反向认知的高效果蝇优化算法
具有Lévy飞行和精英反向学习的果蝇优化算法
具有Lévy飞行和精英反向学习的果蝇优化算法杨菊蜻;张达敏;张慕雪;朱陈柔玲【期刊名称】《通信技术》【年(卷),期】2017(050)009【摘要】针对果蝇优化算法(FOA)寻优精度不高、容易陷入局部极值的缺陷,提出了一种具有莱维飞行搜索策略和精英反向学习的果蝇优化算法(LOBL-FOA).首先,采用莱维飞行搜索模式对果蝇寻优过程中位置更新方式进行改进,使得算法具有较强的全局寻优能力,并在一定程度上避免了算法的过早收敛;其次,对精英果蝇个体进行反向学习生成反向解,保留具有较优味道浓度的果蝇个体,从而提高了算法搜索精度;最后,对5个经典测试函数在固定迭代次数和固定寻优精度条件下进行仿真测试,并同参考文献算法进行对比,结果表明本文提出的改进果蝇优化算法相较于传统果蝇优化算法具有较强的寻优精度和收敛效率.%For the basic Fruit Fly Optimization Algorithm (FOA) has the shortcomings of low optimization precision and easily falling into local optimal value, a fruit fly optimization algorithm with Lévy flight and elite reverse learning (LO BL-FOA) is proposed. First of all, the Levy flight search mode is adopted to improve the location update way in fruit fly optimization process, thus making the algorithm with fairly strong global optimization ability and avoiding to a certain extent the premature convergence of the algorithm. Then the reverse learning of elite fruit fly individuals is used to generate inverse solutions, and the individual fruit flies with better taste concentration are retained, thus improving the searching accuracy of the algorithm. Finally,the simulation tests of 5 classical test functions under the condition of fixed iteration and fixed optimization precision are carried out, and compared with the reference algorithm. The experiment results show that the modified fruit fly optimization algorithm has much stronger optimization precision and convergence efficiency than the traditional fruit fly optimization algorithms.【总页数】7页(P1929-1935)【作者】杨菊蜻;张达敏;张慕雪;朱陈柔玲【作者单位】贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳 550025【正文语种】中文【中图分类】TP301.6【相关文献】1.一种基于lévy飞行轨迹的果蝇优化算法 [J], 郭德龙;杨楠;周永权2.具有Levy飞行特征的双子群果蝇优化算法 [J], 张前图;房立清;赵玉龙3.应用反向学习策略的果蝇优化算法 [J], 韩俊英;刘成忠4.融合Lévy飞行和精英反向学习的WOA-SVM多分类算法 [J], 何小龙;张刚;陈跃华;杨尚志5.具有Lévy飞行和反向学习的增强型人工蜂群算法 [J], 李星;张少平;邵鹏因版权原因，仅展示原文概要，查看原文内容请购买。
果蝇优化算法原理
果蝇优化算法原理果蝇优化算法（Fruit Fly Optimization Algorithm，简称FOA）是一种基于自然界果蝇觅食行为的优化算法。
该算法模拟了果蝇在寻找食物时的觅食策略，通过不断地迭代更新食物位置，以找到最优解。
FOA在求解复杂问题方面具有一定的优势，下面将对其原理进行详细介绍。
1. 算法初始化FOA的第一步是进行算法的初始化。
初始化过程中需要确定果蝇的数量、迭代次数、食物位置等参数。
具体步骤如下：（1）确定果蝇的数量：根据问题的复杂程度和规模，确定果蝇的数量。
较大的果蝇数量可以增加搜索空间，提高算法的收敛性。
（2）确定迭代次数：决定算法的收敛速度和效果。
通常情况下，迭代次数越多，算法的寻优效果越好。
（3）确定食物位置：根据问题的特性和约束条件，合理设定食物位置的初始值。
2. 果蝇的搜索行为果蝇在搜索食物时有两种行为模式：移动行为和调整行为。
具体介绍如下：（1）移动行为：果蝇根据当前的食物浓度决定自己的移动方向。
食物浓度高的地方，果蝇趋向于向该方向移动；反之，则向浓度低的地方移动。
