S Mirjalili等人受物理学多元宇宙理论的启发,于2015年提出了一种新型群智能优化算法,称为多元宇宙优化算法(Multi-Verse Optimizer,MVO)。该算法具有框架简单、受控参数少、自组织性和自适应性等优点,但也存在后期收敛迟缓、求解精度不高以及易陷入局部最优等缺陷。本文基于MVO算法的不足,提出了一些改进措施,目的是提升MVO算法性能、扩展其应用领域。主要研究工作如下:(1)在基本MVO算法上将其线性增长型的WEP(虫洞存在概率)替换为对数增长型的LWEP,然后引入自适应压缩因子和柯西变异因子。LWEP加大宇宙个体更新的概率,自适应压缩因子能够有效地平衡算法的全局收敛和局部收敛,柯西变异因子使得算法更可能逃离局部极值。改进后算法的有效性在函数优化和工程实例上得到验证。(2)融入复数编码的思想改进MVO算法。每个宇宙都由两个变量表出,即复数的实部和虚部。复数编码的二倍体表达方式能够扩宽算法的搜索空间,丰富种群规模,增强算法的全局搜索能力,有助于算法在优化过程中跳出局部最优。改进后算法应用于IIR系统辨识,实验结果表明能够搜寻到更好的解。(3)基于logistic混沌映射提出混沌多元宇宙优化算法。logistic混沌映射的随机性、遍历性以及初始条件敏感性有助于MVO算法执行全局搜索行为,避免陷入局部最优的麻烦。改进后算法用于求解AVR系统PID控制器的参数整定问题,对比实验结果表明其性能更优。(4)把差分变异算法中的变异操作因子植入MVO算法中,通过种群变异机制丰富多元宇宙种群的多样性,提升算法的局部搜索能力,同时也能克服基本MVO算法在较短迭代范围内易陷入局部最优的障碍。改进后算法成功应用于求解无人战斗机路径规划的3个不同维案例。