基于混合策略改进的花朵授粉算法

针对传统花朵授粉算法(FPA)在解决复杂问题时搜索精度低和收敛速度慢等问题,提出了一种基于混合策略改进的花朵授粉算法(HSFPA)。采用自适应转换概率策略改进转换概率,动态平衡全局授粉和局部授粉之间的关系;在全局授粉阶段,提出一种动态全局搜索策略,既可以加快算法收敛速度,又能增加花粉种群的多样性,防止花粉陷入局部最优;局部搜索增强策略使得花粉能够充分开发当前优质花粉周围的搜索空间,提高收敛精度;花粉越界修正策略进一步加强了算法的探索能力。通过对10个基准函数进行仿真测试,实验结果表明,HSFPA算法在搜索速度和寻优精度方面具有更好的效果。     

基于改进花朵授粉算法的车辆路径问题研究

针对标准花朵授粉算法演化后期寻优能力受限等问题,论文提出一种将人工蜂群算法融入到花朵授粉算法中的优化算法.该算法主要通过人工蜂群算法的采蜜阶段和侦查阶段,将花朵授粉的算法的解进一步优化,从而提高花朵授粉算法的寻优能力.使用改进后的花朵授粉算法对现代物流配送的车辆路径规划问题进行求解,仿真实验结果表明,改进后的算法在性能...     

混合改进的花朵授粉算法

针对花朵授粉算法(FPA)收敛速度慢、精度低的问题,提出了一种混合改进的花朵授粉算法(HFPA)。该算法采用均匀初始化和边界变异提高种群多样性,利用正态分布缩放因子进行全局寻优,加快收敛速度。局部寻优引入变异策略帮助算法跳出局部最优。实验使用7个测试函数,对比原FPA算法其他群智能算法,结果表明:HFPA算法在收敛速度和寻优精度方面均有显著的提高。     

快速求解数值积分的花朵授粉算法

针对当前数值积分精度不高、速度慢等问题,提出一种快速求解数值积分的花朵授粉算法,本算法对花朵授粉算法的局部搜索迭代公式和数值积分公式进行重新定义。通过10个函数积分仿真实验,结果表明本文设计的算法在迭代次数较少的情况下求解普通函数、奇异函数和振荡函数积分,且与其他智能算法相比,本算法具有一定的优势。     

改进的花朵授粉算法在物流配送中心选址问题中的应用

针对当前算法求解物流配送中心选址问题时,普遍存在求解精度不高、速度较慢和规模较小等缺点,提出一种改进花朵授粉算法的智能求解方法。首先根据物流配送中心模型的特点将花朵授粉算法进行离散化,设计整数编码,再结合遗传算子的选择、交叉和逆转操作进行局部搜索。将花朵授粉算法的全局搜索与遗传算子的局部搜索融合,通过4个不同规模的仿真实验表明所提出的算法在求解精度、速度和规模上较其他算法具有优势,而且规模越大,改进算法的效果越明显,对中等规模的物流选址问题提供了一种较好的寻址方案。     

基于模拟退火的花朵授粉优化算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算法的有效性。     

自适应多策略花朵授粉算法

针对花朵授粉算法极易陷入局部最优解且寻优精度不高的问题,提出自适应多策略花朵授粉算法(self-adaptive flower pollination algorithm with multiple strategies,SMFPA)。利用锚点策略提高种群的多样性,采用摄动策略改善全局勘探能力,采用局部搜索增强策略提升其开采最优解的能力。为验证SMFPA的性能,比较5种算法在解决12个测试问题上的寻优结果,实验结果表明,在寻优速度以及寻优精度方面,SMFPA算法表现更优。通过比较算法在管柱设计问题上的寻优结果,进一步评估SMFPA的寻优性能。     

基于随机替换和多样性控制的花朵授粉算法

针对花朵授粉算法收敛速度慢、不易跳出局部最优、搜索精度低的问题,根据花朵授粉算法的运动特点,提出了中心随机替换策略,加快算法的搜索速度。同时为了提高算法的全局搜索能力,加入多样性控制策略,动态改变转换概率[p],增加全局搜索的概率。经六种测试函数仿真实验,该算法在加快收敛速度的同时,合理地保持算法的多样性,相比于其他启发式智能算法拥有更快的寻优速度和更好的寻优精度。     

一种改进的新型元启发式花朵授粉算法

最近,受自然界花朵授粉过程的启发,Yang提出了一种新的元启发式群智能算法——花朵授粉算法,该算法融合了现有其他智能算法的优点。首先阐述了花朵授粉的特征,从机理上描述了该算法的实现步骤,同时对该算法的寻优性能进行了剖析。其次,针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种基于差分进化策略的花朵授粉算法。该算法引入差分进化中的变异、交叉及选择操作,使缺乏变异机制的花朵授粉算法具有变异能力,增加种群的多样性,提高算法的全局寻优能力和避免种群个体陷入局部最优。通过十个标准测试函数进行测试,仿真结果表明,改进算法的寻优能力明显优于基本的花朵授粉算法、蝙蝠算法、粒子群算法及改进的粒子群算法     