（2）调整行为：当果蝇移动到新的位置后，会根据当前位置的食物浓度对其进行调整。
如果新位置的食物浓度优于原来的位置，则果蝇会调整自己的位置为新位置；否则保持不变。
3. 食物位置更新果蝇在搜索过程中通过更新食物位置来优化解的质量。
具体步骤如下：（1）随机选择一只果蝇：随机选择一只果蝇作为食物位置的更新对象。
（2）确定更新范围：根据问题的约束条件，确定食物位置的更新范围。
该范围内的随机变化有助于搜索更广的解空间。
（3）更新食物位置：将当前位置的食物浓度作为目标函数值，通过随机变化的方式更新食物位置。
如果新位置的目标函数值优于原来的位置，则更新为新位置；否则保持不变。
4. 确定最优解FOA通过迭代过程逐渐接近最优解，最终确定最优解的过程如下：（1）记录最优解：在每次更新食物位置时，记录当前最优的解。
具体的选择策略可以根据问题的特性和优化目标进行确定。
应用反向学习策略的果蝇优化算法
应用反向学习策略的果蝇优化算法韩俊英;刘成忠【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)004【摘要】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。
%The basic fruit fly optimization algorithm (FOA)tends to relapse into local extremum,being slow at convergence velocity and being low at convergence accuracy.To overcome these demerits,by introducing opposition learning policy to improve it,the paper puts forward a fruit fly optimization algorithm with opposition learning policy (OBLFOA).The algorithm introduces generalized opposition learning policy and dynamic opposition learning learning policy respectively into FOA’s population initialization and iterative optimization processes, so that it can obtain better and better population and individuals.With the gradual deepening of the iterative process,the evolutionary popula-tion quickly draws near the optimalresolution.Simulation results with 6 classical testing functions show that the new algorithm has gained significant improvements on convergence speed,convergence reliability and convergence accuracy.【总页数】4页(P157-160)【作者】韩俊英;刘成忠【作者单位】甘肃农业大学信息科学技术学院甘肃兰州 730070;甘肃农业大学信息科学技术学院甘肃兰州 730070【正文语种】中文【中图分类】TP301.6【相关文献】1.具有Lévy飞行和精英反向学习的果蝇优化算法 [J], 杨菊蜻;张达敏;张慕雪;朱陈柔玲2.反向认知的高效果蝇优化算法 [J], 韩俊英;刘成忠3.应用反向学习策略的群搜索优化算法 [J], 汪慎文;丁立新;谢大同;舒万能;谢承旺;杨华4.基于轮盘赌反向选择机制的果蝇优化算法 [J], 张静;高尚5.融合最优邻域扰动和反向学习策略的蝴蝶优化算法 [J], 李彦苍;卜英乔;朱海涛;杜尊峰因版权原因，仅展示原文概要，查看原文内容请购买。
以果蝇算法为主的群智能算法优化研究
以果蝇算法为主的群智能算法优化研究摘要：果蝇算法是一种群智能算法，通过仿照果蝇的觅食方式来实现全局优化，由模拟果蝇群体通过视觉、嗅觉和群体之间的相互竞争和合作而搜寻食物的过程，在很多领域发挥了巨大作用。
果蝇（FOA）算法和粒子群（PSO）算法、遗传（GA）算法相对比，有计算量小、计算速度快、精度较高的优势，参数容易调节，算法流程相对容易，可以实现高效率的理解仿真，迅速的收敛速率和较强的寻优功能也成为了它非常大的优势。
关键词：果蝇算法；优化；群智能1.引言群智能（Swarm）算法是在模仿群居动物协同达成任务的基础上产生的，一般用来处理各类复杂问题，模拟人类思维变化的社会行为是群智能探究学习的下一步任务。
人们的行为和思想等在任何时候都会由于彼此之间的影响从而变的很相似，这些就导致了道德规范及文化和形成。
与果蝇、鸟群的“思想碰撞”不同，人类的两种思想交汇于一处称之为“认同”或“一致”，如某个人的思想共同认知空间里的一点，那应该尽力接近它，相反则应疏远它，因此就形成了我们的社会共识：道德规范和习俗等。
Beni、Hackwood等最早研究并提出了群智能（Swarm），他们提出的的概念只是针对于机器人系统而言的。
随着蚁群算法等的相继诞生，Holland发现了复杂适应系统，群智能思想就此诞生。
