• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    共生生物搜索算法研究綜述

    2025-03-07 00:00:00李立欣蔡延光
    自動化與信息工程 2025年1期
    關(guān)鍵詞:智能算法

    摘要:共生生物搜索(SOS)算法是一種通過模擬自然界生態(tài)系統(tǒng)中生物之間的共生交互作用來求解全局優(yōu)化問題的新型智能算法,具有結(jié)構(gòu)簡單、尋優(yōu)能力強(qiáng)、魯棒性好、無需調(diào)整參數(shù)等特點(diǎn),可有效解決多種優(yōu)化問題。該文針對一維和多維優(yōu)化問題分別給出SOS算法的結(jié)構(gòu)化表達(dá)形式;并從改進(jìn)方法和應(yīng)用角度全面總結(jié)其最新研究進(jìn)展,進(jìn)而提出研究展望,為SOS算法的研究和應(yīng)用提供參考。

    關(guān)鍵詞:共生生物搜索算法;智能算法;全局優(yōu)化問題

    中圖分類號:TP18;"TP301.6""""""""文獻(xiàn)標(biāo)志碼:A """"""""文章編號:1674-2605(2025)01-0001-13

    DOI:10.3969/j.issn.1674-2605.2025.01.001""""""""""""""""""""nbsp;開放獲取

    A Review of Symbiotic Organisms Search Algorithm Research

    LI Lixin CAI Yanguang

    (1.Shantou Linbaixin Science and Technology Secondary Vocationl School, Shantou"515041, China

    2.School of Intelligent Manufacturing and Electrical Engineering, Guangzhou Institute of Science and Technology, Guangzhou 510540, China""3.School of Automation, Guangdong University of Technology, Guangzhou 510006, China)

    Abstract"The symbiotic"organisms"search (SOS) algorithm is a novel intelligent algorithm that solves global optimization problems by simulating the symbiotic interactions between organisms in natural ecosystems. It has the characteristics of simple structure, strong optimization ability, good robustness, and no need to adjust parameters, and can effectively solve various optimization problems. This article provides structured expressions of the SOS algorithm for one-dimensional and multi-dimensional optimization problems,"and comprehensively summarize its latest research progress from the perspectives of improvement methods and applications, and then propose research prospects, providing reference for the research and application of SOS algorithm.

    Keywords: symbiotic organisms search"algorithm;"intelligent"algorithm;"global optimization problem

    0 引言

    隨著科學(xué)技術(shù)的發(fā)展和科技成果的廣泛應(yīng)用,各種優(yōu)化問題的結(jié)構(gòu)越來越復(fù)雜、規(guī)模越來越龐大,傳統(tǒng)的求解方法已難以滿足需求。而智能算法為求解復(fù)雜優(yōu)化問題提供了一條有效途徑。智能算法的提出一般受社會、自然等現(xiàn)象的啟發(fā),如模擬退火(simulated annealing, SA)算法、遺傳算法(genetic algorithm,"GA)、蟻群優(yōu)化(ant colony optimization, ACO)算法、灰狼

    優(yōu)化(grey wolf optimizer, GWO)算法、差分進(jìn)化(differential evolution, DE)算法、粒子群優(yōu)化(particle swarm optimization, PSO)算法等。盡管這些算法能有效解決多種優(yōu)化問題,但在一定程度上仍存在易陷入局部最優(yōu)、收斂速度慢等不足。根據(jù)“沒有免費(fèi)午餐”定理[1],沒有一種算法能完美解決所有優(yōu)化問題。因此,對于采用現(xiàn)有算法無法有效解決的優(yōu)化問題,一般通過提出一種新算法或改進(jìn)現(xiàn)有算法來解決。

    共生生物搜索(symbiotic organisms search, SOS)算法由CHENG和PRAYOGO于2014年提出[2],是一種通過模擬自然界生態(tài)系統(tǒng)中生物之間的共生交互作用來求解全局優(yōu)化問題的新型智能算法。SOS算法具有尋優(yōu)能力強(qiáng)、魯棒性好等特點(diǎn),被廣泛應(yīng)用于云計(jì)算調(diào)度、旅行商問題/車輛路徑問題、生產(chǎn)調(diào)度問題、機(jī)器學(xué)習(xí)、圖像處理等領(lǐng)域。

    首先,介紹SOS算法的基本思想;然后,針對一維和多維優(yōu)化問題分別給出SOS算法的結(jié)構(gòu)化表達(dá)形式;最后,從改進(jìn)方法和應(yīng)用角度總結(jié)SOS算法的研究進(jìn)展,并提出研究展望。

    1 SOS算法

    1.1 SOS算法基本思想

    共生關(guān)系是指生物體為了生存而形成的共同奮斗、競爭或依賴的關(guān)系。常見的共生關(guān)系有互利共生、偏利共生和寄生等3種關(guān)系。其中,互利共生關(guān)系是指兩個(gè)生物體之間互利共贏的共生關(guān)系;偏利共生關(guān)系是指兩個(gè)生物體之間一方受益,另一方基本不受影響的共生關(guān)系;寄生關(guān)系是指兩個(gè)生物體之間一方受益,另一方受害的共生關(guān)系。

    SOS算法通過模擬互利共生關(guān)系、偏利共生關(guān)系和寄生關(guān)系求解優(yōu)化問題。該算法從一個(gè)初始生物體種群開始,每個(gè)生物體對應(yīng)優(yōu)化問題的一個(gè)解;每個(gè)生物體分別進(jìn)行互利共生、偏利共生和寄生3個(gè)階段的共生操作,以提高生物體的適應(yīng)(生存)能力;重復(fù)執(zhí)行這3個(gè)共生操作,直至算法滿足停止準(zhǔn)則,獲得的最優(yōu)個(gè)體即為優(yōu)化問題的最優(yōu)解。

    1.2 共生階段

    1.2.1 "互利共生階段

    互利共生關(guān)系的典型例子是蜜蜂與花朵之間的關(guān)系。蜜蜂從花朵采蜜的同時(shí)為花朵授粉,雙方在此過程中同時(shí)受益。

    設(shè)Xi為生態(tài)系統(tǒng)中的第i個(gè)個(gè)體,從生態(tài)系統(tǒng)中隨機(jī)選取另一個(gè)個(gè)體XjXj Xi),與個(gè)體Xi進(jìn)行交互作用。在互利共生階段,這兩個(gè)個(gè)體通過互利共生關(guān)系提高各自的適應(yīng)能力。新個(gè)體XinewXjnew產(chǎn)生的方式分別為

    Xinew=Xi+rand(0, 1)×(Xbest-MV×BF1)""""""(1)

    Xjnew=Xj+rand(0, 1)×(Xbest-MV×BF2)""""""(2)

    式中:rand(0, 1)為[0, 1]范圍內(nèi)均勻分布的隨機(jī)數(shù);Xbest為生態(tài)系統(tǒng)中的最優(yōu)個(gè)體,即適應(yīng)度值最高的個(gè)體,其對應(yīng)優(yōu)化問題的當(dāng)前最優(yōu)解;MV為兩個(gè)個(gè)體之間的互利關(guān)系特征向量,按照公式(3)計(jì)算;BF1BF2為受益因子,體現(xiàn)了生物體在交互作用中的受益程度,分別按照公式(4)、(5)計(jì)算。

    MV=Xi+Xj/2 "(3)

    BF1 = round(1+rand(0, 1))"""""""""(4)

    BF2 = round(1+rand(0, 1))"""""""""(5)

    Xbest-MV×BFk)(k"= 1, 2)表示XiXj通過共同努力逐步向最優(yōu)個(gè)體Xbest靠攏,以增強(qiáng)它們在生態(tài)系統(tǒng)中的生存優(yōu)勢。互利共生階段產(chǎn)生的新個(gè)體Xinew、Xjnew,若Xinew的適應(yīng)度值比Xi高,用Xinew替換Xi,否則Xi保持不變;若Xjnew的適應(yīng)度值比Xj高,用Xjnew替換Xj,否則Xj保持不變?;ダ采A段的操作可用函數(shù)Mutualism(Xi)描述。

    1.2.2 "偏利共生階段

    偏利共生關(guān)系的典型例子是?魚與鯊魚之間的關(guān)系。?魚附著在鯊魚身上,通過吃鯊魚剩余的食物殘?jiān)芤?,而鯊魚基本不受影響。

    在偏利共生階段,個(gè)體Xi通過偏利共生關(guān)系將自已放置在優(yōu)于個(gè)體Xj的位置上,以提高其在生態(tài)系統(tǒng)中的適應(yīng)能力。新個(gè)體Xinew產(chǎn)生方式為

    Xinew"="Xi+rand(-1, 1)×(Xbest-Xj)"""""""""(6)

    式中:rand(-1, 1)為[-1, 1]范圍內(nèi)均勻分布的隨機(jī)數(shù);(Xbest-Xj)表示個(gè)體Xj幫助個(gè)體Xi逐步向最優(yōu)個(gè)體Xbest靠攏,以增強(qiáng)個(gè)體Xi在生態(tài)系統(tǒng)中的生存優(yōu)勢。

    偏利共生階段產(chǎn)生的新個(gè)體Xinew,若Xinew的適應(yīng)度值比Xi高,用Xinew替換Xi,否則Xi保持不變;個(gè)體Xj不受任何影響,保持不變。偏利共生階段的操作可用函數(shù)Commensalism(Xi)描述。

    1.2.3 "寄生階段

    寄生關(guān)系的典型例子是瘧原蟲與人類宿主之間的關(guān)系。瘧原蟲通過按蚊在人體內(nèi)寄生并大量繁殖而獲利,而人類宿主可能因此患上瘧疾,甚至死亡。

    在寄生階段,Xi為生態(tài)系統(tǒng)中的第i個(gè)個(gè)體,復(fù)制個(gè)體Xi并采用隨機(jī)策略修改其基因位以產(chǎn)生寄生蟲PV,從生態(tài)系統(tǒng)中隨機(jī)選取另一個(gè)個(gè)體Xj作為寄生蟲的宿主,且Xj"≠"Xi。這里,個(gè)體Xi相當(dāng)于按蚊;寄生蟲PV相當(dāng)于瘧原蟲;個(gè)體Xj相當(dāng)于人類宿主。寄生蟲PV通過個(gè)體Xi,試圖取代個(gè)體Xj在生態(tài)系統(tǒng)中的位置。

    寄生階段產(chǎn)生的寄生蟲PV,若PV的適應(yīng)度值比Xj高,用PV替換Xj,否則Xj保持不變;個(gè)體Xi不受任何影響,保持不變。寄生階段的操作可用函數(shù)Parasitism(Xi)描述。

    1.3 算法描述

    SOS算法在求解優(yōu)化問題時(shí)與其他智能算法相似,在一組隨機(jī)產(chǎn)生的初始解的基礎(chǔ)上,采用迭代方法重復(fù)執(zhí)行一些操作,從而得到優(yōu)化問題的最優(yōu)解。

