Sparrow Search Algorithm (SSA) est une sorte de nouvel algorithme d'intelligence en essaim, qui a été appliqué dans divers domaines en raison de ses caractéristiques uniques, telles qu'une forte capacité de recherche globale, peu de paramètres ajustables et une structure claire. Cependant, l'Afrique subsaharienne présente encore certaines faiblesses inhérentes qui entravent son développement ultérieur, telles qu'une faible diversité de la population, une faible capacité de recherche locale et la possibilité de tomber facilement dans l'optimal local. Ce manuscrit propose un algorithme amélioré d'optimisation de la recherche de moineaux du chaos (ICSSOA) pour surmonter les lacunes mentionnées de la SSA standard. Tout d'abord, la cartographie du chaos cubique est introduite pour augmenter la diversité de la population dans la phase d'initialisation. Ensuite, un poids adaptatif est utilisé pour ajuster automatiquement l'étape de recherche afin d'équilibrer la performance de recherche globale et la capacité de recherche locale dans différentes phases. Enfin, une stratégie hybride de vol Levy et d'apprentissage inverse est présentée pour perturber la position des individus dans la population selon la stratégie aléatoire, et une stratégie gourmande est utilisée pour sélectionner les individus ayant des valeurs de forme physique plus élevées afin de réduire la possibilité de tomber dans l'optimum local. Les expériences sont divisées en deux modules. Le premier étudie la performance de l'approche proposée grâce à l'optimisation de 20 fonctions de référence à l'aide de l'ICSSOA, du SSA standard et de quatre autres variantes du SSA. Dans cette dernière expérience, les 20 fonctions sélectionnées sont également optimisées par l'ICSSOA et d'autres algorithmes classiques d'intelligence en essaim, à savoir ACO, PSO, GWO et WOA. Les résultats expérimentaux et l'analyse statistique correspondante ont révélé qu'un seul test d'optimisation de fonction utilisant l'ICSSOA était légèrement inférieur au CSSOA et au WOA parmi l'optimisation à 20 fonctions. Dans la plupart des cas, la précision de la solution et la vitesse de convergence sont plus élevées que les autres algorithmes. Il indique en outre que l'ICSSOA a une capacité exceptionnelle à sortir de l'optimum local.

Sparrow Search Algorithm (SSA) es un tipo de algoritmo de inteligencia de enjambre novedoso, que se ha aplicado en varios dominios debido a sus características únicas, como una fuerte capacidad de búsqueda global, pocos parámetros ajustables y una estructura clara. Sin embargo, la SSA todavía tiene algunas debilidades inherentes que dificultan su desarrollo posterior, como la escasa diversidad de la población, la escasa capacidad de búsqueda local y la facilidad para caer en el óptimo local. Este manuscrito propone un algoritmo mejorado de optimización de búsqueda de Chaos Sparrow (ICSSOA) para superar las deficiencias mencionadas del estándar SSA. En primer lugar, se introduce el mapeo del caos cúbico para aumentar la diversidad de la población en la etapa de inicialización. Luego, se emplea un peso adaptativo para ajustar automáticamente el paso de búsqueda para equilibrar el rendimiento de la búsqueda global y la capacidad de búsqueda local en diferentes fases. Finalmente, se presenta una estrategia híbrida de vuelo de Levy y aprendizaje inverso para perturbar la posición de los individuos en la población de acuerdo con la estrategia aleatoria, y se utiliza una estrategia codiciosa para seleccionar individuos con valores de aptitud más altos para disminuir la posibilidad de caer en el óptimo local. Los experimentos se dividen en dos módulos. El primero investiga el desempeño del enfoque propuesto a través de la optimización de 20 funciones de referencia utilizando ICSSOA, SSA estándar y otras cuatro variantes de SSA. En este último experimento, las 20 funciones seleccionadas también están optimizadas por el ICSSOA y otros algoritmos clásicos de inteligencia de enjambre, a saber, ACO, PSO, GWO y WOA. Los resultados experimentales y el análisis estadístico correspondiente revelaron que solo una prueba de optimización de funciones utilizando el ICSSOA fue ligeramente menor que el CSSOA y el WOA entre la optimización de 20 funciones. En la mayoría de los casos, tanto la precisión de la solución como la velocidad de convergencia son más altas que otros algoritmos. Además, indica que el ICSSOA tiene una capacidad excepcional para saltar fuera del óptimo local.

