一、基本介绍：

群智能优化方法是一群解被赋予不同程度的启发式信息，每个解以某种方式自身优化的同时，相互之间协作学习又启发引导，以群体协同演化的方式驱动算法群体持续优化，最终给出一组问题解。随机重心动态反向学习技术(Stochastic centroid dynamical opposition-based learning)是在重心反向学习的基础之上引入了随机的概念，具有“信息启发而不失随机，随机而不失信息启发”的特点。为了维持种群多样性，可将该技术用于群智能算法的位置更新阶段，其主要步骤如下：在每次迭代结束时，

Step1：选取种群中的前K个最好的个体(K是介于1到N之间的随机数,N为种群规模)；

Step2：计算该K个个体的重心位置;

Step3：计算种群中每个个体关于上述重心位置的对位点；

Step4：评价对位点，并与之前的位置进行比较。若优于之前位置，则更新之；否则保留之前的位置。

作为一种有效的学习策略，随机重心动态反向学习技术可用于改进其它群智能算法，以提高算法收敛性能。

二、仿真试验：

将标准鲸鱼优化算法 (WOA) 与基于随机重心动态反向学习技术的鲸鱼优化算法 (SCWOA)在单峰函数F1,F7，多峰函数F12,F13上的结果进行比较，收敛曲线图如下所示：

三、附件

包含WOA与SCWOA代码以及原理讲解（随机重心动态反向学习封装在Dynamic_OBL.m中），以供直接调用。