    1.3.1""基本SOS算法

    基本SOS算法可用函數(shù)SOS()描述。

    1.3.2""針對多維優(yōu)化問題的基本SOS算法

    對于多維優(yōu)化問題,可先通過編碼將多維變量映射到個(gè)體中,再利用SOS算法求解。亦可采用函數(shù)MM_SOS()來求解,其本質(zhì)是對每個(gè)分量分別進(jìn)行互利共生、偏利共生和寄生等操作。

    1.4 算法特點(diǎn)

    SOS算法可有效解決多類優(yōu)化問題,具有以下特點(diǎn):

    1) 結(jié)構(gòu)簡單,函數(shù)SOS()、MM_SOS()結(jié)構(gòu)簡單,易于理解和實(shí)現(xiàn),便于改進(jìn);

    2) 較強(qiáng)的尋優(yōu)能力,SOS算法具有較強(qiáng)的開發(fā)能力(局部搜索能力)和搜索能力(全局搜索能力);

    3) 較好的魯棒性,SOS算法在應(yīng)用過程中不需要調(diào)整參數(shù),只需要設(shè)置種群規(guī)模、算法停止準(zhǔn)則,可有效避免因參數(shù)設(shè)置不當(dāng)而導(dǎo)致的算法開發(fā)能力與搜索能力下降的問題。

    SOS算法雖然在很多優(yōu)化問題上具有較好的性能,但也存在一些不足,如算法易陷入早熟、在求解復(fù)雜問題時(shí)精度不高、后期搜索速度慢等[3],其尋優(yōu)能力還需進(jìn)一步提高。

    2 SOS算法的改進(jìn)

    在SOS算法中,互利共生與偏利共生階段均基于當(dāng)前最優(yōu)解進(jìn)行尋優(yōu),增強(qiáng)了算法的開發(fā)能力,但同時(shí)削弱了算法的搜索能力,導(dǎo)致算法易陷入局部最優(yōu);寄生階段采用隨機(jī)策略產(chǎn)生寄生蟲,實(shí)現(xiàn)種群進(jìn)化,但這種隨機(jī)性意味著進(jìn)化結(jié)果不確定。為了在SOS算法的開發(fā)能力與搜索能力之間建立良好的平衡,學(xué)者們提出了多種改進(jìn)策略。根據(jù)改進(jìn)策略的角度和方法,本文將其歸納為改進(jìn)的SOS算法、離散SOS算法、多目標(biāo)SOS算法等3類[4-6]

    2.1 改進(jìn)的SOS算法

    2.1.1 自適應(yīng)SOS算法

    自適應(yīng)機(jī)制引入SOS算法,可以提高算法性能。

    2.1.1.1 "自適應(yīng)確定受益因子BF1BF2

    文獻(xiàn)[7]采用自適應(yīng)機(jī)制確定SOS算法互利共生階段的受益因子BF1BF2,由當(dāng)前個(gè)體與最優(yōu)個(gè)體的適應(yīng)度值來決定受益因子的值,當(dāng)個(gè)體遠(yuǎn)離最優(yōu)個(gè)體時(shí),自適應(yīng)受益因子增強(qiáng)算法的搜索能力;當(dāng)個(gè)體接近最優(yōu)個(gè)體時(shí),自適應(yīng)受益因子增強(qiáng)算法的開發(fā)能力,以保證SOS算法在開發(fā)能力與搜索能力上的平衡。文獻(xiàn)[8]在文獻(xiàn)[7]的基礎(chǔ)上改進(jìn)了寄生階段,采用生成隨機(jī)數(shù)決定寄生蟲的產(chǎn)生方式,提高了算法的開發(fā)能力。文獻(xiàn)[9]修改偏利共生階段的交互作用機(jī)制,結(jié)合映射策略(mapping strategy, MS)和懲罰函數(shù)(penalty function, PF)分別得到兩種增強(qiáng)SOS(enhanced symbiotic organisms search, ESOS)算法(ESOS-MS和ESOS-PF)。

    2.1.1.2 "自適應(yīng)調(diào)整種群規(guī)模

    文獻(xiàn)[10]研究了SOS算法中種群規(guī)模參數(shù)對算法性能的影響,認(rèn)為隨著問題維度的增加,種群規(guī)模也應(yīng)增加。因此,根據(jù)問題維度自適應(yīng)調(diào)整種群的規(guī)模參數(shù),并且提出了3種SOS變體算法:lbest_SOS算法、pbest_SOS算法、eco_min_max_SOS算法,通過對基準(zhǔn)函數(shù)、工程問題等測試結(jié)果表明,eco_min_- max_SOS算法是SOS算法的有效替代方案。

    2.1.1.3 "自適應(yīng)柯西變異

    文獻(xiàn)[11]提出一種基于隨機(jī)游走和自適應(yīng)柯西變異的SOS算法,用于睡眠分期的特征選擇,以去除冗余和不相關(guān)的特征。

    2.1.1.4 "多策略自適應(yīng)

    文獻(xiàn)[12]提出一種多策略自適應(yīng)SOS算法,根據(jù)個(gè)體差異在互利共生階段將種群分為低等生物、一般生物和高等生物3個(gè)群體,并對這3個(gè)群體采用不同的搜索策略,以實(shí)現(xiàn)不同功能。在偏利共生階段引入一種具有全局最優(yōu)引導(dǎo)的自適應(yīng)混合搜索策略,增強(qiáng)最優(yōu)個(gè)體Xbest的引導(dǎo)作用,引導(dǎo)算法搜索過程更具目的性和方向性;對超邊界個(gè)體進(jìn)行一次變異操作,以增強(qiáng)種群的多樣性。

    2.1.1.5 "自適應(yīng)精英反向?qū)W習(xí)

    文獻(xiàn)[13]提出一種自適應(yīng)精英反向?qū)W習(xí)SOS算法,在互利共生階段采用自適應(yīng)縮放因子自動調(diào)整搜索重心,平衡算法的開發(fā)能力與搜索能力;在偏利共生階段采用隨機(jī)差分?jǐn)_動項(xiàng)來增強(qiáng)個(gè)體在較優(yōu)解鄰域內(nèi)的搜索能力;在寄生階段采用精英反向?qū)W習(xí)變異策略,使種群更新更具方向性和目的性。

    2.1.2 混沌SOS算法

    混沌現(xiàn)象具有不確定、不可重復(fù)、不可預(yù)測等特點(diǎn),常用于智能算法的搜索過程,以提高種群的多樣性,避免算法陷入局部最優(yōu)。

    2.1.2.1 "混沌產(chǎn)生初始種群

    文獻(xiàn)[14]利用混沌映射序列產(chǎn)生初始種群,增強(qiáng)種群的多樣性,在互利共生和偏利共生階段利用混沌映射取代普通的隨機(jī)數(shù),提高了解的質(zhì)量和算法收斂速度。文獻(xiàn)[15]利用混沌函數(shù)產(chǎn)生初始二進(jìn)制種群,并提出一種高效二進(jìn)制混沌SOS算法,用于垃圾郵件的檢測,提高了垃圾郵件檢測的準(zhǔn)確性和效率。

    2.1.2.2 "混沌映射取代普通的隨機(jī)數(shù)

    文獻(xiàn)[16]在互利共生和偏利共生階段利用混沌映射取代普通的隨機(jī)數(shù),采用自適應(yīng)懲罰機(jī)制更新適應(yīng)度值,并提出一種自適應(yīng)混沌SOS算法,解決了電力系統(tǒng)的無功優(yōu)化問題。

    2.1.2.3 混沌局部搜索

    文獻(xiàn)[17]提出一種混沌SOS算法,在算法每一代進(jìn)化結(jié)束時(shí),引入混沌局部搜索(chaotic local search, CLS)策略,以提高搜索性能和收斂性,避免陷入局部最優(yōu)。文獻(xiàn)[18]在文獻(xiàn)[17]的基礎(chǔ)上舍棄了寄生階段的操作,進(jìn)一步提高了算法性能。

    2.1.3 基于SOS算法的混合算法

    針對基本SOS算法求解優(yōu)化問題時(shí)存在的缺陷,許多學(xué)者將其他優(yōu)化算法與SOS算法相結(jié)合,彌補(bǔ)SOS算法的不足,提高了算法性能。

    2.1.3.1""SOS算法與SA算法混合

    文獻(xiàn)[19]將SOS算法與SA算法相結(jié)合,提高了算法的收斂速度和搜索能力,在云計(jì)算環(huán)境下的任務(wù)調(diào)度、旅行商問題(traveling salesman problem, TSP)等領(lǐng)域均有較好的表現(xiàn)。

    2.1.3.2""SOS算法與GA混合

    受GA的選擇、交叉和變異算子啟發(fā),文獻(xiàn)[24]在求解TSP時(shí),將交換、反轉(zhuǎn)和插入這3種變異算子引入SOS算法中,以增強(qiáng)種群的多樣性。

    2.1.3.3""SOS算法與PSO算法混合

    文獻(xiàn)[26]在同時(shí)優(yōu)化特征子集和鄰域大小的問題上,提出5種基于DSOS及其變體算法的優(yōu)化方法(其中一種方法是將DSOS與PSO算法相結(jié)合),測試結(jié)果表明,這些方法在同時(shí)優(yōu)化方面取得了較好效果,且誤差更小。文獻(xiàn)[27]結(jié)合改進(jìn)的粒子群(improved particle swarm optimization, IPSO)算法和改進(jìn)的共生生物搜索(modified symbiotic organisms search, MSOS)算法,提出一種HIPSO-MSOS算法,其中,SOS算法僅利用偏利共生階段,解決了復(fù)雜三維場景下的無人機(jī)路徑規(guī)劃(unmanned aerial vehicle, UAV)問題,無論在精度、收斂速度、穩(wěn)定性和魯棒性等方面均優(yōu)于對比算法。

    2.1.3.4""SOS算法與ACO算法混合

    文獻(xiàn)[28]利用ACO算法相對強(qiáng)大的開發(fā)能力彌補(bǔ)了SOS算法的不足,提出一種SOS-ACO算法,解決了約束條件下的最優(yōu)裝配序列問題。

    2.1.3.5""SOS算法與GWO算法混合

    文獻(xiàn)[29]針對SOS算法易陷入局部最優(yōu)及搜索停滯等問題,提出一種基于多角色優(yōu)化策略的混合GW-SOS算法,從算法內(nèi)部結(jié)構(gòu)、防止停滯機(jī)制、混合智能優(yōu)化3個(gè)方面對基本SOS算法進(jìn)行改進(jìn),減少無效搜索的同時(shí)保持種群的多樣性。