基于引力搜索机制的花朵授粉算法

针对花朵授粉算法（Flower pollination algorithm,FPA）易陷入局部极值、后期收敛速度慢的不足,提出一种基于引力搜索机制的花朵授粉算法.该算法在基本花朵授粉算法的全局寻优部分,采用花朵个体间的万有引力和算法本身的莱维飞行共同实现个体位置的更新,使花朵受莱维飞行和个体间引力的双重影响,个体在通过优化信息的共享向质量大（最优位置）的个体靠近,且个体间的万有引力牵制莱维飞行的随机游走.同时又利用莱维飞行的跳跃及不均匀性步长避免个体陷入局部极值,从而提高算法的寻优能力.通过对高维单峰函数、高维多峰函数、低维函数及多峰复杂函数的优化实验结果表明,改进算法的寻优性能显著优于基本的花朵授粉算法,其收敛速度、收敛精度、鲁棒性均较对比算法有较大提升.最后,利用改进算法对弹簧张力设计问题、压力管设计问题2个工程实例进行测试,获得了较好的结果.仿真实验结果佐证了改进算法的有效性和可行性.     

基于天牛须搜索的花朵授粉算法

针对花朵授粉算法后期收敛速度慢,寻优精度低的缺点,提出了一种基于天牛须搜索的花朵授粉算法（BASFPA）。算法首先在全局寻优阶段采用天牛须搜索加快收敛,其次在局部寻优阶段加入变异策略帮助算法跳出局部最优。实验使用6个常用优化函数进行测试,结果表明BASFPA在低维和高维下收敛速度和精度均高于其他算法,达到相同精度所需的迭代次数均小于其他算法,证明天牛须搜索对FPA算法的改进是合理的。     

基于改进花朵授粉算法的极限学习机模型

为提高瓦斯突出风险预测的准确率和效率,在极限学习机(ELM)模型的基础上构建预测模型ACFPA-ELM。采用核线性鉴别分析(KLDA)对瓦斯突出样本数据进行特征抽取,利用代价敏感思想修正ELM适应度函数,同时将Tent混沌搜索和自适应算子引入花朵授粉算法(FPA)中,优化ELM的初始输入权值和阈值,从而提高对瓦斯突出风险的预测能力。实验结果表明,相较于经典的SVM、BP和ELM单一预测模型以及改进的FPA-ELM和PSO-ELM复合预测模型,ACFPA-ELM模型在瓦斯突出风险预测的准确率、预测一致性以及运行效率方面均具有明显的优势。     

基于折射原理的混合型花朵授粉算法

针对花朵授粉算法收敛速度慢,寻优精度低的缺陷,提出基于折射原理的混合型花朵授粉算法（refrHFPA）。算法首先利用和声搜索算法提升算法收敛速度,然后利用折射原理提高种群的多样性,帮助算法跳出局部最优,提升寻优精度。实验利用8个测试函数,对比其他群智能算法,结果表明refrHFPA算法在收敛速度和寻优精度方面均有显著的提高。     

基于变异策略的改进型花朵授粉算法*

介绍了一种新的元启发式群智能算法——花朵授粉算法(flower pollinate algorithm ,FPA)和一种新型的差分进化变异策略——定向变异(targeted mutation,TM)策略。针对FPA存在的收敛速度慢、寻优精度低、易陷入局部最优等问题,提出了一种基于变异策略的改进型花朵授粉算法——MFPA算法,该算法通过改进TM策略,并应用到FPA的局部搜索过程中,以增强算法的局部开发能力;同时在FPA的全局搜索过程中引入均匀变异算子,以增强算法的全局寻优能力。最后通过4个标准的测试函数进行测试,测试结果表明,MFPA算法的寻优能力明显优于原始的花朵授粉算法、粒子群算法以及蝙蝠算法。     

求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明, ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.     

基于分解的多目标花朵授粉算法

在过去几十年里，许多多目标进化算法被广泛应用于解决多目标优化问题，其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法，但迄今为止，花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下，将花朵授粉算法拓展至多目标优化领域，提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外，为了保证非支配解的多样性，本文提出一种基于网格的目标空间分割法，该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明，基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。     

融合高斯变异和Powell法的花朵授粉优化算法

花朵授粉算法(flower pollination algorithm,FPA)是最近提出的一种新型群智能优化算法,由于其较好地解决了全局搜索和局部搜索的平衡性问题,且具有参数少,易实现等特点,已得到广泛应用和研究,但现有研究对其参数的研究较少,同时该算法也存在演化后期收敛速度慢且易陷入局部极小等缺陷,使其应用范围受到制约。为了提升FPA算法的整体性能,对其控制步长的缩放因子的取值进行了修正;提出了把高斯变异和Powell法融入到花朵授粉算法中的混合算法GMPFPA(flower pollination algorithm combination with Gauss mutation and Powell search method)。改进算法首先利用高斯变异对全局搜索进行扰动,增强种群的多样性,提高全局探测能力,然后引入局部寻优能力强大的Powell法提升其局部开发能力。通过12个高维经典测试函数对比实验,验证了改进算法的有效性和优越性。