2001年，Kennedy等总结了群智能算法和理论，他们认为Bonabeau等定义中“主体”的特殊性和自治性是很多群体没有的，它会严重阻碍群智能的大力推广和发展。
现如今，学术界仍然在讨论群智能的定义，很多理论还不是很成熟，但它拥有处理复杂系统的能力，这使得更多的专家们开始研究群智能理论。
学者们对于群智能的学习和研究渐入佳境，随着群智能相关研究的进展，它在各领域都起到了非常大的的作用。
群智能算法仅用到一些基本的数学方法理论，易于实现，计算也简单，一般的CPU和内存就可以处理数据。
此外，群智能比传统演化计算技术有明显优势：更强的鲁棒性、系统的扩充性、能够充分利用多处理器等。
果蝇优化算法 原理
果蝇优化算法（Fruit Fly Optimization Algorithm）1. 引言果蝇优化算法（Fruit Fly Optimization Algorithm，简称FOA）是一种基于自然界果蝇行为的启发式优化算法。
该算法模拟了果蝇在食物搜索过程中的行为，通过不断迭代和适应性调整来求解问题的最优解。
FOA算法具有较好的全局搜索能力和收敛性能，在多种问题领域都取得了良好的效果。
本文将详细介绍FOA算法的基本原理，包括问题建模、算法流程、关键步骤以及参数设置等内容。
2. 问题建模FOA算法可以用于求解各种优化问题，如函数优化、组合优化、参数寻优等。
首先我们需要将具体问题转化为一个数学模型，即定义目标函数和约束条件。
以函数优化为例，假设我们要求解一个连续型函数f(x)，其中x是决策变量。
我们的目标是找到使得目标函数取得最小值或最大值的决策变量值。
3. 算法流程FOA算法主要包含以下几个步骤：初始化种群、计算适应度、选择果蝇、更新位置和速度。
步骤1：初始化种群首先，我们需要初始化一定数量的果蝇个体作为初始种群。
每个果蝇个体都具有一组决策变量值，表示在问题空间中的一个解。
这些决策变量值可以随机生成，也可以根据问题的特点进行合理选择。
步骤2：计算适应度对于每个果蝇个体，我们需要计算其适应度值。
适应度值反映了该个体在问题空间中的优劣程度。
通常情况下，适应度值越高表示个体越优秀。
步骤3：选择果蝇根据计算得到的适应度值，我们需要选择一些优秀的果蝇个体作为下一轮迭代的父代。
常用的选择方法有轮盘赌选择、锦标赛选择等。
步骤4：更新位置和速度对于选中的父代果蝇个体，我们需要更新它们的位置和速度。
位置更新是通过当前位置加上速度得到的，速度更新则是通过当前速度加上一定变化量得到的。
这里需要注意控制位置和速度变化范围，避免过大或过小。
步骤5：终止条件判断在每次迭代后，我们需要判断是否满足终止条件。
终止条件可以是达到一定的迭代次数、目标函数值不再变化或适应度值不再改善等。
《果蝇优化算法及其应用研究》
《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FFOA）是一种基于生物行为的优化算法，其灵感来源于果蝇在寻找食物过程中的行为。
该算法通过模拟果蝇的觅食行为，实现全局搜索和局部搜索的有机结合，从而在解决复杂优化问题时表现出良好的性能。
本文将对果蝇优化算法的原理、实现方法及其应用进行研究，以期为相关领域的研究和应用提供参考。
二、果蝇优化算法原理果蝇优化算法的核心思想是模拟果蝇在寻找食物过程中的行为。
果蝇通过嗅觉和视觉等感知方式，寻找气味浓度高且距离近的食物源。
在寻找过程中，果蝇会不断调整飞行方向和速度，以最快速度到达食物源。
果蝇优化算法借鉴了这一行为，通过迭代搜索和优化，寻找问题的最优解。
具体而言，果蝇优化算法将问题的解空间视为果蝇的搜索空间，将问题的目标函数视为食物源的吸引力。
算法通过初始化一群果蝇，让它们在解空间中随机搜索。
在每次迭代中，果蝇根据自身的搜索经验和周围果蝇的反馈信息，调整搜索方向和步长，以寻找更好的食物源。
当找到更优解时，算法会更新解的空间和目标函数的信息，继续进行下一轮迭代搜索。
三、果蝇优化算法的实现方法果蝇优化算法的实现主要包括以下几个步骤：1. 初始化果蝇群体：在解空间中随机生成一定数量的果蝇，每个果蝇代表一个解。
2. 评估解的质量：根据目标函数计算每个解的质量（即食物源的吸引力）。
3. 搜索过程：果蝇根据自身的搜索经验和周围果蝇的反馈信息，调整搜索方向和步长，进行全局和局部搜索。
4. 更新解的信息：当找到更优解时，更新解的空间和目标函数的信息。
5. 迭代过程：重复步骤2-4，直到满足停止条件（如达到最大迭代次数或解的质量达到预设阈值）。
四、果蝇优化算法的应用果蝇优化算法具有广泛的适用性，可以应用于许多领域。
以下是几个典型的应用案例：1. 函数优化：果蝇优化算法可以用于求解各种函数的最优解，如单峰函数、多峰函数等。
果蝇优化算法研究综述