    2.1.3.6 "SOS算法與DE算法混合

    文獻(xiàn)[30]提出一種混合DE-SOS算法,舍棄了寄生階段,改進(jìn)互利共生和偏利共生階段的交互作用機(jī)制,引入牽引函數(shù)以提高算法開發(fā)能力,采用擾動策略以增強(qiáng)魯棒性。類似地,文獻(xiàn)[31]提出一種結(jié)合DE算法和SOS算法的混合優(yōu)化算法,并提出新的混合算子,有效增強(qiáng)了算法的全局和局部搜索能力,提高了最優(yōu)解質(zhì)量和收斂速度。

    2.1.3.7 "SOS算法與回溯搜索優(yōu)化算法[32]混合

    文獻(xiàn)[33]基于回溯搜索優(yōu)化算法(backtracking search optimization algorithm,"BSA)搜索能力強(qiáng)且保留歷史種群信息的特點(diǎn),提出一種e-SOSBSA算法,引入具有自適應(yīng)變異率的變異算子,以幫助算法跳出局部最優(yōu);加入具有自適應(yīng)交叉率的交叉算子,利用歷史種群信息生成更優(yōu)解,從而提高算法效率。

    綜上所述,以上混合算法主要用于解決復(fù)雜的組合優(yōu)化問題。組合優(yōu)化問題往往是NP難題,其求解過程耗時(shí)隨問題規(guī)模的擴(kuò)大呈指數(shù)級增長[34]。因此,將SOS算法與其他智能算法混合,是未來SOS算法研究的一個(gè)重要方向。

    2.1.4 集成反向?qū)W習(xí)的SOS算法

    反向?qū)W習(xí)(opposition-based learning, OBL)[35]由TIZHOOSH于2005年提出,并被應(yīng)用于種群初始化和種群進(jìn)化,可增強(qiáng)種群的多樣性,提高算法的開發(fā)能力與搜索能力。將OBL引入SOS算法中,得到反向共生生物搜索(oppositional symbiotic organisms search, OSOS)算法、準(zhǔn)反向共生生物搜索(quasi-oppositional symbiotic organisms search, QOSOS)算法、準(zhǔn)反射共生生物搜索(quasi-reflected symbiotic organisms search, QRSOS)算法等改進(jìn)形式。在上述算法中,大體上都是在SOS算法的種群初始化階段,利用OBL增強(qiáng)種群的多樣性;在每一代進(jìn)化結(jié)束時(shí),根據(jù)跳躍概率決定是否更新種群個(gè)體。

    2.1.4.1 "OSOS算法

    文獻(xiàn)[36]提出一種OSOS算法,通過引入OBL加速算法收斂,解決彩色圖像分割問題的效果明顯優(yōu)于SOS算法或其他算法。文獻(xiàn)[37]將OSOS算法與災(zāi)變算法(catastrophe phase algorithm, CA)相結(jié)合提出OBSOS-CA,在種群初始化和寄生階段引入OBL,增強(qiáng)種群的多樣性;采用災(zāi)變思想跳出局部最優(yōu);在下一次迭代的互利共生和偏利共生階段引入變鄰域下降法,以增強(qiáng)算法的開發(fā)能力。

    2.1.4.2 "QOSOS算法

    文獻(xiàn)[38]利用QOSOS算法解決了電力系統(tǒng)的負(fù)荷頻率控制問題。文獻(xiàn)[39]采用QOSOS算法解決了輸氣壓縮機(jī)設(shè)計(jì)優(yōu)化和產(chǎn)氣設(shè)施容量優(yōu)化的問題。文獻(xiàn)[40-41]將QOSOS算法和CLS算法相結(jié)合,提出一種QOCSOS算法,解決了徑向配電網(wǎng)中分布式發(fā)電機(jī)組的布置與分配問題。文獻(xiàn)[42]在結(jié)合QOSOS算法和CLS算法的基礎(chǔ)上,引入兩種寄生蟲產(chǎn)生策略,提高了算法寄生階段的性能。文獻(xiàn)[43]將QOCSOS算法和隨機(jī)森林(random forest, RF)算法相結(jié)合,提出QOCSOS-RF算法,解決了電力系統(tǒng)的最優(yōu)潮流問題。

    2.1.4.3 "QRSOS算法

    文獻(xiàn)[44]提出QRSOS算法,有效解決了短期水電系統(tǒng)發(fā)電優(yōu)化的問題。

    2.1.5 其他改進(jìn)方法

    為提高SOS算法性能,許多學(xué)者研究了SOS算法的其他改進(jìn)方法,如引入局部搜索策略,對SOS算法的交互作用機(jī)制、種群初始化、個(gè)體選擇等方面進(jìn)行改進(jìn)。

    2.1.5.1 "引入局部搜索策略

    在SOS算法中引入局部搜索策略,是提高算法開發(fā)能力的一種常見手段。文獻(xiàn)[45]將SOS算法與局部搜索策略相結(jié)合,得到一種混合SOS算法,解決了置換流水車間調(diào)度的問題,提升了算法的搜索能力。文獻(xiàn)[46]提出一種混合變鄰域SOS算法,解決了容量受限車輛路徑問題(capacitated vehicle routing problem, CVRP),在算法每一代進(jìn)化結(jié)束時(shí),引入變鄰域搜索(variable neighborhood search, VNS)算法,包括重置、交換、2-Opt等3種局部搜索策略,有助于算法跳出局部最優(yōu),有效提高解的質(zhì)量。文獻(xiàn)[47]將SOS算法與VNS算法相結(jié)合,提出一種SOS-VNS算法求解TSP,加入VNS算法可生成更好的初始解。文獻(xiàn)[37]在提出的OBSOS-CA中,VNS算法采用變鄰域下降法,增強(qiáng)了算法的開發(fā)能力。

    2.1.5.2 "增加或刪除某些共生交互階段

    文獻(xiàn)[48]提出一種改進(jìn)的SOS算法求解無約束優(yōu)化問題,將互利共生和偏利共生階段的隨機(jī)值替換成隨機(jī)加權(quán)參數(shù),提高了算法的搜索能力;該算法還增加了第4個(gè)交互作用——捕食階段,以模擬生態(tài)系統(tǒng)中捕食者和獵物之間的交互關(guān)系,捕食者以獵物為食物而導(dǎo)致獵物死亡,與寄生階段的區(qū)別在于,并非所有的寄生蟲都會殺死它們的宿主。文獻(xiàn)[49]在求解CVRP時(shí),在SOS算法中增加了兩個(gè)交互作用(競爭階段和偏害共生階段),并在文獻(xiàn)[50]提出的求解CVRP 兩種解的表示方法(SR-1和SR-2)的基礎(chǔ)上,開發(fā)了6個(gè)SOS算法的改進(jìn)版本,包括SOSCanonical、SOSBasic、SOSSR-1、SOSSR-2、ISOSSR-1和ISOSSR-2;實(shí)驗(yàn)結(jié)果表明,這些版本的算法均提高了解的質(zhì)量和收斂速度。文獻(xiàn)[51]提出一種MSOS算法來解決經(jīng)濟(jì)調(diào)度問題,在互利共生和偏利共生階段引入新的交互機(jī)制來更新解,舍棄寄生階段,并加入混沌序列以提高算法的搜索能力。文獻(xiàn)[52]改進(jìn)互利共生和偏利共生階段的交互機(jī)制,進(jìn)一步提升了SOS算法的性能。文獻(xiàn)[53]提出一種MSOS算法,解決了桁架結(jié)構(gòu)優(yōu)化的問題。其對SOS算法提出5點(diǎn)改進(jìn):1)"將互利共生階段的受益因子固定為1,使每個(gè)個(gè)體受益均等;2)"利用隨機(jī)個(gè)體取代最優(yōu)個(gè)體,提高搜索能力;3) 將偏利共生階段的隨機(jī)數(shù)限定在[0.4, 0.9]之間,提高算法的收斂速度;4)"采用精英策略為下一代進(jìn)化獲得最優(yōu)個(gè)體;5)"去掉寄生階段,減少算法耗時(shí)。在后續(xù)的研究中,還將SOS算法與深度神經(jīng)網(wǎng)絡(luò)(deep neural networks, DNN)相結(jié)合[54],用于優(yōu)化功能梯度板的材料分布問題。

    2.1.5.3 "修改共生交互階段的交互機(jī)制

    文獻(xiàn)[55]研究了受益因子BF對算法性能的影響,并提出一種去除受益因子的修正SOS算法,但其性能不如基本SOS算法。為此,學(xué)者們提出采用兩種組合方案來改進(jìn)修正SOS算法。文獻(xiàn)[56]提出一種增強(qiáng)SOS算法,在寄生階段引入新的交互機(jī)制,根據(jù)隨機(jī)概率選擇執(zhí)行原始寄生階段或克隆變異寄生階段。文獻(xiàn)[57]提出一種新的寄生階段交互機(jī)制,并采用新的選擇算子防止解趨同,以保持種群多樣性。文獻(xiàn)[58]改進(jìn)寄生階段的交互機(jī)制,以平衡SOS算法的開發(fā)能力和搜索能力。文獻(xiàn)[59]采用異步學(xué)習(xí)因子修改偏利共生階段的交互作用公式,得到一種基于異步變化學(xué)習(xí)策略的SOS算法,該算法能夠根據(jù)當(dāng)前迭代次數(shù)自適應(yīng)地更新個(gè)體,平衡該階段的局部搜索和全局探索能力,加快種群的收斂速度和精度。文獻(xiàn)[60]提出一種基于加權(quán)擾動的SOS算法,用于求解樁網(wǎng)復(fù)合地基優(yōu)化的數(shù)學(xué)模型,在偏利共生階段引入加權(quán)擾動策略,在寄生階段僅對部分個(gè)體進(jìn)行寄生操作,使算法精度更高、收斂速度更快、尋優(yōu)性能更好。文獻(xiàn)[61]提出一種MSOS算法,用于分析不同充電模式下的充電行為對混合動力汽車的影響;該算法在每一代進(jìn)化結(jié)束時(shí)引入兩個(gè)改進(jìn)步驟:1)采用Levy飛行模型增強(qiáng)種群個(gè)體的搜索能力,避免陷入局部最優(yōu);2)利用種群平均值促進(jìn)個(gè)體向最優(yōu)解靠攏,提高算法的開發(fā)能力和搜索能力。文獻(xiàn)[62]提出一種MSOS算法,用于求解林火圖像的最佳閾值分割問題,在偏利共生階段引入精英反策略和Levy飛行模型,擴(kuò)大了算法的搜索空間,增強(qiáng)了搜索軌跡的隨機(jī)性。文獻(xiàn)[63]在文獻(xiàn)[53]的基礎(chǔ)上,改進(jìn)3個(gè)交互階段的運(yùn)行機(jī)制,提出一種MSOS算法,該算法在搜索能力和開發(fā)能力之間取得了更好的平衡,可有效求解一維可控源音頻大地電磁法模型。文獻(xiàn)[64]通過改進(jìn)寄生蟲的產(chǎn)生方式,提高了SOS算法的收斂速度,與其他智能算法相比,該算法更可靠、高效。文獻(xiàn)[65]提出一種改進(jìn)的SOS算法,用于解決無約束和帶約束的4類高維優(yōu)化問題,利用互利共生階段和寄生階段的多個(gè)作用向量,進(jìn)行復(fù)雜度、統(tǒng)計(jì)和收斂分析,從不同角度衡量了算法的有效性。

