提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

Sep, 2023

通过引入精英继承机制和平衡搜索机制，提出了一种改进的 EBGWO 算法来解决原始 GWO 算法中的设计缺陷，实验证明该算法在准确性和收敛速度方面优于其他元启发式算法。

Apr, 2024

该论文提出了半途遁地优化（HEO）算法，一种新颖的量子启发式元启发式算法，旨在解决具有复杂优化问题的崎岖地形和高维度的问题，具有高效的收敛速度。研究对 HEO 的性能进行了全面比较评估，包括与已有的优化算法（包括粒子群优化、遗传算法、人工鱼群算法、灰狼优化器和量子行为粒子群优化）的对比。主要分析涵盖了 30 维度的 14 个基准函数，证明了 HEO 在导航复杂的优化地形中的有效性和适应性，并为其性能提供了有价值的见解。在旅行推销员问题（TSP）中的简单测试也表明了其在实时应用中的可行性。

May, 2024

研究了一种高度通用的解释性粒子群优化算法 PAO，它可以精确计算每一步的转移密度，并且具有其他有用的特性，例如封闭形式的转移密度，是一个潜在的用于全局优化的有前途的算法。

Apr, 2023

该研究提出了一种二进制版本的马群优化算法 (BHOA)，并基于 BHOA 和最小冗余最大相关过滤器方法提出了一种新颖的混合特征选择框架。实验结果表明，X 形状 BHOA 方法在准确性和选取最少特征方面优于其他方法。

Aug, 2023

本文提出了一种基于特征选择算法的网络入侵检测系统，该算法采用鲸鱼优化算法和遗传算法来挑选入侵节点特征，并结合 KNN 分类算法进行检测，实验结果表明该方法在准确性方面具有优越性。

Jan, 2022

研究了数据聚类的优化方法，提出了基于黑猩猩优化算法、广义正态分布算法和对抗学习策略的 ChOAGNDA 方法，用于解决大型和复杂的数据聚类问题。优化结果表明该方法在最小化簇内距离总和、降低错误率和加速收敛速度等方面显著优于其他现有方法。

Feb, 2023

应用竞争性带突变主体的自然启发元启发式算法（CSO-MA），在统计科学的各种优化问题中展示其灵活性和相对于竞争对手的出色表现。

Aug, 2023

本文提出了一种基于交叉算子的 Butterfly Optimization Algorithm （xBOA）算法的新版本，并将其与原始的 BOA 以及文献中最近介绍的其他 3 种变体进行了比较，同时提出了用于解决机器人未知区域探索问题的能量限制元启发式算法的框架，通过对 5 个评价指标的实验，我们发现 BOA 可以作为机器人探索问题中的一个良好选择，而 xBOA 的稳健性更强，具有更好的适应度收敛和更好的探索率。

Oct, 2022

SHO 方法的改进版 mSHO 算法通过替换原始方法和引入新的局部搜索策略，强化了 SHO 的利用能力，提高了搜索效果，证明了 mSHO 算法在优化问题中的卓越性能。

Feb, 2024