局部深度搜索的混合果蝇优化算法

针对基本果蝇优化算法(FOA)局部深度搜索能力较差且易陷入局部最优的缺点,提出了局部深度搜索的混合果蝇优化算法(SFOALDS)。通过借鉴混合蛙跳算法(SFLA)的更新策略,循环进行局部深度搜索操作,使得SFOALDS既保持了FOA较快的收敛速度,又增强了FOA局部深度搜索能力,有效避免了基本FOA易陷入局部最优的缺点,提高了进化后期算法的收敛速度和精度。仿真实验结果表明,SFOALDS比基本FOA和SFLA有较强的全局寻优性能,并且在高维函数上的优势更加明显。     

一种求解多维函数优化问题的改进组搜索优化算法

为提高组搜索优化算法求解多维函数优化问题的性能,提出一种结合逐维搜索、Metropolis准则、反方向视角和禁忌表策略的改进组搜索优化算法.逐维搜索策略逐维更新并评价成员位置,在每一维,更新的值与其他维组成候选位置,使用模拟退火的Metropolis准则来决定是否接受候选位置.反方向视角策略使成员按一定的概率做反方向搜索,禁忌表策略避免生产者始终保持不变.这些策略能更好地平衡算法的集中性和多样性.在典型测试函数上进行了仿真,结果表明改进策略是有效的,提高了组搜索算法求解多维函数优化问题的全局寻优能力和收敛速度.     

动态搜索半径的果蝇优化算法

针对传统果蝇优化算法FOA(Fruit Fly Optimization Algorithm)固定搜索半径导致后期局部寻优性能弱、收敛缓慢的问题,提出一种动态搜索半径的果蝇优化算法DSR-FOA(Fruit Fly Optimization Algorithm With Dynamic Search Radius)。该算法前期以较大搜索半径保证全局寻优性能,而后期搜索半径随迭代次数动态递减以保证局部寻优性能,有效地实现算法全局与局部寻优性能的均衡。其次,针对传统果蝇优化算法不适于优化变量的区间设定问题,通过初始搜索半径设定和平移变换等技术提出一种有效的区间限定方法。数值实验结果表明:改进算法具有较好的寻优精度和预测标准差等指标,验证了算法的有效性和可行性。     

动态双子群协同进化果蝇优化算法

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,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.     

一种加速全局收敛的自由搜索算法

关于优化算法问题,自由搜索算法是一种新的群集智能优化算法,但有收敛速度慢、易早熟的缺陷.为此,提出一个控制参数动态调整灵敏度控制种群信息共享的程度,使算法前期加强全局搜索后期加强局部搜索从而提高算法收敛速度,并引入一个选择策略,对适应度值比已搜索到的局部极值点小的点将在以后的迭代中不再被探测,有效避免算法陷入局部最优,增强算法的全局收敛能力.同时,加入优化停滞处理策略,加速全局收敛.基于三个典型测试函数的仿真结果表明,改进算法较之同类算法不仅在收敛速度、收敛精度和寻优成功率等方面有明显提高,且全局搜索能力更强.     

FOA-LM算法及其在语音信号稀疏分解中的应用

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。粒子群优化（PSO）及果蝇优化（FOA）等智能算法具备前期收敛速度快,全局搜索能力强的优点,应用到语音信号的稀疏分解中,虽然大大提高了语音信号稀疏分解的速度,但是该类算法后期的收敛速度较低,稀疏分解速度仍然偏低。拉凡格氏（LM）算法具有收敛速度快,精度高的特点,但是LM算法依赖初值,这使它的应用受到了限制。结合智能算法FOA及LM算法的优点,采用FOA算法求出Gabor原子参数初值,利用这些初值进行LM迭代搜索最优原子。仿真结果表明,基于FOA优化算法和LM算法相结合的方法,具有收敛速度快,精度高的特点,有较高的实用价值。     

基于极值优化策略的改进的人工蜂群算法

为提高人工蜂群算法在求解优化问题中的性能,结合极值优化策略提出一种改进的人工蜂群算法.改进算法基于极值优化策略高效率的寻优机制重新设计了原算法中跟随蜂的局部搜索方案,并具体给出了新方案的组元变异算子和最差组元判定规则.通过对优化问题中8个典型测试函数的仿真实验表明,与基本人工蜂群算法和已有的典型改进算法相比,改进算法在寻优精度和收敛速度上均有明显提高,在优化问题求解中体现出较强的寻优能力.     