    2.1.5.4 "修改種群或個(gè)體操作

    文獻(xiàn)[66]提出一種MSOS算法,用于優(yōu)化通信系統(tǒng)的性能,該算法將種群細(xì)分為3個(gè)子物種,分別以相應(yīng)的概率參與算法運(yùn)算,在收斂性和準(zhǔn)確性等方面均有所改進(jìn)。文獻(xiàn)[67]提出一種基于子種群拉伸操作的精英SOS算法,在互利共生階段將種群個(gè)體分為2個(gè)子種群,分別負(fù)責(zé)開發(fā)與搜索任務(wù);在偏利共生階段引入拉伸因子和差分?jǐn)_動項(xiàng),以減少進(jìn)化的盲目性;在寄生階段采用精英寄生機(jī)制,提高了算法性能。文獻(xiàn)[68]提出一種基于旋轉(zhuǎn)學(xué)習(xí)策略的SOS算法,將串行個(gè)體更新方式改為并行種群更新方式,并從原始種群和新種群中各取一半個(gè)體組成新的迭代種群,提高了算法的收斂速度與精度;在寄生階段引入遍歷保優(yōu)的旋轉(zhuǎn)學(xué)習(xí)策略,以增強(qiáng)種群的多樣性,提高算法跳出局部最優(yōu)的能力。文獻(xiàn)[69]在互利共生階段選擇個(gè)體時(shí),采用基于適應(yīng)度值比例選擇的輪盤賭法代替非隨機(jī)選擇方法,使適應(yīng)度較高的個(gè)體被選中的概率更大,引導(dǎo)其向最優(yōu)解靠攏,提高了SOS算法的收斂速度。文獻(xiàn)[70]采用輪盤賭法選擇個(gè)體,在寄生階段采用適應(yīng)度動態(tài)調(diào)整變異率而非固定值進(jìn)行寄生操作,利用梯度思想引導(dǎo)個(gè)體變異方向,使適應(yīng)度高的個(gè)體變異率更低,而適應(yīng)度低的個(gè)體變異率更高,以便更好地增加優(yōu)質(zhì)個(gè)體的數(shù)量,減少劣質(zhì)個(gè)體的數(shù)量,從而提高算法的收斂速度和收斂精度。

    此外,學(xué)者們還將SOS算法與支持向量機(jī)[71-74]、聚類方法[75-76]等結(jié)合來改進(jìn)算法,使其能夠有效求解復(fù)雜的優(yōu)化問題。

    2.2 離散SOS算法

    SOS算法最初是為了解決連續(xù)空間的優(yōu)化問題而提出的。為了使其適用于解決組合優(yōu)化問題或離散優(yōu)化問題,學(xué)者們提出了離散共生生物搜索(discrete symbiotic organisms search, DSOS)算法。近年來,離散優(yōu)化問題已成為優(yōu)化領(lǐng)域的研究熱點(diǎn),如車輛路徑問題、系統(tǒng)調(diào)度問題、網(wǎng)絡(luò)選址問題等。

    2.2.1 "DSOS算法求解資源平衡問題

    SOS算法的提出者CHENG[2]在該算法提出一年后,提出了一種DSOS算法[77],用于優(yōu)化多項(xiàng)目調(diào)度中的資源平衡問題,以減少資源浪費(fèi),提高項(xiàng)目的整體效益。DSOS算法通過一個(gè)函數(shù)將可行域中的實(shí)數(shù)轉(zhuǎn)換為整數(shù),其步驟與SOS算法基本相同。文獻(xiàn)[78]在DSOS算法的基礎(chǔ)上,引入基于網(wǎng)絡(luò)層次的啟發(fā)式規(guī)則,產(chǎn)生寄生階段的寄生蟲算子,增強(qiáng)了該階段算法的開發(fā)能力,避免了過早停滯,較好地解決了大規(guī)模建設(shè)項(xiàng)目中時(shí)間成本權(quán)衡的問題。

    2.2.2 "DSOS算法求解TSP

    在SOS算法與GA混合時(shí),實(shí)際上已經(jīng)進(jìn)行了離散化處理。文獻(xiàn)[24]改進(jìn)了基本SOS算法的結(jié)構(gòu),引入了交換、反轉(zhuǎn)和插入3種變異算子,以增強(qiáng)種群的多樣性,在解的質(zhì)量、收斂速度及執(zhí)行時(shí)間等方面均優(yōu)于對比算法。文獻(xiàn)[25]提出一種基于卓越系數(shù)和自逃逸策略的離散共生生物搜索(discrete symbiotic organisms search with excellence coefficients and self-escape strategy, ECSDSOS)算法,用于求解TSP;其中,卓越系數(shù)使ECSDSOS算法能夠選擇較短的邊(路線),以產(chǎn)生更優(yōu)的局部路徑,提高開發(fā)能力,加速算法尋找滿意解的過程;自我逃逸策略提高了生物體的多樣性,防止ECSDSOS算法陷入局部最優(yōu),抑制早熟收斂,提高了搜索能力,與文獻(xiàn)[24]提出的DSOS算法相比,ECSDSOS算法能用較少的迭代次數(shù)找到更優(yōu)的解。文獻(xiàn)[79]針對DSOS算法易陷入局部最優(yōu)導(dǎo)致收斂精度低的問題,提出一種基于基因轉(zhuǎn)移和消除路徑交叉策略的多種群DSOS算法,通過采用多種群并行策略,提高算法在全局尋優(yōu)過程中的多樣性,從而提高算法的收斂速度和收斂能力。

    2.2.3 "DSOS算法求解任務(wù)調(diào)度問題

    文獻(xiàn)[80]提出利用DSOS算法解決云計(jì)算環(huán)境中的任務(wù)調(diào)度問題,對于大規(guī)模的調(diào)度問題,其收斂速度相較于PSO算法更具優(yōu)勢。文獻(xiàn)[81]分析了基于DSOS算法的云計(jì)算任務(wù)調(diào)度能耗,并驗(yàn)證了該算法在優(yōu)化任務(wù)調(diào)度負(fù)載平衡與能耗計(jì)算方面的有效性。2.2.4 "DSOS算法解決機(jī)器學(xué)習(xí)問題

    文獻(xiàn)[26]提出基于DSOS算法及其變體版本算法的5種不同優(yōu)化方法,用于機(jī)器學(xué)習(xí)的特征選擇,在優(yōu)化特征子集和KNN模型的鄰域大小方面均有較好的表現(xiàn),提高了分類準(zhǔn)確性。

    2.3 多目標(biāo)SOS算法

    多目標(biāo)優(yōu)化問題(multi-objective optimization prob-lem, MOP)是從一個(gè)問題所有可能的備選方案中,選擇多種指標(biāo)綜合較優(yōu)的解決方案的一種問題。MOP一直是科學(xué)研究與工程應(yīng)用領(lǐng)域的熱點(diǎn)與難點(diǎn)。現(xiàn)有的大多數(shù)優(yōu)化方法是通過一定的方法將MOP轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。但一般情況下,MOP的目標(biāo)之間是相互聯(lián)系的,一個(gè)目標(biāo)的優(yōu)化可能會引起若干個(gè)其他目標(biāo)的劣化,難以做到所有目標(biāo)同時(shí)達(dá)到最優(yōu)值。為此,學(xué)者們將SOS算法用于解決MOP,提出多目標(biāo)共生生物搜索(multi-objective symbiotic organisms search, MOSOS)算法。

    2.3.1 "MOSOS算法求解桁架結(jié)構(gòu)優(yōu)化問題

    文獻(xiàn)[82]提出分別用MOSOS算法、多目標(biāo)自適應(yīng)SOS算法、基于雙存檔技術(shù)的多目標(biāo)自適應(yīng)SOS算法來解決桁架結(jié)構(gòu)優(yōu)化問題,在平衡探索與開發(fā)的同時(shí)提高了種群的多樣性和求解效率,與其他多目標(biāo)優(yōu)化算法相比,這些算法更具競爭力。文獻(xiàn)[83]繼續(xù)對MOSOS算法進(jìn)行改進(jìn),提出自適應(yīng)的互利共生階段和改進(jìn)寄生階段,有效改善了算法的開發(fā)能力與搜索能力。

    2.3.2 "MOSOS算法求解項(xiàng)目調(diào)度問題

    文獻(xiàn)[84]提出MOSOS算法,用于解決建設(shè)項(xiàng)目的調(diào)度問題,實(shí)現(xiàn)工期、成本和勞動力利用率的最優(yōu)協(xié)調(diào)。文獻(xiàn)[85]將MOSOS算法與OBL相結(jié)合,得到反向多目標(biāo)SOS算法,用于解決重復(fù)性項(xiàng)目的調(diào)度問題。文獻(xiàn)[86]重新設(shè)計(jì)MOSOS算法3個(gè)階段的交互作用機(jī)制,得到一種新的MOSOS算法,解決了合作伙伴選擇的問題,可應(yīng)用于團(tuán)隊(duì)組建、供應(yīng)鏈管理等方面。

    2.3.3 "非支配排序多目標(biāo)共生生物搜索算法

    文獻(xiàn)[87]提出一種非支配排序多目標(biāo)共生生物搜索(non-dominated sorting multi-objective symbiotic or-ganisms search, NSMOSOS)算法,用于生成腦機(jī)接口的最優(yōu)特征子集,在分類精度及特征約簡等方面均取得較好的效果。文獻(xiàn)[88]提出一種混沌MOSOS算法,通過集成CLS、快速非支配排序策略來獲得Pareto解,用于確定分布式發(fā)電機(jī)在徑向配電系統(tǒng)中的最優(yōu)位置和大小。文獻(xiàn)[89]提出一種多目標(biāo)改進(jìn)SOS算法,用于求解徑向配電系統(tǒng)中分布式發(fā)電機(jī)組的優(yōu)化分配問題,在寄生階段引入基于混沌的交叉算子,以增強(qiáng)種群的多樣性,采用分層非支配排序來尋找Pareto解。

    3 SOS算法的應(yīng)用

    SOS算法的應(yīng)用領(lǐng)域大致可歸納為云計(jì)算調(diào)度、TSP/CVRP、生產(chǎn)調(diào)度問題、機(jī)器學(xué)習(xí)、圖像處理、路徑規(guī)劃、電力系統(tǒng)優(yōu)化與控制、結(jié)構(gòu)優(yōu)化等,如表1所示。需要說明的是,部分文獻(xiàn)同時(shí)解決了多個(gè)問題,因而出現(xiàn)在多個(gè)應(yīng)用領(lǐng)域,且大部分文獻(xiàn)在前文已有敘述,此處不再贅述。

