改进鲸鱼优化算法（IWOA）的效果与优化空间
改进鲸鱼优化算法(IWOA，自己融合了多策略改进，名字自己取的[破涕为笑])，具体改进公式会在readme说明文件中详细给出。 与鲸鱼算法，灰狼算法，麻雀算法，北方苍鹰算法，在初始种群为30，独立运行次数30，迭代500次做比较，效果如下。 该改进仍有很大优化空间，自己可以对参数进行优化，不同参数组合会对效果有较大影响，文件中会给出在哪优化，如何进行优化，只改了一个参数效果有了很大提升，见F4效果对比图。 附带23种测试函数，测试函数对应波形如下，可对应收敛曲线一起看。
江湖救急！优化算法圈最近出了个新玩家——IWOA（江湖人称"铁头鲸"），这货把传统鲸鱼算法按地上摩擦不说，连灰狼、麻雀这些老牌强者都被它卷得怀疑人生。咱们今天就来扒一扒这个铁头鲸的硬核操作。
先看实战效果：在F4函数上，当其他算法还在0.1的精度挣扎时，IWOA直接干到1e-18量级。关键这货就改了一个参数！看这段动态收敛策略的代码：
def dynamic_convergence(current_iter): a = 2 - current_iter * (2 / max_iter) # 收敛因子动态衰减 r = np.random.rand() * a # 随机扰动 return np.where(a > 1, r, (a + 1) * r) # 分段控制这个骚操作让算法前期浪得飞起（全局探索），后期稳如老狗（局部开发）。对比传统鲸鱼算法直挺挺的线性衰减，IWOA的收敛曲线就像老司机的过弯轨迹——丝滑得让人起鸡皮疙瘩。
再看种群更新策略，传统算法容易集体摆烂卡在局部最优。IWOA祭出三招组合拳：
- 反向学习初始化：生成初始种群时暗搓搓加了镜像操作
- 高斯扰动：每次迭代随机给几个粒子"电击疗法"
- 自适应权重：这个才是杀手锏，看代码：
weight = 0.4 * np.exp(-5 * (iter/max_iter)**2) # 非线性衰减 new_pos = weight*leader_pos + (1-weight)*np.random.normal()*current_best这个指数衰减的权重设计，让算法在迭代后期死死咬住最优解不放。实测发现当指数底数从2改成5时，F15函数收敛速度直接快了三倍，玄学调参的威力可见一斑。
改进鲸鱼优化算法(IWOA，自己融合了多策略改进，名字自己取的[破涕为笑])，具体改进公式会在readme说明文件中详细给出。 与鲸鱼算法，灰狼算法，麻雀算法，北方苍鹰算法，在初始种群为30，独立运行次数30，迭代500次做比较，效果如下。 该改进仍有很大优化空间，自己可以对参数进行优化，不同参数组合会对效果有较大影响，文件中会给出在哪优化，如何进行优化，只改了一个参数效果有了很大提升，见F4效果对比图。 附带23种测试函数，测试函数对应波形如下，可对应收敛曲线一起看。
不过铁头鲸也不是完美无缺，在超高维问题上偶尔会抽风。这时候就要祭出README里说的参数组合优化大法了。重点调整这两个参数：
params = { 'perturbation_rate': 0.15, # 扰动概率 ←重点调这个！ 'mutation_scale': 0.05, # 变异幅度 'elite_keep': 3 # 精英保留数 }有老铁把perturbation_rate从0.2降到0.12，CEC2017测试集上的排名瞬间提升5个名次。这感觉就像找到了游戏里的隐藏秘籍，调参调得根本停不下来。
最后上硬菜——23个测试函数的波形对比。特别有意思的是在Schwefel函数上，IWOA的收敛曲线活脱脱像条贪吃蛇，先在外围画圈圈，突然一个猛子扎向最优点。而传统算法就像没头苍蝇到处乱撞，这差距简直公开处刑。
江湖传言算法改进有三重境界：改参数、改策略、改框架。IWOA现在卡在第二层，但已经能吊打一众老前辈。下次准备给它装上柯西变异和量子隧道，说不定能突破第三层。各位看官要是手痒，Github仓库见分晓！