自适应变异的果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

改进步长与策略的果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,提出了改进步长与策略的果蝇优化算法（CSSFOA）。在一定范围内随机选取历史最优值作为步长变化依据,动态改变果蝇群体的搜寻半径,有效权衡了算法的全局与局部搜索能力;为了避免陷入局部最优,在果蝇群体趋于稳定时选取一定数量的果蝇个体执行变异操作。仿真实验结果表明,提出的改进算法在收敛速度和寻优精度上较基本FOA及其几种改进算法有更好的寻优性能。     

结合元胞自动机的果蝇优化算法

果蝇优化算法(FOA)作为一类新的优化搜索算法,广泛应用于各种优化问题。针对该算法后期求解精度低、容易陷入局部最优且收敛缓慢的缺点,提出一种结合元胞自动机的果蝇优化算法(CAFOA)。该算法在首次求解时利用元胞演化规则选择果蝇最优个体邻域,然后对选择后的果蝇个体位置进行随机扰动,分别用邻域个体复制更新演化前个体位置,再次进行迭代寻优,从而有效克服算法陷入局部最优。对6种常见测试函数进行了运算仿真。实验结果表明,所提算法比传统算法的平均收敛精度提高10%,达到稳定全局最优值的平均迭代次数减少870次,从而论证了算法的有效性。     

基于适应性动态步长的变异果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优值、后期收敛速度变慢和收敛精度较低的缺点,提出了一种基于适应性动态步长的变异果蝇优化算法（MFOAADS）。首先,利用佳点集法选取种群初始位置,降低算法初始点选取的随机性和陷入局部最优值的概率;然后,采用适应性动态步长优化策略,提高收敛速度和求解精度;最后,若算法陷入了早熟,则对种群最优个体按一定概率执行柯西变异扰动,赋予其跳出局部最优的能力。经5个经典函数测试表明,固定迭代次数时MFOAADS的收敛精度与收敛速度明显优于FOA;固定目标精度时,MFOAADS相对于FOA平均迭代次数有着大幅下降且成功率达97%以上。实验结果表明,所提算法求解精度、运行效率以及可靠性相对于基本FOA算法都有着显著提高。     

应用反向学习策略的果蝇优化算法

针对基本果蝇优化算法FOA(Fruit Fly Optimization Algorithm)容易陷入局部极值、进化后期收敛速度慢和收敛精度低的缺点,采用反向学习策略加以改进,提出应用反向学习策略的果蝇优化算法OBLFOA(FOA with Opposition-based Learning)。该算法将一般反向学习策略和动态一般反向学习策略分别引入到果蝇优化算法的种群初始化和迭代寻优过程中,能得到越来越好的种群个体。随着迭代过程的逐步深入,使得进化种群快速地逼近最优解。对6个经典测试函数的仿真结果表明,新算法在收敛速度、收敛可靠性及收敛精度方面比基本果蝇优化算法有较大的提高。     

修正浓度与适应步长的果蝇优化算法

基本果蝇优化算法在寻优求解时浓度值只能为正,无法对浓度为负时达到最优的问题进行寻优。另外基本果蝇算法在寻优求解时,步长是随机的,这就容易使算法早熟,陷入局部最优解,算法的求解精度也不高。针对基本果蝇算法的这些问题,提出了一种修正浓度与适应步长的果蝇优化算法。该算法对果蝇得到的浓度值进行了修正,使味道浓度分布在整个正负寻优区间。在迭代时,充分利用果蝇群体已经进行的全局影响因素,对果蝇个体的搜寻距离进行适应性改变。为了验证该算法的效果,选用了几个常用的测试函数对该算法进行实验验证,结果表明,该算法不仅可以有效避免陷入局部最优,在寻优精度上也有一定提升。     

具有Levy飞行特征的双子群果蝇优化算法

针对果蝇优化算法(FOA)易陷入局部最优和收敛精度不高等缺点,在果蝇算法中引入Levy飞行策略,提出了具有Levy飞行特征的双子群果蝇优化算法(LFOA).在迭代寻优过程中,根据果蝇种群的进化程度动态地将果蝇种群划分为以当代最差个体为中心的较差子群和以当代最优个体为中心的较优子群;较差子群在最优个体指导下进行全局搜索,较优子群则围绕最优个体做Levy飞行进行局部搜索,这样既平衡了种群的全局和局部搜索能力,同时又可以利用Levy飞行偶尔的长跳跃来跳出局部最优;两个子群的信息通过最优个体的改变和子群的重组进行交换.对6个典型测试函数的仿真实验表明,LFOA具有全局收敛的能力,相比FOA具有更好的收敛精度、收敛速度和收敛可靠性.     

自适应混沌果蝇优化算法

本文针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融入混沌算法对果蝇优化算法的进化机制进行优化,提出自适应混沌果蝇优化算法(ACFOA)。在算法处于收敛状态时,应用混沌算法进行全局寻优,从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明,ACFOA算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

混沌动态步长果蝇优化算法

为了进一步提高标准果蝇优化算法的收敛速度和寻优精度,将混沌优化与迭代步长动态调节策略相结合,提出一种混沌动态步长果蝇优化算法。算法在寻优过程中引入动态步长调节因子对基本果蝇优化算法的步长实现持续动态更新,利用混沌优化方法对混沌变量与优化变量进行映射操作,同时引入混沌扰动使得果蝇个体能够快速跳出局部最优。实验结果表明:该算法在收敛速度和寻优精度上大幅提高。     