    4 結(jié)論與展望

    本文針對一維和多維優(yōu)化問題,給出SOS算法的結(jié)構(gòu)化表達(dá)形式;歸納了SOS算法的主要改進(jìn)形式,包括自適應(yīng)SOS算法、混沌SOS算法、基于SOS的混合算法、集成反向?qū)W習(xí)的SOS算法及其他改進(jìn)方法;綜述了離散SOS算法和多目標(biāo)SOS算法的研究現(xiàn)狀;分類總結(jié)了SOS算法的應(yīng)用情況。

    SOS算法具有結(jié)構(gòu)簡單、尋優(yōu)能力強(qiáng)、魯棒性好等特點(diǎn),使用時(shí)不需要參數(shù)調(diào)整,能夠有效解決多類優(yōu)化問題,具有較好的發(fā)展前景。未來,SOS算法研究的主要方向有:

    1) SOS算法的改進(jìn),主要改進(jìn)方法包括修改共生交互階段的交互機(jī)制、增加或刪除某些共生交互階段、借鑒其他智能算法、引入新的操作、引入新型自適應(yīng)機(jī)制、混沌機(jī)制、局部搜索策略、OBL,探索與其他智能算法、機(jī)器學(xué)習(xí)算法等結(jié)合的新方法;

    2) 離散SOS算法、多目標(biāo)SOS算法離散優(yōu)化問題與多目標(biāo)優(yōu)化問題是研究熱點(diǎn),重點(diǎn)針對TSP、CVRP、生產(chǎn)調(diào)度問題等標(biāo)桿性NP,研究基于SOS算法的求解方法;

    3) 針對大規(guī)模優(yōu)化問題,研究其基于SOS算法的求解方法;

    4) 種群規(guī)模及算法停止準(zhǔn)則的設(shè)置方法,預(yù)先估計(jì)、事后分析算法的精度、收斂速度、魯棒性等性能指標(biāo);

    5)"進(jìn)一步拓展SOS算法的應(yīng)用領(lǐng)域,推動以應(yīng)用為導(dǎo)向的SOS算法發(fā)展。

    ?The author(s) 2024. This is an open access article under the CC BY-NC-ND 4.0 License (https://creativecommons.org/licenses/ by-nc-nd/4.0/)

    參考文獻(xiàn)

    WOLPERT D H, MACREADY W G."No free lunch theorems for optimization[J]."IEEE Transactions on Evolutionary Com-putation,"1997,1(1):67-82.

    CHENG M Y, PRAYOGO D."Symbiotic Organisms Search: A new metaheuristic optimization algorithm[J]."Computers amp; Structures, 2014,139:98-112.

    戚遠(yuǎn)航,蔡延光,蔡顥,等.帶時(shí)間窗的車輛路徑問題的離散蝙蝠算法[J].電子學(xué)報(bào),2018,46(3):672-679.

    EZUGWU A E, PRAYOGO D. Symbiotic organisms search algorithm: Theory, recent advances and applications[J]. Expert Systems with Applications, 2019,119:184-209.

    GHAREHCHOPOGH F S, SHAYANFAR H, GHOLIZAD-EH"H. A comprehensive survey on symbiotic organisms search algorithms[J]. Artificial Intelligence Review, 2020,53(3):2265-2312.

    ABDULLAHI M, NGADI M A, DISHING S I, et al. A survey of symbiotic organisms search algorithms and applications[J]. Neural Computing and Applications, 2020,32(2):547-566.

    TEJANI G G, SAVSANI V J, PATEL V K. Adaptive symbi-otic organisms search (SOS) algorithm for structural design optimization[J]. Journal of Computational Design and Engi-neering, 2016,3(3):226-249.

    KUMAR S, TEJANI G G, MIRJALILI S. Modified symbiotic organisms search for structural optimization[J]. Engineering with Computers, 2019,35(4):1269-1296.

    MAKIABADI M H, MAHERI M R. An enhanced symbiotic organism search algorithm (ESOS) for the sizing design of pin connected structures[J]. Iranian Journal of Science and Tech-nology, Transactions of Civil Engineering, 2021,45(3):1371-1396.

    AL-SHARHAN S, OMRAN M G H. An enhanced symbiosis organisms search algorithm: an empirical study[J]. Neural Computing and Applications, 2018,29(11):1025-1043.

    MIAO F, YAO L, ZHAO"X. Symbiotic organisms search algorithm using random walk and adaptive Cauchy mutation on the feature selection of sleep staging[J]. Expert Systems with Applications, 2021,176:114887.

    周虎,趙輝,李牧東,等.多策略自適應(yīng)共生生物搜索算法[J].空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,17(4):101-106.

    周虎,趙輝,周歡,等.自適應(yīng)精英反向?qū)W習(xí)共生生物搜索算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(19):161-166.

    ABDULLAHI M, NGADI M A, Dishing S I. Chaotic symbi-otic organisms search for task scheduling optimization on cloud computing environment"[C]//2017 6th ICT International Student Project Conference (ICT-ISPC)."IEEE, 2017:1-4.

    MOHMMADZADEH H, GHAREHCHOPOGH F S. An efficient binary chaotic symbiotic organisms search algorithm approaches for feature selection problems[J]. The Journal of Supercomputing, 2021,77(8):9102-9144.

    YAL?IN E, ?AM E, TAPLAMACIO?LU M C. A new cha-os and global competitive ranking-based symbiotic organisms search algorithm for solving reactive power dispatch problem with discrete and continuous control variable[J]. Electrical Engineering, 2020,102(2):573-590.

    SAHA S, MUKHERJEE V. Optimal placement and sizing of DGs in RDS using chaos embedded SOS algorithm[J]. IET Generation, Transmission amp; Distribution, 2016,10(14):3671-3680.

    SAHA S, MUKHERJEE V. A novel chaos-integrated sym-biotic organisms search algorithm for global optimization[J]. Soft Computing, 2018, 22(11): 3797-3816.

    ABDULLAHI M, NGADI M A. Hybrid symbiotic organisms search optimization algorithm for scheduling of tasks on cloud computing environment[J]. PLoS ONE, 2016,11(8): e0158229.

    SULAIMAN M, AHMAD A, KHAN A, et al. Hybridized symbiotic organism search algorithm for the optimal operation of directional overcurrent relays[J]. Complexity, 2018,"2018: 4605769.

    ?ELIK E, ?ZTüRK N. A hybrid symbiotic organisms search and simulated annealing technique applied to efficient design of PID controller for automatic voltage regulator[J]. Soft Com-puting, 2018,22(23):8011-8024.

    EZUGWU A E, ADEWUMI A O, FR?NCU M E. Simulated annealing based symbiotic organisms search optimization al-gorithm for traveling salesman problem[J]. Expert Systems with Applications, 2017,77:189-210.

    EZUGWU A"E. Enhanced symbiotic organisms search algo-rithm for unrelated parallel machines manufacturing sched-uling with setup times[J]. Knowledge-Based Systems, 2019, 172:15-32.

    EZUGWU A E, ADEWUMI A O. Discrete symbiotic or-ganisms search algorithm for travelling salesman problem[J]. Expert Systems with Applications, 2017,87:70-78.

    WANG Y, WU Y W, XU"N. Discrete symbiotic organism search with excellence coefficients and self-escape for travel-ing salesman problem[J]. Computers amp; Industrial Engineering, 2019,131:269-281.

    LIAO T W, KUO R"J. Five discrete symbiotic organisms search algorithms for simultaneous optimization of feature subset and neighborhood size of KNN classification models[J]. Applied Soft Computing, 2018,64:581-595.

    HE W, QI X, LIU"L. A novel hybrid particle swarm optimi-zation for multi-UAV cooperate path planning[J]. Applied Intelligence, 2021,51(10):7350-7364.

    WANG Y, GENG C, XU N. Assembly sequence optimization based on hybrid symbiotic organisms search and ant colony optimization[J]. Soft Computing, 2021,25(2):1447-1464.

    敖山,彭雄飛,劉志中.多角色優(yōu)化策略的灰狼-共生生物搜索算法[J].小型微型計(jì)算機(jī)系統(tǒng),2021,2(11):2276-2283.

    HUO L, ZHU J, LI Z, et al. A hybrid differential symbiotic organisms search algorithm for UAV path planning[J]. Sensors, 2021,21(9):3037.

    NGUYEN-VAN S, NGUYEN K"T,"LUONG V"H, et al. A novel hybrid differential evolution and symbiotic organisms search algorithm for size and shape optimization of truss structures under multiple frequency constraints[J]. Expert Systems with Applications, 2021,184:115534.

    CIVICIOGLU"P. Backtracking search optimization algorithm for numerical optimization problems[J]. Applied Mathematics and Computation, 2013,219(15):8121-8144.

    NAMA S, SAHA A K, SHARMA S."Performance up-gradation of symbiotic organisms search by backtracking search algorithm[J]. Journal of Ambient Intelligence and Hu-manized Computing, 2022, 13(12):5505-5546.

    LENSTRA J, KAN A. Complexity of vehicle routing and scheduling problem[J]. Network, 1981,11(2):221-227.

    TIZHOOSH H"R. Opposition-Based Learning: A new scheme for machine intelligence[C]//International Conference on Com-putational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC'06). IEEE,"2005:695-701.

    CHAKRABORTY F, NANDI D, ROY"P K. Oppositional symbiotic organisms search optimization for multilevel thresh-olding of color image[J]. Applied Soft Computing, 2019,82: 105577.

    GONG S, HUANG R, CAO Z. An improved symbiotic organisms search algorithm for low-yield stepper scheduling problem[C]. Proceedings of the 2017 13th IEEE Conference on Automation Science and Engineering (CASE). Xi'an, China: IEEE, 2017:289-294.

    GUHA D, ROY P K, BANERJEE S. Quasi-oppositional symbiotic organism search algorithm applied to load frequen-cy control[J]. Swarm and Evolutionary Computation, 2017,33: 46-67.

    NAMA S, SAHA A K. An ensemble symbiosis organisms search algorithm and its application to real world problems[J]. Decision Science Letters, 2018,7(2):103-118.

    TRUONG K H, NALLAGOWNDEN P, BAHARUDIN Z, et al. A quasi-oppositional-chaotic symbiotic organisms search algorithm for global optimization problems[J]. Applied Soft Computing, 2019,77:567-583.

    TRUONG K H, NALLAGOWNDEN P, ELAMVAZUTHI I, et al. A quasi-oppositional-chaotic symbiotic organisms search algorithm for optimal allocation of DG in radial distribution networks[J]. Applied Soft Computing, 2020,88:106067.

    ?ELIK"E. A powerful variant of symbiotic organisms search algorithm for global optimization[J]. Engineering Applications of Artificial Intelligence, 2020,87:103294.

    CHEN J, ZHOU Z, KARUNAKARAN V, et al. An efficient technique-based distributed energy management for hybrid MG system: A hybrid QOCSOS-RF technique[J]. Wind Energy,"2020,23(3):575-592.

