亨利气体溶解优化 (Henry Gas Solubility Optimization, HGSO)

特点: 基于物理原理的优化算法，灵感来自气体溶解度。

阿基米德优化算法 (Archimedes Optimization Algorithm, AOA)

特点: 新的元启发式算法，用于解决优化问题。

黑寡妇优化算法 (Black Widow Optimization, BWO)

特点: 一种新的元启发式方法，灵感来自黑寡妇蜘蛛。

哈里斯鹰优化 (Harris Hawks Optimization, HHO)

特点: 灵感来源于哈里斯鹰的捕猎行为。

牧羊犬优化算法 (Shepherd Optimization Algorithm, SOA)

特点: 一种新的元启发式算法。

变异蛙跳算法 (Mutated Frog Leaping Algorithm, MFLA)

特点: 基于蛙跳行为的优化算法。

水循环算法 (Water Cycle Algorithm, WCA)

特点: 模拟自然水循环过程的优化算法。

火焰算法 (Firefly Algorithm, FA)

特点: 基于萤火虫闪烁行为的优化算法。

粒子群优化 (Particle Swarm Optimization, PSO)

特点: 模拟鸟群和鱼群行为的群体优化算法。

教学-学习优化算法 (Teaching-Learning-Based Optimization, TLBO)

特点: 模拟教学过程的优化算法。

化学反应优化 (Chemical Reaction Optimization, CRO)

特点: 基于化学反应过程的优化算法。

小世界优化算法 (Small World Optimization Algorithm, SWO)

特点: 基于小世界现象的优化算法。

人工免疫系统 (Artificial Immune System, AIS)

特点: 模拟生物免疫系统的优化算法。

蜜蜂群算法 (Bee Colony Optimization, BCO)

特点: 模拟蜜蜂觅食行为的优化算法。

蚁群算法 (Ant Colony Optimization, ACO)

特点: 模拟蚂蚁觅食行为的优化算法。

模拟退火 (Simulated Annealing, SA)

特点: 模拟退火过程的优化算法。

禁忌搜索 (Tabu Search, TS)

特点: 使用禁忌表避免循环搜索的优化算法。

极限学习机优化（ELM）

英文全称: Extreme Learning Machine Optimization缩写: ELM主要特点: 通过极限学习机算法优化模型参数，具有训练速度快，泛化能力强等优点。

鲸鱼优化算法（WOA）

英文全称: Whale Optimization Algorithm缩写: WOA主要特点: 模拟座头鲸的泡泡网捕食行为，通过搜寻和包围猎物进行全局搜索和局部搜索，适用于连续和离散优化问题。

烟花算法（FWA）

英文全称: Firework Algorithm缩写: FWA主要特点: 模拟烟花爆炸过程，通过生成烟花和火花进行搜索，具有较强的全局搜索能力。

草履虫优化算法（PFOA）

英文全称: Paramecium Firefly Optimization Algorithm缩写: PFOA主要特点: 结合草履虫运动行为和萤火虫算法，改进了寻优能力，适用于多种优化问题。

水循环算法（WCA）

英文全称: Water Cycle Algorithm缩写: WCA主要特点: 模拟水循环过程，通过水的蒸发、降雨、径流等过程进行全局搜索，适用于多峰优化问题。

人工蜂群算法（ABC）

英文全称: Artificial Bee Colony Algorithm缩写: ABC主要特点: 模拟蜜蜂觅食行为，采用工蜂、跟随蜂和侦察蜂三种角色进行搜索，具有简单易行和全局搜索能力强的优点。

狮群优化算法（LOA）

英文全称: Lion Optimization Algorithm缩写: LOA主要特点: 模拟狮群社会结构和捕猎行为，通过雌狮狩猎和雄狮统治等过程进行搜索，适用于大规模复杂优化问题。

萤火虫算法（FA）

英文全称: Firefly Algorithm缩写: FA主要特点: 模拟萤火虫的闪光吸引行为，通过光强度和吸引力进行全局和局部搜索，适用于多峰优化问题。

群狼优化算法（GWO）

英文全称: Grey Wolf Optimizer缩写: GWO主要特点: 模拟灰狼的狩猎和社会等级结构，通过包围、追捕和攻击猎物进行搜索，具有良好的全局搜索能力。

鲸鱼优化算法（WOA）

英文全称: Whale Optimization Algorithm缩写: WOA主要特点: 模拟座头鲸的泡泡网捕食行为，通过搜寻和包围猎物进行全局搜索和局部搜索，适用于连续和离散优化问题。

生物地理学优化算法（BBO）

英文全称: Biogeography-Based Optimization缩写: BBO主要特点: 模拟物种在地理区域中的迁移和扩散，通过适应度值和迁移率进行搜索，适用于多峰优化问题。

光滑粒子群算法（Smooth Particle Swarm Optimization，SPSO）

主要特点：SPSO算法通过引入粒子光滑度和适应度函数平滑度，减小粒子群搜索过程中的抖动，提高搜索精度和稳定性。

可变形群体优化算法（Deformable Particle Swarm Optimization，DPSO）

主要特点：DPSO算法通过引入变形粒子，增强算法的全局搜索能力和局部搜索能力，避免陷入局部最优。

引力搜索算法（Gravitational Search Algorithm，GSA）

主要特点：GSA通过模拟物理引力来引导搜索过程，粒子间的引力相互作用使得粒子逐渐聚集到全局最优解。

黑洞优化算法（Black Hole Optimization，BHO）

主要特点：BHO算法模拟黑洞的吸引力作用，将低适应度的解吸引到高适应度的解附近，从而提高算法的收敛速度和精度。

光明群体优化算法（Bright Swarm Optimization，BSO）

主要特点：BSO通过引入光源的吸引力，模拟光明对粒子的吸引作用，增强算法的全局搜索能力。

引力和电荷优化算法（Gravitational and Electrostatic Optimization，GEO）

主要特点：GEO算法结合引力和电荷相互作用，通过引力和电场力的共同作用，引导搜索过程，提高算法的搜索效率。

吸引力优化算法（Attractive Optimization，AO）

主要特点：AO通过模拟物理吸引力，引导粒子逐渐靠近最优解，增强算法的全局搜索能力和局部搜索能力。

光束搜索算法（Beam Search Optimization，BSO）

主要特点：BSO算法通过模拟光束的聚集作用，引导搜索过程，提高搜索精度和稳定性。

动态权重优化算法（Dynamic Weight Optimization，DWO）

主要特点：DWO通过动态调整粒子的权重，提高搜索过程中的灵活性和适应性。

自适应变异优化算法（Adaptive Mutation Optimization，AMO）

主要特点：AMO通过引入自适应变异操作，增强算法的全局搜索能力和局部搜索能力。

弹簧优化算法（Spring Optimization Algorithm，SOA）

主要特点：SOA通过模拟弹簧的弹力作用，引导粒子逐渐靠近最优解，提高搜索精度和稳定性。

磁场优化算法（Magnetic Field Optimization，MFO）

主要特点：MFO通过模拟磁场的吸引力作用，引导搜索过程，提高搜索效率和精度。

电磁场优化算法（Electromagnetic Field Optimization，EFO）

主要特点：EFO通过模拟电磁场的相互作用，引导粒子逐渐聚集到最优解，提高算法的收敛速度和精度。