本文提出了一种改进的鲸鱼优化算法，通过引入多种群和纵横双向的学习策略及信息交换机制，显著提高了算法的搜索效率和全局寻优能力。
鲸鱼优化算法（Whale Optimization Algorithm, WOA）是一种基于群体智能的随机搜索方法，通过模拟座头鲸觅食行为来解决各种优化问题，在多个领域如样本特征选择、流水车间调度以及电力系统设计等中得到广泛应用。
然而，传统WOA在早熟收敛和寻找全局最优解方面存在局限性。为改进这些问题，研究人员开发了多种策略以增强算法性能，包括基于余弦函数的非线性参数更新方法、莱昂飞行策略及混沌局部搜索策略等。这些策略主要集中在初始化方式、动态控制参数调整以及惯性权重优化等方面。
例如，Sun等人提出了一种利用余弦函数进行非线性动态参数更新的方法，以平衡算法探索和开发能力，并结合了莱昂飞行策略来避免陷入局部最优解。Chen团队则将混沌搜索与莱昂飞行相结合，进一步增强了群体在全局探索和邻域挖掘之间的协调。
龙文等人通过对立学习初始化方法及非线性收敛因子改进WOA性能，在高维函数测试中展示了其有效性。褚鼎立等人的研究结合了自适应权重调整和模拟退火技术来优化算法的搜索效率与精度。
王坚浩团队利用混沌反向学习策略生成初始种群，并设计了一套包括惯性和非线性扰动在内的机制，以提高全局探索能力及局部开发效果。肖子雅等人则通过引入精英反向学习增加群体多样性，并使用黄金分割优化WOA搜索方式，进一步平衡了算法的全局与局部性能。
吴泽忠团队提出螺旋更新位置模型来应对后期种群多样性的下降问题，结合多种策略如对立学习、随机参数调整和正态变异等提高算法整体效果。张达敏等人通过Circle混沌序列生成初始群体，并采用逐维小孔成像反向学习及自适应权重方法提升WOA的寻优精度与收敛速度。
刘景森团队基于分段式随机惯性权重和最优反馈机制改进了原有策略，增强了跳出局部极值的能力。黄清宝等人则通过调整余弦参数引入多项式变异来优化性能表现。
黄飞等人的研究结合反向学习策略进行初始化，并采用正态变异算子选择群体成员，配合非线性收敛因子及螺旋更新方式形成新的改进方案。这些方法中混沌映射和反向初始化旨在增加种群多样性；而非线性参数或自适应调整则着眼于提升早期解的质量以加快收敛速度。
本段落提出了一种多种群纵横双向学习与信息交换的策略，能够在不显著增加计算负担的情况下找到大多数函数的全局最优解。实验表明该方法相比基础WOA及其他优化算法如哈里斯鹰优化（Harris Hawks Optimization, HHO）具有明显优势，在工程设计、资源配置和机器学习等领域展现出广泛应用潜力。
5星