    DAS S, BHATTACHARYA A, CHAKRABORTY A K. Solution of short-term hydrothermal scheduling problem using quasi-reflected symbiotic organisms search algorithm consid-ering multi-fuel cost characteristics of thermal generator[J]. Arabian Journal For Science and Engineering, 2018,43(6): 2931-2960.

    秦旋,房子涵,張趙鑫.混合共生生物搜索算法求解置換流水車間調(diào)度問題[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2020,54(4): 712-721.

    李陽,范厚明.求解帶容量約束車輛路徑問題的混合變鄰域生物共棲搜索算法[J].控制與決策,2018,33(7):1190-1198.

    UMAM M I H, SANTOSA B. A hybrid symbiotic organisms search algorithm with variable neighbourhood search for solv-ing symmetric and asymmetric traveling salesman problem[J]. Iop Conference, 2018,337:012005.

    NAMA S, SAHA A K, GHOSH S. Improved symbiotic organisms search algorithm for solving unconstrained function optimization[J]. Decision Science Letters, 2016,5(3):361-380.

    YU V F, REDI A A N P, YANG"C L, et al. Symbiotic organ-isms search and two solution representations for solving the capacitated vehicle routing problem[J]. Applied Soft Compu-ting, 2017,52:657-672.

    AI T J, KACHITVICHYANUKUL V. Particle swarm optimi-zation and two solution representations for solving the capaci-tated vehicle routing problem[J]. Computers amp; Industrial En-gineering, 2009,56(1):380-387.

    SECUI D C. A modified symbiotic organisms search algo-rithm for large scale economic dispatch problem with valve-point effects[J]. Energy, 2016,113:366-384.

    SECUI D"C. Large-scale multi-area economic/emission dispatch based on a new symbiotic organisms search algo-rithm[J]. Energy Conversion and Management, 2017,154: 203-223.

    DO D T T, LEE J. A modified symbiotic organisms search (mSOS) algorithm for optimization of pin-jointed structures[J]. Applied Soft Computing, 2017,61:683-699.

    DO D T T, LEE D, LEE J. Material optimization of functionally graded plates using deep neural network and modified symbiotic organisms search for eigenvalue problems"[J]. Composites Part B: Engineering, 2019,159:300-326.

    TSAI H. A corrected and improved symbiotic organisms search algorithm for continuous optimization[J]. Expert Sys-tems With Applications, 2021,177:114981.

    PRAYOGO D, WONG F T, SUGIANTO"S. Enhanced symbiotic organisms search (ESOS) for global numerical optimization[C]//2017 International Conference on Advanced Mechatronics, Intelligent Manufacture, and Industrial Auto-mation (ICAMIMIA).""IEEE, 2017:69-73.

    PRAYOGO D, CHENG M Y, WONG F T, et al. Optimization model for construction project resource leveling using a novel modified symbiotic organisms search[J]. Asian Journal of Civil Engineering, 2018, 19(5): 625-638.

    TEJANI G G, SAVSANI V J, PATEL V"K, et al. Truss optimi-zation with natural frequency bounds using improved symbi-otic organisms search[J]. Knowledge-Based Systems, 2018, 143:162-178.

    WANG Y, MA Z. Symbiotic organisms search algorithm based on asynchronous change learning strategy[J]. Recent Developments in Intelligent Computing, Communication and Devices, 2019,752:283-290.

    陳昌富,邱琳淇,毛鳳山,等.基于加權(quán)擾動共生生物搜索算法樁網(wǎng)復(fù)合地基優(yōu)化設(shè)計(jì)[J].巖土力學(xué),2019,40(11):4477-4485;4514.

    KAMANKESH H, AGELIDIS V G, KAVOUSI-FARD"A. Optimal scheduling of renewable micro-grids considering plug-in hybrid electric vehicle charging demand[J]. Energy, 2016,100:285-297.

    賈鶴鳴,李瑤,姜子超,等.基于改進(jìn)共生生物搜索算法的林火圖像多閾值分割[J].計(jì)算機(jī)應(yīng)用,2021,41(5):1465-1470.

    GRANDIS"H Sungkono. Modified symbiotic organisms search (SOS) algorithm for controlled-source audio-frequency magnetotellurics (CSAMT) one-dimensional (1D) modelling [J]. Journal of Earth System Science, 2022,131(1):61.

    NGUYEN-VAN S, NGUYEN K T, DANG K D, et al. An evolutionary symbiotic organisms search for multiconstraint truss optimization under free vibration and transient behavior"[J]. Advances in Engineering Software, 2021,160:103045.

    CHAKRABORTY S, NAMA S, SAHA A K. An improved symbiotic organisms search algorithm for higher dimensional optimization problems[J]. Knowledge-Based Systems, 2022, 236:107779.

    BANERJEE S, CHATTOPADHYAY"S. Power optimization of three dimensional turbo code using a novel modified symbiotic organism search (MSOS) algorithm[J]. Wireless Personal Communications, 2017,92(3):941-968.

    王艷嬌,馬壯.基于子種群拉伸操作的精英共生生物搜索算法[J].控制與決策,2019,34(7):1355-1364.

    王艷嬌,陶歡歡.基于旋轉(zhuǎn)學(xué)習(xí)策略的共生生物搜索算法[J].計(jì)算機(jī)應(yīng)用研究,2017,34(9):2614-2617;2623.

    S?NMEZ Y, UNAL"M. Estimation of smooth and non-smooth fuel cost function parameters using improved symbi-otic organisms search algorithm[J]. Journal of Electrical Engi-neering amp; Technology, 2020,15(1):13-25.

    高陽陽,余敏建,韓其松,等.基于改進(jìn)共生生物搜索算法的空戰(zhàn)機(jī)動決策[J].北京航空航天大學(xué)學(xué)報(bào),2019,45(3):429-436.

    CHENG M Y, PRAYOGO D, WU Y W. A self-tuning least squares support vector machine for estimating the pavement rutting behavior of asphalt mixtures[J]. Soft Computing, 2019, 23(17):7755-7768.

    PRAYOGO D. Metaheuristic-based machine learning system for prediction of compressive strength based on concrete mixture properties and early-age strength test results[J]. Civil Engineering Dimension, 2018,20(1):21-29.

    CHENG M Y, PRAYOGO D, WU Y W. Prediction of permanent deformation in asphalt pavements using a novel symbiotic organisms search–least squares support vector re-gression[J]. Neural Computing and Applications, 2019,31(10):"6261-6273.

    CHENG M Y, CAO M T, MENDROFA A Y J. Dynamic feature selection for accurately predicting construction produc-tivity using symbiotic organisms search-optimized least square support vector machine[J]. Journal of Building Engineering, 2021,35:101973.

    YANG C L, SUTRISNO H. A clustering-based symbiotic organisms search algorithm for high-dimensional optimization problems[J]. Applied Soft Computing, 2020,97(B):106722.

    李昆侖,關(guān)立偉,郭昌隆.基于聚類和改進(jìn)共生演算法的云任務(wù)調(diào)度策略[J].計(jì)算機(jī)應(yīng)用,2018,38(3):707-714.

    CHENG M Y, PRAYOGO D, TRAN D H. Optimizing multiple-resources leveling in multiple projects using discrete symbiotic organisms search[J]. Journal of Computing in Civil Engineering, 2016,30(3):04015036.

    LIU D, LI H, WANG H,"et al. Discrete symbiotic organisms search method for solving large-scale time-cost trade-off problem in construction scheduling[J]. Expert Systems with Applications, 2020,148:113230.

    DU Z, PAN J, CHU S, et al. Multi-group discrete symbiotic organisms search applied in traveling salesman problems[J]. Soft Computing, 2022,26(9):4363-4373.

    ABDULLAHI M, NGADI M A, ABDULHAMID"S M. Symbiotic organism search optimization based task scheduling in cloud computing environment[J]. Future Generation Com-puter Systems, 2016,56:640-650.

    SHARMA M, YERMA"A. Energy analysis of symbiotic or-ganisms search optimization based task scheduling algorithm"[C]//2016 IEEE International Conference on Recent Trends in Electronics, Information amp; Communication Technology (RT-EICT)."IEEE, 2016:1421-1424.

    TEJANI G G, PHOLDEE N, BUREERAT S, et al. Multiob-jective adaptive symbiotic organisms search for truss optimi-zation problems[J]. Knowledge-Based Systems, 2018,161:398-"414.

    TEJANI G G, PHOLDEE N, BUREERAT S,"et al. Structural optimization using multi-objective modified adaptive symbi-otic organisms search[J]. Expert Systems with Applications, 2019,125:425-441.

    TRAN D H, CHENG M Y, PRAYOGO D. A novel multiple objective symbiotic organisms search (MOSOS) for time–cost–labor utilization tradeoff problem[J]. Knowledge-Based Systems, 2016,94(4):132-145.

    TRAN D H, LUONG-DUC L, DUONG M T, et al. Opposition multiple objective symbiotic organisms search (OMOSOS) for time, cost, quality and work continuity tradeoff in repetitive projects[J]. Journal of Computational Design and Engineering, 2018,5(2):160-172.

    IONESCU A, VERNIC R. MOSOSS: an adapted multi-objective symbiotic organisms search for scheduling[J]. Soft Computing, 2021,25:9591-9607.

    BAYSAL Y A, KETENCI S, ALTAS I H, et al. Multi-objective symbiotic organism search algorithm for optimal feature selection in brain computer interfaces[J]. Expert Systems with Applications, 2021,165:113907.

    SAHA S, MUKHERJEE V. A novel multiobjective chaotic symbiotic organisms search algorithm to solve optimal DG allocation problem in radial distribution system[J]. Internation-al Transactions on Electrical Energy Systems, 2019,29(5):e2839.

    SAHA S, MUKHERJEE V. A novel multi-objective modified symbiotic organisms search algorithm for optimal allocation of distributed generation in radial distribution system[J]. Neural Computing and Applications, 2021,33(6):1751-1771.

