（1）ESO: An Enhanced Snake Optimizer for Real-world Engineering Problems

元启发式算法是解决现实优化问题必不可少的途径，开发有效、准确、稳定的元启发式算法已成为优化研究的目标。Snake Optimizer（SO）是一种优化效果良好的新颖算法，但由于自然规律的限制，在探索和开发阶段参数更多是固定值，因此SO算法很快陷入局部优化并慢慢收敛。本文通过引入新颖的基于对立的学习策略和新的动态更新机制（参数动态更新策略、正弦余弦复合扰动因子、帐篷混沌&柯西突变）提出了一种增强型Snake Optimizer（ESO）以实现更好的性能。

（2）ISO: An improved snake optimizer with multi-strategy enhancement for engineering optimization

启发式算法在应对现实世界中的优化挑战方面起着至关重要的作用。开发有效且稳定的智能优化算法具有重要意义。针对Snake Optimizer（SO）中种群多样性低、优化精度不足等缺点，本文提出了一种具有多策略增强功能的改进Snake Optimizer（ISO），旨在解决数值优化和工程设计问题。ISO算法受益于三种新策略的提出：多策略混沌系统（MSCS）、反捕食者策略（APS）和双向种群进化动力学（BPED）。首先，在初始化阶段，MSCS的设计促进了初始个体的获取，具有增强的随机性和更均匀的分布质量。 其次，在探索阶段，所提出的APS扩展了算法的搜索策略，从而提高了算法的收敛速度和精度。最后，在开发阶段，所提出的BPED增强了种群多样性，降低了算法陷入局部最优的风险，同时加强了探索和开发阶段之间的平衡。