果蝇优化算法研究综述李少波;赵辉;张成龙;郑凯【摘要】果蝇优化算法(FOA)是一种新兴的群体智能算法,其思想来源于果蝇群体觅食行为.为进一步推广应用FOA并为深入研究该算法提供相关资料,在分析FOA 基本原理和优缺点的基础上,从FOA各种改进技术及其应用等方面进行深入调查,论述了该算法的改进策略,并阐述了FOA在复杂函数优化、参数优化和组合优化等方面的应用.最后对FOA发展趋势做出展望.%Fruit fly optimization algorithm(FOA)is a new group of intelligent algorithms,the idea of fruit fly from the group foraging behavior.In order to further popularize and apply FOA and provide relevant information for further study of the algorithm,based on the analysis of FOA basic principle and advantages and disadvantages,the improvement strategy of FOA from various aspects of improvement technology and its application are discussed,and the application of FOA in complex function optimization, parameter optimization and combinatorial optimization is expounded.Finally,the development trend of FOA is proposed.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)001【总页数】9页(P163-171)【关键词】果蝇优化算法;改进策略;应用研究【作者】李少波;赵辉;张成龙;郑凯【作者单位】贵州大学机械工程学院,贵阳550025;贵州大学机械工程学院,贵阳550025;贵州大学大数据与信息工程学院,贵阳550025;贵州大学机械工程学院,贵阳550025【正文语种】中文【中图分类】TP18近年来，以蚁群算法[1](ACO)、粒子群算法[2](PSO)、人工蜂群算法[3](ABCA)等为代表的群体智能算法不断发展，渐渐成为人们解决复杂问题的有力工具。
具有记忆的果蝇优化算法
具有记忆的果蝇优化算法白露;王丽芳【摘要】针对基本的果蝇优化算法(FOA)在寻优进化过程中,极易陷入局部极值区域致使算法的收敛精度和收敛速度下降的缺点,提出了一种改进的果蝇优化算法PFOA.从微粒群算法(PSO)更新粒子的方法中得到启发,在果蝇优化算法中加入了个体经验信息和群体经验信息.PFOA使果蝇个体在寻优进化过程中充分地利用了种群历史信息来增加种群的多样性,从而使果蝇个体能够跳出局部最优解区域,提高算法收敛精度和速度.经过对标准测试函数的仿真实验,表明PFOA在收敛精度、收敛速度上比其他FOA具有明显的提高.%In order to overcome the problems of low convergence precision and easily relapsing into local optimum in the optimization process of the fruit fly algorithm (FOA),this paper presents an improved algorithm PFOA.Inspired by the Particle Swarm Optimization (PSO),the memory of each individual and the memory of the best individual are added into the new algorithm PFOA.In the optimization process,PFOA increases the diversity of fruit fly population and makes fruit fly escape from local optimum,thus improving the algorithm convergence accuracy and speed.The experiment results of standard test functions show that PFOA is better than the other FOAs in convergence accuracy and convergence speed,and the global convergence ability of population has been improved.【期刊名称】《太原科技大学学报》【年(卷),期】2017(038)003【总页数】6页(P172-177)【关键词】果蝇优化算法;微粒群算法;适应度值【作者】白露;王丽芳【作者单位】太原科技大学复杂系统与智能计算实验室,太原 030024;太原科技大学复杂系统与智能计算实验室,太原 030024【正文语种】中文【中图分类】TP18果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是由著名学者潘文超博士在2011年提出的一种全新的群智能全局优化算法[1-2],该算法思想来自果蝇种群自觉觅食的过程。
果蝇优化算法(FOA)步长改进及其多元函数最优化方法
果蝇优化算法(FOA)步长改进及其多元函数最优化方法
马超; 董玲
【期刊名称】《《数学学习与研究：教研版》》
【年(卷),期】2013(000)013
【摘要】果蝇优化算法(FOA)模拟果蝇群体利用嗅觉和视觉寻找食物的方法来寻找最优值.本文根据算法的特点分析了影响收敛速度的因素,通过变步长方式得到改进的FOA.另外还提出了多元函数最优问题的FOA方法.在对Schaffer函数的全局最优过程中,经过变步长的FOA收敛速度大大提高(与理论最优值的误差以指数速度下降),在计算速度和收敛精度方面都远远优于遗传算法.