    作者簡介:

    李立欣,男,1996年生,碩士研究生,助理講師,主要研究方向:復(fù)雜網(wǎng)絡(luò)系統(tǒng)建模、控制與優(yōu)化、物流控制與優(yōu)化、智能優(yōu)化。E-mail: 929351274@qq.com

    蔡延光(通信作者),男,1963年生,博士研究生,教授,主要研究方向:復(fù)雜網(wǎng)絡(luò)系統(tǒng)建模、控制與優(yōu)化、物流控制與優(yōu)化、智能交通系統(tǒng)、組合優(yōu)化、智能優(yōu)化、物聯(lián)網(wǎng)信息處理與優(yōu)化控制。E-mail: caiyg99@163.com

    猜你喜歡
    智能算法
    生成式人工智能的數(shù)據(jù)風(fēng)險(xiǎn)及其法律規(guī)制
    神經(jīng)網(wǎng)絡(luò)智能算法在發(fā)電機(jī)主絕緣狀態(tài)評估領(lǐng)域的應(yīng)用
    基于超像素的圖像智能算法在礦物顆粒分割中的應(yīng)用
    從雞群算法看群體智能算法的發(fā)展趨勢
    基于智能預(yù)測算法的食用菌大棚溫濕度控制研究
    圖像處理智能化的發(fā)展方向
    智能螞蟻算法應(yīng)用的最新進(jìn)展
    基于OMNeT++平臺的AntNet的仿真
    多機(jī)器人系統(tǒng)及其路徑規(guī)劃方法綜述
    改進(jìn)的多目標(biāo)快速群搜索算法的應(yīng)用
    长腿黑丝高跟| 亚洲在线自拍视频| 亚洲国产看品久久| 免费在线观看黄色视频的| 亚洲国产欧美日韩在线播放| 高清毛片免费观看视频网站| 欧美性长视频在线观看| 久久人妻熟女aⅴ| 9191精品国产免费久久| 国产一区二区在线av高清观看| 久久青草综合色| 女生性感内裤真人,穿戴方法视频| 脱女人内裤的视频| 啦啦啦 在线观看视频| 亚洲 欧美一区二区三区| 在线天堂中文资源库| 国产成人免费无遮挡视频| 久久久水蜜桃国产精品网| 人妻丰满熟妇av一区二区三区| 日韩欧美三级三区| 啦啦啦观看免费观看视频高清 | 国产高清有码在线观看视频 | 十八禁人妻一区二区| 久久香蕉国产精品| 亚洲精品一区av在线观看| 韩国av一区二区三区四区| 夜夜爽天天搞| 精品一区二区三区视频在线观看免费| 国产欧美日韩一区二区精品| 天天躁夜夜躁狠狠躁躁| 欧美色欧美亚洲另类二区 | 香蕉国产在线看| 大型黄色视频在线免费观看| 欧美色欧美亚洲另类二区 | 亚洲国产高清在线一区二区三 | 国产成人一区二区三区免费视频网站| 性色av乱码一区二区三区2| 91麻豆精品激情在线观看国产| 男人舔女人的私密视频| 视频在线观看一区二区三区| 亚洲精品一卡2卡三卡4卡5卡| 国产亚洲av嫩草精品影院| 12—13女人毛片做爰片一| 精品无人区乱码1区二区| 啦啦啦免费观看视频1| 国产av一区在线观看免费| 长腿黑丝高跟| 中文字幕精品免费在线观看视频| 免费搜索国产男女视频| 成人特级黄色片久久久久久久| 操出白浆在线播放| 无遮挡黄片免费观看| 一卡2卡三卡四卡精品乱码亚洲| 日韩欧美一区二区三区在线观看| 两个人看的免费小视频| 国产亚洲欧美在线一区二区| 国产伦一二天堂av在线观看| 最近最新免费中文字幕在线| 国产成人欧美| 男人操女人黄网站| av天堂在线播放| 欧洲精品卡2卡3卡4卡5卡区| 免费高清视频大片| av电影中文网址| 亚洲精品久久国产高清桃花| 老司机靠b影院| 国产成人欧美在线观看| 免费av毛片视频| 久久久久久久久中文| av视频在线观看入口| 亚洲 欧美 日韩 在线 免费| av片东京热男人的天堂| 精品人妻在线不人妻| 成人欧美大片| 国产亚洲精品久久久久5区| 欧美成人午夜精品| 热99re8久久精品国产| 日韩欧美一区视频在线观看| 国产激情欧美一区二区| 亚洲精品中文字幕一二三四区| 动漫黄色视频在线观看| 国产97色在线日韩免费| 亚洲视频免费观看视频| 色播在线永久视频| 国产成人影院久久av| 国产av在哪里看| 91大片在线观看| 精品国产乱码久久久久久男人| 一边摸一边做爽爽视频免费| 97超级碰碰碰精品色视频在线观看| 国产av一区二区精品久久| 99国产精品99久久久久| 麻豆av在线久日| 午夜影院日韩av| 午夜免费鲁丝| 久久久久久久精品吃奶| 99久久久亚洲精品蜜臀av| 欧美日韩亚洲国产一区二区在线观看| 亚洲成av片中文字幕在线观看| 国产免费男女视频| 欧美日韩福利视频一区二区| 亚洲片人在线观看| 一级毛片高清免费大全| 国产精品久久视频播放| 国产三级在线视频| 国内精品久久久久精免费| 久久亚洲真实| 99国产极品粉嫩在线观看| 欧美久久黑人一区二区| 亚洲七黄色美女视频| 精品电影一区二区在线| 国产精品永久免费网站| 欧美日韩亚洲综合一区二区三区_| 日韩中文字幕欧美一区二区| 久久草成人影院| 视频区欧美日本亚洲| 亚洲成人免费电影在线观看| 国产视频一区二区在线看| 曰老女人黄片| 在线观看66精品国产| 搡老岳熟女国产| 亚洲熟妇熟女久久| 亚洲精品久久国产高清桃花| 日韩av在线大香蕉| 久久人妻福利社区极品人妻图片| 久久久久久国产a免费观看| 自线自在国产av| 丝袜美足系列| 午夜老司机福利片| 久久香蕉国产精品| 免费在线观看影片大全网站| 成人18禁高潮啪啪吃奶动态图| 欧美在线一区亚洲| 久久国产精品男人的天堂亚洲| 精品卡一卡二卡四卡免费| 日韩有码中文字幕| 黄色片一级片一级黄色片| 午夜成年电影在线免费观看| 最新在线观看一区二区三区| 极品人妻少妇av视频| 国产麻豆成人av免费视频| 国产色视频综合| 禁无遮挡网站| videosex国产| 99国产极品粉嫩在线观看| 国产亚洲精品综合一区在线观看 | 亚洲精品av麻豆狂野| 一级作爱视频免费观看| 国产一区二区三区综合在线观看| 成人特级黄色片久久久久久久| 天堂影院成人在线观看| 18美女黄网站色大片免费观看| 在线观看一区二区三区| 色婷婷久久久亚洲欧美| 桃色一区二区三区在线观看| 日韩视频一区二区在线观看| 天天躁夜夜躁狠狠躁躁| 免费看a级黄色片| 女人爽到高潮嗷嗷叫在线视频| 老司机午夜十八禁免费视频| 久久久国产精品麻豆| 好男人电影高清在线观看| 日日摸夜夜添夜夜添小说| 99在线视频只有这里精品首页| 十八禁网站免费在线| 亚洲成人久久性| 99精品在免费线老司机午夜| 99精品久久久久人妻精品| 亚洲中文av在线| 久久久久亚洲av毛片大全| 亚洲午夜理论影院| 成人国语在线视频| 精品免费久久久久久久清纯| 亚洲第一av免费看| 色老头精品视频在线观看| 日韩欧美在线二视频| 日本 欧美在线| 亚洲成人国产一区在线观看| 欧美日韩黄片免| 国产激情欧美一区二区| 免费在线观看亚洲国产| 黄频高清免费视频| av欧美777| 亚洲中文字幕日韩| 亚洲欧美日韩高清在线视频| 精品熟女少妇八av免费久了| 久久精品人人爽人人爽视色| 女人高潮潮喷娇喘18禁视频| 国产成+人综合+亚洲专区| 欧美中文综合在线视频| 丝袜人妻中文字幕| 99精品欧美一区二区三区四区| 身体一侧抽搐| 国产亚洲精品综合一区在线观看 | 欧美性长视频在线观看| 午夜成年电影在线免费观看| 一区二区三区精品91| 老汉色av国产亚洲站长工具| 久久人人97超碰香蕉20202| 好看av亚洲va欧美ⅴa在| 人妻久久中文字幕网| 一级,二级,三级黄色视频| 99精品欧美一区二区三区四区| 亚洲专区中文字幕在线| 香蕉久久夜色| 法律面前人人平等表现在哪些方面| 午夜免费激情av| 久久久国产精品麻豆| 日本欧美视频一区| 中文亚洲av片在线观看爽| 真人做人爱边吃奶动态| 中出人妻视频一区二区| 丝袜人妻中文字幕| 亚洲av日韩精品久久久久久密| 无遮挡黄片免费观看| 亚洲欧美日韩另类电影网站| 91精品三级在线观看| 亚洲 国产 在线| 亚洲最大成人中文| av天堂久久9| 三级毛片av免费| 免费观看精品视频网站| 韩国精品一区二区三区| 成在线人永久免费视频| 在线av久久热| 久久精品亚洲熟妇少妇任你| 国产不卡一卡二| www.www免费av| 国产成人av教育| tocl精华| 亚洲 欧美一区二区三区| 亚洲少妇的诱惑av| 一级,二级,三级黄色视频| 成年女人毛片免费观看观看9| 美女国产高潮福利片在线看| 久久精品影院6| 可以免费在线观看a视频的电影网站| 97人妻天天添夜夜摸| 两个人免费观看高清视频| 成人手机av| 亚洲午夜理论影院| 日本 av在线| 精品欧美国产一区二区三| 黄色毛片三级朝国网站| 村上凉子中文字幕在线| 欧美日韩乱码在线| 国产麻豆成人av免费视频| 女人爽到高潮嗷嗷叫在线视频| 日本 av在线| 久久香蕉激情| 欧美国产精品va在线观看不卡| 99re在线观看精品视频| 午夜福利视频1000在线观看 | 老熟妇仑乱视频hdxx| 久久久水蜜桃国产精品网| 亚洲人成伊人成综合网2020| 精品国产国语对白av| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲黑人精品在线| 亚洲色图综合在线观看| 免费在线观看影片大全网站| 中文字幕人妻丝袜一区二区| 午夜老司机福利片| 亚洲最大成人中文| 精品乱码久久久久久99久播| 国产亚洲av嫩草精品影院| 99久久99久久久精品蜜桃| 午夜福利欧美成人| 搡老妇女老女人老熟妇| 老司机福利观看| 亚洲专区国产一区二区| 欧美日本中文国产一区发布| 性欧美人与动物交配| www日本在线高清视频| 日韩免费av在线播放| 国产精品自产拍在线观看55亚洲| 女人精品久久久久毛片| 午夜日韩欧美国产| 国产精品久久久av美女十八| 一级,二级,三级黄色视频| 熟女少妇亚洲综合色aaa.