摘要：提出一种基于非线性收敛因子的改进鲸鱼优化算法（简记为IWOA）用于求解大规模复杂优化问题．为算法全局搜索奠定基础，在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置；设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力；对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率．选取15个大规模（200维、500维和1000维）标准测试函数进行数值实验，结果表明，IWOA在求解精度和收敛速度方面明显优于其他对比算法．

关键词：鲸鱼优化算法 对立学习策略 非线性收敛因子 大规模优化问题 多样性变异 

单位：贵州财经大学贵州省经济系统仿真重点实验室; 贵阳550025; 贵州财经大学数学与统计学院; 贵阳550025; 长沙理工大学能源与动力工程学院; 长沙410114; 湖南人文科技学院能源与机电工程学院; 娄底417000