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。     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

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。     

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.     

果蝇优化算法研究进展

作为一种新颖的群智能优化方法,受基于视觉和嗅觉的觅食行为的启发而提出的果蝇优化算法具有易理解和实现、控制参数少的特点.近年来果蝇优化算法的研究受到了广泛关注,果蝇优化算法及其变种在诸多工程优化领域得到了成功应用.阐述果蝇优化算法的设计思想与机制,重点综述果蝇优化算法的研究进展,包括维持种群多样性、知识驱动策略与协同机制的设计等方面的改进工作.同时,介绍果蝇优化算法在离散优化、多目标优化、不确定优化等方面的扩展性研究工作,并总结果蝇优化算法的代表性应用研究成果,最后指出在理论、设计、扩展、应用等方面未来进一步的研究方向和内容.     

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.

     

基于果蝇优化算法的多工位装配序列规划

为同时解决产品装配序列规划和多工位分配问题,提出一种面向复杂产品的基于果蝇优化算法的多工位装配序列规划方法。首先,基于果蝇优化算法设计了针对求解序列的编码体系;其次,采用多子种群并行搜索模式,重新设计了果蝇优化算法的搜索过程;然后,为了综合考虑多工位上相关装配操作成本的影响,提出了新的适应度函数表达式,并将适应度函数与优先序列矩阵结合起来对进化过程进行引导,实现了对产品装配序列和工位分配顺序的优化;最后,以飞机起落架为例,验证了所提方法在解决多目标优化问题方面的有效性。     

果蝇耦合均匀设计算法及其优化SVM参数

支持向量机的参数选择仍无系统的理论指导,且参数优化一直是支持向量机的一个重要研究方向。传统果蝇优化算法能够较快寻得一个较优的近似最优解,随后在该解的邻域继续迭代而造成寻优时间的严重增加。针对该问题构建了果蝇优化算法与均匀设计相耦合的果蝇耦合均匀设计算法,并将其用于支持向量机的参数优化。该算法首先利用果蝇优化算法并行寻优以快速得到所研究问题的一个较优近似最优解,然后跳转执行均匀设计的局部寻优,以获得一个更优的近似最优解。数值实验结果表明:该算法具有较快的寻优效率和较高的分类精度,验证了其在支持向量机参数优化中的有效性和可行性。     

双目标流水线调度的动态双子群离散果蝇算法

提出了一种基于动态双子群的离散果蝇优化算法,求解以最大完工时间和机床空闲时间的最小化为目标的无等待流水线调度问题。与传统的果蝇算法不同,该算法采用基于工序的编码方式,并用改进的NEH方法进行初始化,提高初始解的质量;根据算法在进化过程中个体的进化水平,动态地将整个群体划分为先进子群和后进子群,简单但有效地插入方法在先进个体邻域内进化精细搜索,贪婪迭代进化机制用于优化后进个体,以此平衡算法的全局开发能力和局部搜索能力;为了提高算法效率,快速算法用于计算函数目标值和判断更新非支配解。仿真试验表明了所提果蝇算法的有效性和高效性。     

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;通过种群最优信息的实时动态更新和局部深度搜索策略的引入,进一步提高该算法的收敛速度和收敛精度.采用13个基准测试函数和2个工程优化问题来验证所提出算法的可行性与有效性,仿真实验结果表明,与其他典型智能优化算法相比,所提出的优化算法具有全局搜索能力强、稳定性好、收敛速度快、收敛精度高等优势,可有效解决复杂的约束优化问题.     

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。     

改进的离散果蝇优化算法在WSNs覆盖中的应用

针对无线传感器网络( WSNs)随机部署产生的区域覆盖率低、节点利用率差问题,提出一种改进的离散果蝇优化算法( FOA)对WSNs覆盖进行优化.新算法引入自适应步长的分类嗅觉随机搜索和基于移民操作及精英库的多种群协同进化机制,提高了优化精度和效率.仿真实验结果表明:新算法有效解决了WSNs覆盖问题,在确保网络覆盖率最大化的同时节点利用率较大,延长网络寿命.