Sparrow Search Algorithm (SSA) is a kind of novel swarm intelligence algorithm, which has been applied in-to various domains because of its unique characteristics, such as strong global search capability, few adjustable parameters, and a clear structure. However, the SSA still has some inherent weaknesses that hinder its further development, such as poor population diversity, weak local searchability, and falling into local optimal easily. This manuscript proposes an improved chaos sparrow search optimization algorithm (ICSSOA) to overcome the mentioned shortcomings of the standard SSA. Firstly, the Cubic chaos mapping is introduced to increase the population diversity in the initialization stage. Then, an adaptive weight is employed to automatically adjust the search step for balancing the global search performance and the local search capability in different phases. Finally, a hybrid strategy of Levy flight and reverse learning is presented to perturb the position of individuals in the population according to the random strategy, and a greedy strategy is utilized to select individuals with higher fitness values to decrease the possibility of falling into the local optimum. The experiments are divided into two modules. The former investigates the performance of the proposed approach through 20 benchmark functions optimization using the ICSSOA, standard SSA, and other four SSA variants. In the latter experiment, the selected 20 functions are also optimized by the ICSSOA and other classic swarm intelligence algorithms, namely ACO, PSO, GWO, and WOA. Experimental results and corresponding statistical analysis revealed that only one function optimization test using the ICSSOA was slightly lower than the CSSOA and the WOA among the 20-function optimization. In most cases, both the solution accuracy and convergence speed are higher than other algorithms. It further indicates that the ICSSOA has an outstanding ability to jump out of the local optimum.

خوارزمية البحث العصفور (SSA) هي نوع من خوارزمية ذكاء السرب الجديدة، والتي تم تطبيقها في مجالات مختلفة بسبب خصائصها الفريدة، مثل قدرة البحث العالمية القوية، وعدد قليل من المعلمات القابلة للتعديل، وهيكل واضح. ومع ذلك، لا تزال منطقة جنوب الصحراء الكبرى تعاني من بعض نقاط الضعف الكامنة التي تعوق تطويرها، مثل ضعف التنوع السكاني، وضعف إمكانية البحث المحلي، والوقوع في المستوى الأمثل المحلي بسهولة. تقترح هذه المخطوطة تحسين خوارزمية تحسين البحث عن العصافير الفوضوية (ICSSOA) للتغلب على أوجه القصور المذكورة في معيار SSA. أولاً، يتم تقديم رسم خرائط الفوضى المكعبة لزيادة التنوع السكاني في مرحلة التهيئة. بعد ذلك، يتم استخدام وزن تكيفي لضبط خطوة البحث تلقائيًا لتحقيق التوازن بين أداء البحث العالمي وقدرة البحث المحلية في مراحل مختلفة. أخيرًا، يتم تقديم استراتيجية هجينة لرحلة ليفي والتعلم العكسي لإرباك وضع الأفراد في السكان وفقًا للاستراتيجية العشوائية، ويتم استخدام استراتيجية جشعة لاختيار الأفراد ذوي قيم اللياقة البدنية الأعلى لتقليل إمكانية الوقوع في المستوى الأمثل المحلي. وتنقسم التجارب إلى وحدتين. يبحث الأول في أداء النهج المقترح من خلال تحسين 20 وظيفة معيارية باستخدام ICSSOA و SSA القياسية وأربعة متغيرات SSA أخرى. في التجربة الأخيرة، يتم أيضًا تحسين الوظائف العشرين المحددة بواسطة ICSSOA وخوارزميات ذكاء السرب الكلاسيكية الأخرى، وهي ACO و PSO و GWO و WOA. كشفت النتائج التجريبية والتحليل الإحصائي المقابل أن اختبارًا واحدًا فقط لتحسين الوظائف باستخدام ICSSOA كان أقل قليلاً من CSSOA و WOA بين التحسين 20 وظيفة. في معظم الحالات، تكون دقة الحل وسرعة التقارب أعلى من الخوارزميات الأخرى. كما يشير إلى أن ICSSOA لديها قدرة متميزة على القفز من المستوى الأمثل المحلي.