动态调整搜索策略的果蝇优化算法

针对标准果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）收敛速度慢、容易陷入局部最优及寻优精度低等缺陷,提出了一种动态调整搜索策略的果蝇优化算法（Fruit Fly Optimization Algorithm with Dynamic Adjustment of Search Strategy,FOAASS）。利用混沌映射增强种群初始位置的均匀性和随机性;根据种群进化信息动态调整部分果蝇的搜索策略;通过转换概率随机选取搜索半径并对其进行动态调整;当算法陷入早熟时,改变搜索策略以跳出局部最优。仿真实验结果表明,提出的改进算法相比标准果蝇优化算法和部分改进算法,有较好的寻优精度和收敛速度。     

基于混沌果蝇支持向量机回归的产品销售预测

针对制造业产品销售时序具有多维、小样本、非线性、多峰等特征,提出一种混沌果蝇支持向量机回归的产品销售预测方法。将混沌理论引入到果蝇优化算法中,从而提高果蝇种群多样性和搜索的遍历性,并在寻优过程中加入混沌扰动,避免搜索过程陷入局部最优,增加持续搜索可行解的能力。并用算例验证了混沌果蝇优化算法（Chaos Fruit Fly Optimization Algorithm,CFOA）的优化性能,通过优化支持向量机回归（Support Vector Regression,SVR）的参数构建销售预测模型,进行了汽车零部件销售预测。结果表明基于混沌果蝇支持向量机回归的产品销售预测方法是有效可行的。     

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。     

参数修正与收敛策略融合的果蝇优化算法

传统的果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）容易陷入局部最优,而且传统果蝇个体味道浓度判定值S是非负数,不能解决最优解是负数的优化问题。针对以上问题,多重改进策略被应用到果蝇优化算法中。为了解决味道浓度判定值不能是负数的问题,对味道浓度公式进行了修正;为了避免高维函数维间互扰问题,迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法;为了避免陷入局部最优,迭代过程中加入了收敛判断因子,如果多次迭代没有改善,说明陷入了局部最优。此时,一部分果蝇个体继续在最优解附近寻优,另外一部分个体在解空间混沌扰动寻找全局最优解。收敛判断因子阈值的取值会影响优化的速度和精度,通过实验确定了收敛判断阈值。通过对测试函数结果验证表明,改进的果蝇算法比FOA算法具有更高的搜索精度和更快的收敛速度。     

基于PCNN和果蝇优化算法的自适应图像融合

针对脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）中参数选取不易确定的不足,提出一种基于脉冲耦合神经网络和果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）的自适应图像融合算法。利用FOA的全局搜索能力,以平均结构相似度作为FOA的适应度函数,对PCNN的4个参数[β、][Vθ、][αL]和[αθ]进行自适应设定;结合最大化原则,采用PCNN对源图像进行融合。实验结果表明,该算法在主观视觉效果和客观评价指标上优于其他融合算法。     

基于改进ACFOA的图像一维OMP稀疏分解

针对二维图像稀疏分解运算复杂度高的问题,提出一种基于改进自适应混沌果蝇优化算法的图像一维正交匹配追踪OMP(Orthogonal Matching Pursuit)稀疏分解方法。算法首先将图像从二维空间转换到一维空间,然后对自适应混沌果蝇优化算法ACFOA(Adaptive Chaos Fruit Fly Optimisation Algorithm)的味道浓度判定值和混沌映射函数进行了改进,提高了算法的全局寻优性能,最后将改进后的ACFOA算法应用到图像一维OMP分解之中。实验结果表明,在相同实验条件下,图像一维OMP稀疏分解的速度是二维分解的1.12倍。     

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。     

冰雪天气下基于MFOA-LSSVR的跑道温度预测

跑道温度是跑道结冰的重要因素。针对机场跑道温度短时预测问题,提出一种改进果蝇算法优化最小二乘支持向量回归机(MFOA-LSSVR)的跑道温度预测方法。在原始果蝇算法(Fruit Fly Optimization Algorithm, FOA)中引入指数更新函数和距离扩张因子以增强果蝇种群全局寻优能力,避免其陷入局部极小值。同时考虑跑道温度多种影响因素对模型预测精度的影响,选用Spearman相关系数确定跑道温度主要影响特征。以冰雪天气下跑道温度的实际数据,对该模型进行仿真测试。结果显示:与果蝇优化最小二乘支持向量回归机(FOA-LSSVR)、反向传播(Backpropagation, BP)神经网络、机理模型、MFOA-LSSVR单变量模型相比,MFOA-LSSVR预测模型的平均绝对误差至少分别提高了17.24%、25.37%、69.76%和10.88%。实验结果验证了所提方法的有效性和泛化性,能够为跑道温度短时预测提供有效思路。     

基于改进果蝇优化的压电精密定位平台迟滞Bouc-Wen模型辨识

提出一种基于改进果蝇优化算法（Improved Fruit fly Optimization Algorithm,IFOA）的压电精密定位平台迟滞特性的Bouc-Wen模型参数辨识方法。通过引入交叉因子和自适应搜索步长,IFOA可有效实现全局搜索与局部优化的动态平衡,并通过一种新的搜索策略提高整体搜索效率和优化精度。将IFOA应用于压电精密定位平台迟滞Bouc-Wen模型的参数辨识。实验辨识结果验证了该方法的有效性和潜力。     

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。