Abstract This study proposed an improved dragonfly algorithm (DA). This algorithm is a recently proposed metaheuristic optimizer inspired by swarming behaviors of dragonflies, which has reasonably achieved satisfactory results in dealing with engineering, education, and other fields. However, the original method will show some shortcomings in convergence speed or falling into local optimum. Given these shortcomings, this paper proposes an improved optimizer to balance the relationship between exploitation and exploration and mitigate any deficiency. First, by implementing the idea of the quantum rotation gate, the swarm of agents can be shifted to a position more conducive to the optimal value. Then, Gaussian mutation is adopted to improve the swarm’s ability to mutate and realize its diversity, which enables the primary method to have a strong local search capability. The proposed method was compared against six other common meta-heuristics and five state-of-the-art algorithms on a comprehensive set of nineteen functions selected from twenty-three classic benchmark problems and thirty IEEE (Institute of Electrical and Electronics Engineers) CEC (Congress on Evolutionary Computation) 2014 benchmark tasks. To verify the effectiveness of the approach, the non-parametric statistical Wilcoxon signed-rank and Friedman tests were performed to validate the significance of the proposed method against other counterparts. The results of experimental simulations demonstrate that two introduced strategies can significantly improve the exploitative and exploratory tendencies of the original algorithm. Furthermore, the convergence speed of the conventional approach has been improved to a large extent. Additionally, quantum-behaved and Gaussian mutational dragonfly algorithm (QGDA) is utilized as a searching core in a wrapper feature selection technique, and it is compared with other advanced feature selection methods. The results show that QGDA achieves substantial superiority in feature selection through optimum fitness and minimum error rate. Also, the results of QGDA on the three classical engineering design problems have demonstrated that the proposed method can effectively solve these constraints problems. It is encouraging that the proposed method can be used as a useful, auxiliary tool for solving complex optimization problems.

中文翻译：

---

类量子突变诱导蜻蜓优化方法

摘要 本研究提出了一种改进的蜻蜓算法(DA)。该算法是最近提出的一种受蜻蜓集群行为启发的元启发式优化器，在处理工程、教育等领域取得了令人满意的结果。然而，原有的方法会出现收敛速度或陷入局部最优的缺点。鉴于这些缺点，本文提出了一种改进的优化器来平衡开发和探索之间的关系并减轻任何不足。首先，通过实现量子旋转门的思想，可以将代理群转移到更有利于最优值的位置。然后，采用高斯变异来提高群的变异能力，实现其多样性，这使得主方法具有很强的局部搜索能力。在从 23 个经典基准问题和 30 个 IEEE（电气和电子工程师协会）CEC 中选出的 19 个函数上，将所提出的方法与其他六种常见元启发式算法和五种最先进算法进行了比较。进化计算大会）2014 年基准任务。为了验证该方法的有效性，进行了非参数统计 Wilcoxon 符号秩和 Friedman 检验，以验证所提出方法相对于其他对应方法的显着性。实验模拟结果表明，引入的两种策略可以显着提高原始算法的开发性和探索性。此外，传统方法的收敛速度得到了很大的提高。此外，量子行为和高斯突变蜻蜓算法（QGDA）被用作包装器特征选择技术中的搜索核心，并将其与其他先进的特征选择方法进行比较。结果表明，QGDA 通过最佳适应度和最小错误率在特征选择方面取得了实质性的优势。此外，QGDA 在三个经典工程设计问题上的结果表明，所提出的方法可以有效地解决这些约束问题。令人鼓舞的是，所提出的方法可以用作解决复杂优化问题的有用辅助工具。量子行为和高斯突变蜻蜓算法（QGDA）被用作包装特征选择技术中的搜索核心，并将其与其他先进的特征选择方法进行比较。结果表明，QGDA 通过最佳适应度和最小错误率在特征选择方面取得了实质性的优势。此外，QGDA 在三个经典工程设计问题上的结果表明，所提出的方法可以有效地解决这些约束问题。令人鼓舞的是，所提出的方法可以用作解决复杂优化问题的有用辅助工具。量子行为和高斯突变蜻蜓算法（QGDA）被用作包装特征选择技术中的搜索核心，并将其与其他先进的特征选择方法进行比较。结果表明，QGDA 通过最佳适应度和最小错误率在特征选择方面取得了实质性的优势。此外，QGDA 在三个经典工程设计问题上的结果表明，所提出的方法可以有效地解决这些约束问题。令人鼓舞的是，所提出的方法可以用作解决复杂优化问题的有用辅助工具。结果表明，QGDA 通过最佳适应度和最小错误率在特征选择方面取得了实质性的优势。此外，QGDA 在三个经典工程设计问题上的结果表明，所提出的方法可以有效地解决这些约束问题。令人鼓舞的是，所提出的方法可以用作解决复杂优化问题的有用辅助工具。结果表明，QGDA 通过最佳适应度和最小错误率在特征选择方面取得了实质性的优势。此外，QGDA 在三个经典工程设计问题上的结果表明，所提出的方法可以有效地解决这些约束问题。令人鼓舞的是，所提出的方法可以用作解决复杂优化问题的有用辅助工具。