در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم جستجوی سنجاب(squirrel search algorithm) و تکامل تفاضلی(Differential Evolution) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. هدف اصلی این تحقیق، اضافه کردن عملگر ادغام الگوریتم تکامل تفاضلی(DE) به الگوریتم جستجوی سنجاب(SSA) برای بهبود قابلیت اکتشاف و اصلاح قانون بهروزرسانی سنجاب در طول جستجو برای بهبود بهرهبرداری است. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد CEC2005 انجام شده است. نتایج نشان داد که مدل ترکیبی از الگوریتم بهینهسازی جستجوی سنجاب بهتر عمل کرده است.
در این تحقیق یک مدل بهبودیافته از الگوریتم کپک مخاطی(slime mould algorithm) با استفاده از یادگیری مبتنی بر مخالفت(opposition-based learning) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. استفاده از یادگیری مبتنی بر مخالفت(OBL) تلاشی برای تقویت مرحله اکتشاف در الگوریتم کپک مخاطی(SMA) است. فایل شبیهسازی این تحقیق فقط برای توابع پیوسته بررسی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC 2014 انجام شده است. نتایج نشان داد که مدل بهبودیافته در مقایسه با الگوریتم کپک مخاطی و بهینهسازی اجتماع ذرات بهتر عمل کرده است.