和声搜索算法是一种模拟音乐创作过程的启发式搜索算法,该算法在变异产生新和声的过程中没有充分利用当前最优和声进行局部寻优,针对这一问题本文提出了一种基于改进蝙蝠算法的和声搜索算法。本文研究的主要内容如下:(1)引入蝙蝠局部搜索机制进行协同寻优。利用蝙蝠种群和和声种群进行协同搜索,在搜索的过程中和声种群和蝙蝠种群共享当前最优解,和声种群进行全局搜索,蝙蝠种群在当前最优解附近进行局部搜索,通过全局搜索和局部搜索相结合的搜索方式进行寻优。(2)在和声变异的过程中引入学习机制,通过向当前最优解学习的方式优化变异和声的质量。在产生新和声的时候,新和声的属性值以一定的概率向当前最优和声的属性值进行学习来优化新产生的和声的质量。(3)改进和声搜索算法的越界处理方式。新生成的和声的属性值在发生越界的时候,原始和声算法中用随机数替换越界的属性值的方式具有盲目性,优于当前最优和声的属性值优于随机值,本文提出的方法在变异和声的越界处理方法上用当前最优和声的属性值替换越界和声的属性值的方法来取代原始和声中用随机值取代越界属性值的方式。(4)引入动态搜索机制。由于在搜索的过程中当前最优值越来越接近全局最优值,所以在搜索前期加大和声搜索的频率以提高全局搜索的质量,在搜索的后期加大蝙蝠的搜索频率以提高局部搜索的质量。最后在UCI标准数据集上选用六个标准测试函数进行仿真实验并和其他和声搜索算法进行对比,仿真对比试验的结果表明本文提出的算法在收敛速度和寻优精度上均有提高。