| 亚洲五月色婷婷综合| 波多野结衣高清无吗| 两个人视频免费观看高清| 淫妇啪啪啪对白视频| 国产精品久久久久久亚洲av鲁大| 国产精品久久久久久人妻精品电影| xxx96com| 好男人电影高清在线观看| 人成视频在线观看免费观看| 日韩大尺度精品在线看网址 | 欧美丝袜亚洲另类 | 日韩精品免费视频一区二区三区| 99精品久久久久人妻精品| 天天一区二区日本电影三级 | 色播在线永久视频| 黄片小视频在线播放| 亚洲第一欧美日韩一区二区三区| 欧美成人午夜精品| 日本a在线网址| 可以在线观看毛片的网站| 少妇被粗大的猛进出69影院| 亚洲欧美激情综合另类| 中文亚洲av片在线观看爽| 日本精品一区二区三区蜜桃| 国产成人欧美在线观看| 一区二区三区高清视频在线| 1024视频免费在线观看| 成人永久免费在线观看视频| 人人妻人人爽人人添夜夜欢视频| 美女 人体艺术 gogo| 国产精品98久久久久久宅男小说| 免费高清在线观看日韩| 两个人看的免费小视频| 国产成人系列免费观看| 国产极品粉嫩免费观看在线| 亚洲五月色婷婷综合| 少妇裸体淫交视频免费看高清 | 亚洲熟妇中文字幕五十中出| 成人国语在线视频| 日本黄色视频三级网站网址| 黄频高清免费视频| 日韩大尺度精品在线看网址 | 亚洲av电影不卡..在线观看| 身体一侧抽搐| 日本a在线网址| 99精品在免费线老司机午夜| 一a级毛片在线观看| 欧美日韩一级在线毛片| 欧美日韩瑟瑟在线播放| 久久香蕉国产精品| svipshipincom国产片| 国产欧美日韩一区二区三区在线| 男女下面插进去视频免费观看| 免费在线观看日本一区| 啦啦啦免费观看视频1| 欧美日韩一级在线毛片| 97人妻天天添夜夜摸| videosex国产| 自拍欧美九色日韩亚洲蝌蚪91| 欧美日韩黄片免| 日本a在线网址| 一区二区三区国产精品乱码| 国产精品久久久av美女十八| 日本一区二区免费在线视频| 午夜两性在线视频| 国产伦人伦偷精品视频| 日日摸夜夜添夜夜添小说| 他把我摸到了高潮在线观看| 中出人妻视频一区二区| 国产99白浆流出| 中文字幕另类日韩欧美亚洲嫩草| 午夜久久久久精精品| 亚洲精品在线观看二区| 一个人观看的视频www高清免费观看 | 午夜久久久久精精品| 欧美日韩精品网址| 免费高清视频大片| 婷婷丁香在线五月| ponron亚洲| 久久亚洲真实| 看黄色毛片网站| 日韩精品免费视频一区二区三区| 亚洲成av人片免费观看| 国产亚洲精品综合一区在线观看 | 久久这里只有精品19| 日日夜夜操网爽| 亚洲 国产 在线| 久久久久国内视频| 一本综合久久免费| 亚洲av成人av| 美女扒开内裤让男人捅视频| 97碰自拍视频| 视频在线观看一区二区三区| 咕卡用的链子| 天堂√8在线中文| 校园春色视频在线观看| 欧美日韩精品网址| 嫩草影院精品99| 亚洲第一电影网av| 亚洲自拍偷在线| 99香蕉大伊视频| 亚洲色图av天堂| 少妇裸体淫交视频免费看高清 | 亚洲七黄色美女视频| 少妇熟女aⅴ在线视频| 久久人妻熟女aⅴ| 久久精品亚洲熟妇少妇任你| 色播亚洲综合网| 国语自产精品视频在线第100页| 日本 欧美在线| 在线观看免费视频日本深夜| 午夜福利视频1000在线观看 | 国产精品亚洲av一区麻豆| 国产成人系列免费观看| 多毛熟女@视频| 亚洲激情在线av| 久久国产精品人妻蜜桃| 国产精品九九99| 色播在线永久视频| 日本a在线网址| 成年版毛片免费区| 在线观看免费日韩欧美大片| 女人被躁到高潮嗷嗷叫费观| 亚洲欧美激情综合另类| 巨乳人妻的诱惑在线观看| 国产精品久久电影中文字幕| 亚洲第一青青草原| 国产精品野战在线观看| 免费看美女性在线毛片视频| 免费无遮挡裸体视频| 又大又爽又粗| 亚洲成人久久性| 精品国产一区二区久久| 国产成人系列免费观看| 高清在线国产一区| АⅤ资源中文在线天堂| 久久精品国产综合久久久| 制服丝袜大香蕉在线| 欧美日韩瑟瑟在线播放| 18禁裸乳无遮挡免费网站照片 | 日韩成人在线观看一区二区三区| 欧美成人免费av一区二区三区| 一区二区日韩欧美中文字幕| 国产成人av激情在线播放| 国产一区二区激情短视频| 欧美日本视频| 国产成人精品久久二区二区91| 欧美不卡视频在线免费观看 | 99国产精品一区二区蜜桃av| 亚洲熟女毛片儿| 一级作爱视频免费观看| 村上凉子中文字幕在线| 日本在线视频免费播放| АⅤ资源中文在线天堂| 国产亚洲精品一区二区www| 国产成人精品久久二区二区91| 少妇 在线观看| 制服诱惑二区| 女人高潮潮喷娇喘18禁视频| www.精华液| 久久精品国产清高在天天线| 国产1区2区3区精品| 国内毛片毛片毛片毛片毛片| 欧美国产精品va在线观看不卡| 久久久久久国产a免费观看| 99久久99久久久精品蜜桃| 日本a在线网址| 久久国产精品影院| 久99久视频精品免费| 国产野战对白在线观看| 美女扒开内裤让男人捅视频| 亚洲成av片中文字幕在线观看| 真人做人爱边吃奶动态| 日日干狠狠操夜夜爽| 侵犯人妻中文字幕一二三四区| 欧美乱妇无乱码| 神马国产精品三级电影在线观看 | 日韩一卡2卡3卡4卡2021年| 久久久国产欧美日韩av| 久久久久精品国产欧美久久久| 亚洲久久久国产精品| 国产亚洲精品综合一区在线观看 | 国产精品av久久久久免费| 亚洲最大成人中文| 国产亚洲av嫩草精品影院| 好男人电影高清在线观看| 久久草成人影院| 久久天堂一区二区三区四区| 久久国产亚洲av麻豆专区| 51午夜福利影视在线观看| 精品不卡国产一区二区三区| 国产麻豆成人av免费视频| 免费少妇av软件| 最近最新中文字幕大全电影3 | av网站免费在线观看视频| 成人特级黄色片久久久久久久| 国产国语露脸激情在线看| 美女免费视频网站| 黄片播放在线免费| 天天添夜夜摸| 国产精品1区2区在线观看.| 99在线视频只有这里精品首页| 最好的美女福利视频网| 午夜成年电影在线免费观看| 亚洲精品粉嫩美女一区| 不卡av一区二区三区| 男人的好看免费观看在线视频 | 身体一侧抽搐| 亚洲成国产人片在线观看| 丰满的人妻完整版| 国产99久久九九免费精品| 俄罗斯特黄特色一大片| 一级a爱视频在线免费观看| 香蕉国产在线看| 欧美日本亚洲视频在线播放| 天堂影院成人在线观看| 一个人免费在线观看的高清视频| 欧美精品亚洲一区二区| 欧美日韩福利视频一区二区| 国产又色又爽无遮挡免费看| 看免费av毛片| 两个人视频免费观看高清| 精品一区二区三区视频在线观看免费| 亚洲免费av在线视频| 男女做爰动态图高潮gif福利片 | 欧美黑人欧美精品刺激| 无限看片的www在线观看| 亚洲国产欧美一区二区综合| 亚洲专区中文字幕在线| 亚洲国产中文字幕在线视频| 19禁男女啪啪无遮挡网站| 亚洲自偷自拍图片 自拍| 禁无遮挡网站| 天天躁狠狠躁夜夜躁狠狠躁| 黄片播放在线免费| 搡老妇女老女人老熟妇| 亚洲一区二区三区色噜噜| 久久这里只有精品19| 两个人免费观看高清视频| 精品国产乱子伦一区二区三区| 欧美日韩乱码在线| 亚洲精品国产区一区二| 欧美一级毛片孕妇| АⅤ资源中文在线天堂| 日韩精品中文字幕看吧| 精品熟女少妇八av免费久了| 在线观看免费视频网站a站| 中文字幕av电影在线播放| 亚洲aⅴ乱码一区二区在线播放 | 在线观看免费日韩欧美大片| 久久久国产欧美日韩av| 淫妇啪啪啪对白视频| 男女之事视频高清在线观看| 欧美亚洲日本最大视频资源| 中出人妻视频一区二区| 国产一区二区三区综合在线观看| 国产精品乱码一区二三区的特点 | 亚洲精品一区av在线观看| 亚洲欧洲精品一区二区精品久久久| 一个人免费在线观看的高清视频| 国产精品免费视频内射| 极品人妻少妇av视频| 1024香蕉在线观看| 久久精品亚洲精品国产色婷小说| 成人手机av| 丁香欧美五月| 人妻丰满熟妇av一区二区三区| 久久精品国产亚洲av高清一级| 亚洲国产欧美日韩在线播放| 亚洲av电影不卡..在线观看| 琪琪午夜伦伦电影理论片6080| 成年版毛片免费区| 国产精品秋霞免费鲁丝片| 丰满的人妻完整版| 国产亚洲精品一区二区www| 国产精华一区二区三区| 亚洲国产毛片av蜜桃av| 国产99久久九九免费精品| 色播亚洲综合网| www.自偷自拍.com| 制服人妻中文乱码| 欧美日韩乱码在线| 一区二区三区高清视频在线| 多毛熟女@视频| 成在线人永久免费视频| 精品一区二区三区视频在线观看免费| 91麻豆av在线| 久久亚洲精品不卡| 在线观看舔阴道视频| 久久九九热精品免费| 日韩成人在线观看一区二区三区| 精品国产乱子伦一区二区三区| cao死你这个sao货| 久久久久亚洲av毛片大全| av天堂久久9| 91av网站免费观看| 女人被躁到高潮嗷嗷叫费观| 欧美国产日韩亚洲一区| 俄罗斯特黄特色一大片| 久久婷婷成人综合色麻豆| 亚洲国产中文字幕在线视频| 天天添夜夜摸| 身体一侧抽搐| 日韩欧美在线二视频| 黄色视频,在线免费观看| 亚洲中文字幕一区二区三区有码在线看 | 悠悠久久av| 国产精品 欧美亚洲| 久久久精品欧美日韩精品| 亚洲中文字幕一区二区三区有码在线看 | 成人国产一区最新在线观看| 级片在线观看| 51午夜福利影视在线观看| 91字幕亚洲| 亚洲天堂国产精品一区在线| 日本a在线网址| 成人国产一区最新在线观看| 久久热在线av| 日韩av在线大香蕉| 日本五十路高清| 亚洲在线自拍视频| 老鸭窝网址在线观看| 神马国产精品三级电影在线观看 | 成人18禁在线播放| 中文字幕另类日韩欧美亚洲嫩草| 午夜视频精品福利| 亚洲精品国产色婷婷电影| 18禁美女被吸乳视频| 大型黄色视频在线免费观看| 精品第一国产精品| 亚洲av熟女| 国产男靠女视频免费网站| 国产99久久九九免费精品| 一边摸一边抽搐一进一小说|