动态步长FOA的PID参数整定方法研究

为了解决基本果蝇优化算法(FOA)因固定搜索步长而对比例积分微分(PID)参数整定收敛精度不高且搜寻效率低的问题,将Logistic(t)的变换函数lgt(t)引入FOA中。由该变换函数确定自适应步长,提出一种动态步长果蝇优化算法(DSFOA)。DSFOA中果蝇个体搜索步长会随着迭代次数的增加而动态地变化。该算法在迭代前期使用大步长,具有更高的全局搜索效率;在迭代后期使用小步长,具有较强的局部寻优能力。这可以提高收敛精度,实现对全局搜索和局部搜索过程的优化。二阶系统仿真测试结果表明,相比于FOA,DSFOA寻优过程产生的PID参数使系统性能更优,能快速、有效地搜索到PID最优参数且鲁棒性好。该结果验证了DSFOA的有效性与合理性。     

An improved fruit fly optimization algorithm for solving traveling salesman problem

The traveling salesman problem (TSP), a typical non-deterministic polynomial (NP) hard problem, has been used in many engineering applications. As a new swarm-intelligence optimization algorithm, the fruit fly optimization algorithm (FOA) is used to solve TSP, since it has the advantages of being easy to understand and having a simple implementation. However, it has problems, including a slow convergence rate for the algorithm, easily falling into the local optimum, and an insufficient optimi-zation precision. To address TSP effectively, three improvements are proposed in this paper to improve FOA. First, the vision search process is reinforced in the foraging behavior of fruit flies to improve the convergence rate of FOA. Second, an elimination mechanism is added to FOA to increase the diversity. Third, a reverse operator and a multiplication operator are proposed. They are performed on the solution sequence in the fruit fly’s smell search and vision search processes, respectively. In the experiment, 10 benchmarks selected from TSPLIB are tested. The results show that the improved FOA outperforms other alternatives in terms of the convergence rate and precision.     

新型改进果蝇优化算法

针对传统果蝇优化算法在进行优化时所存在的寻优精度偏低和收敛速度较慢的问题,提出了一种新的改进果蝇优化算法。该算法在迭代过程中将每次迭代所得最优值的变化率作为下一次果蝇种群飞行距离变化的参考依据。动态改变果蝇种群每次飞行的距离,能够有效地权衡算法的全局搜索能力和局部搜索能力。将该改进算法在函数优化中与原果蝇算法和另外两种果蝇改进算法进行仿真对比,结果表明,所提出的改进算法在收敛精度、收敛速度以及稳定性方面具有明显优势。     

一种用于PID控制参数优化的混合果蝇算法

针对果蝇优化算法（ FOA）收敛速度快但寻优精度低的缺点,为了改善果蝇算法的优化性能,提出一种混合果蝇优化算法（ HFOA）。HFOA采用分段优化的思想,在优化过程后期采用收敛稳定性较好的粒子群优化（ PSO）算法优化果蝇算法中果蝇个体飞行距离和味道浓度的判定值,采用误差性能指标积分准则ITAE作为适应度函数,并将优化方案应用于一类不稳定系统的PID控制。Matlab仿真验证表明：HFOA计算高效,具有良好的稳定性,收敛精度高,进而验证了HFOA应用于PID控制参数优化是可行而有效的。     

基于自适应扰动的疯狂蝴蝶算法

蝴蝶优化算法作为新提出的自然启发算法,其寻优方式模拟了蝴蝶利用嗅觉来确定花蜜或交配对象位置的行为。针对蝴蝶优化算法求解精度不高和收敛速度慢等问题,提出一种基于自适应扰动的疯狂蝴蝶算法（CIBOA）。首先,在自身认知飞行部分引入自适应惯性权重,平衡算法的局部与全局搜索能力;其次,在全局最优位置引入扰动策略,避免算法陷入局部最优;最后,在花蜜位置引入疯狂因子以增加种群多样性,获取更好的最优解。通过8个基准函数对5种算法搜索性能在10、30和50维的情况下进行对比分析,仿真实验结果表明改进算法的综合表现要优于其他算法。     

求解约束优化问题的改进果蝇优化算法及其工程应用

针对基本果蝇优化算法收敛速度慢、求解精度低、易于陷入局部极值以及算法候选解不能取负值等不足,提出一种用于解决约束优化问题的改进果蝇优化算法.该算法利用果蝇个体历史最佳记忆信息和种群全局历史最佳记忆信息构建多策略混合协同进化的搜索机制,以达到有效平衡算法的全局探索与局部开发的目的,同时也能够较好地避免算法的早熟收敛问题;...     

Dynamic Gaussian bare-bones fruit fly optimizers with abandonment mechanism: method and analysis

The Fruit Fly Optimization Algorithm (FOA) is a recent algorithm inspired by the foraging behavior of fruit fly populations. However, the original FOA easily falls into the local optimum in the process of solving practical problems, and has a high probability of escaping from the optimal solution. In order to improve the global search capability and the quality of solutions, a dynamic step length mechanism, abandonment mechanism and Gaussian bare-bones mechanism are introduced into FOA, termed as BareFOA. Firstly, the random and ambiguous behavior of fruit flies during the olfactory phase is described using the abandonment mechanism. The search range of fruit fly populations is automatically adjusted using an update strategy with dynamic step length. As a result, the convergence speed and convergence accuracy of FOA have been greatly improved. Secondly, the Gaussian bare-bones mechanism that overcomes local optimal constraints is introduced, which greatly improves the global search capability of the FOA. Finally, 30 benchmark functions for CEC2017 and seven engineering optimization problems are experimented with and compared to the best-known solutions reported in the literature. The computational results show that the BareFOA not only significantly achieved the superior results on the benchmark problems than other competitive counterparts, but also can offer better results on the engineering optimization design problems.