【总页数】3页(P90-92)
【作者】马超; 董玲
【作者单位】华北电力大学数理系
【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种改进的果蝇优化算法求解连续函数优化问题 [J], 杨立君;付雅琴;殷旅江;邓义成
2.一种面向多模函数改进的果蝇优化算法 [J], 张磊;刘成忠
3.改进步长与策略的果蝇优化算法 [J], 桂龙;王爱平;丁国绅
4.基于指数函数步长的果蝇优化算法 [J], 吴易轩;邓艳;廖淑珍;苏相琴
5.改进的变步长果蝇优化算法 [J], 朱富占;邹海;丁国绅
因版权原因，仅展示原文概要，查看原文内容请购买。
基于细菌趋化的果蝇优化算法
基于细菌趋化的果蝇优化算法0引言果蝇优化算法（Fruit Fly Optimization Algorithm， FOA）由潘文超在2011年6月提出，并刊登于国际SCI期刊“知识库系统（Knowledgebased systems）”。
FOA是一类新的全局优化进化算法，该算法源于对果蝇觅食行为的模拟[1-2]，可广泛应用于科学和工程领域，也可混合其他的数据挖掘技术一起使用[1-2]，现已将其成功应用于求解数学函数极值、微调ZSCORE模型系数、广义回归神经网络参数优化与支持向量机参数优化等。
由于FOA提出较晚，目前国内外的研究尚处于起步阶段，研究成果还很少，理论也不成熟，因此迫切需要展开FOA的相关研究。
FOA与其他群智能算法比较，不但算法简单容易理解（如粒子群算法，蚁群算法的优化方程是二阶微分方程[3]，而FOA的优化方程是一阶微分方程），程序代码易于实现，运行时间较少；而且FOA只需调整四个参数，其他的群智能算法至少要调整七八个参数，参数之间的相互影响和复杂关系很难研究清楚，但参数的取值不当，会严重影响算法的性能，导致分析算法复杂度变得异常困难。
但同时FOA与其他全局优化算法（如遗传算法、粒子群算法等）一样，极易陷入局部最优，导致后期收敛速度变慢，收敛精度降低，尤其是对于高维多极值复杂优化问题。
本文受细菌趋化行为的启发，提出基于细菌趋化的果蝇优化算法（FOA based on Bacterial Chemotaxis，BCFOA），将细菌趋化行为中的吸引与排斥转换操作引入到FOA中，通过判断群体适应度方差是否为零来决定执行排斥操作（逃离最差个体）还是吸引操作（向最优个体靠近），解决FOA中只向最优个体靠近，而导致种群多样性丢失引起的早熟收敛问题。
4个基准测试函数的对比实验结果说明所提出的基于细菌趋化的果蝇优化算法优于基本的果蝇优化算法。
1细菌趋化细菌对化学刺激的反映对其生存有着重要的意义，细菌趋化是细菌群体在觅食过程中的一种重要现象。
一种新型的改进果蝇优化算法
一种新型的改进果蝇优化算法戈涛; 张馨【期刊名称】《《现代计算机（专业版）》》【年(卷),期】2019(000)029【总页数】5页(P16-20)【关键词】果蝇优化算法; 全局优化; 多峰值函数; 随机策略【作者】戈涛; 张馨【作者单位】合肥市现代职业教育公共实训中心合肥 230012; 安徽大学计算机科学与技术学院合肥 230601【正文语种】中文0 引言果蝇优化算法是台湾学者潘文超在2011 年提出的新型群体智能优化算法[1-2]，主要是模拟果蝇搜寻食物的过程，果蝇有着优于其他物种的敏感嗅觉器官，能够嗅到漂浮在几十公里外空气中的各种食物味道，当靠近食物位置时又能通过其敏锐的视觉找到食物和同伴，并向味道浓度最大的方向飞去。
果蝇算法就是通过模拟此过程并不断迭代寻优以求得问题的最优解。
果蝇优化算法自诞生之日起就以其算法简单、调整参数少、易实现等优点而受到广大学者的青睐，现已被广泛应用与求解函数优化[3]、PID 控制参数优化[4]、最小二乘支持向量机参数优化[5]、置换流水线调度[6]、LSSVR 干燥速率建模[7]、多维背包问题[8]等。
随着对果蝇优化算法的不断深入研究，算法本身也暴露出了不可忽视的缺点。
果蝇优化算法在求解单峰值函数时尚能表现出良好的寻优效果，但是在求解多峰值或者高维度的复杂优化问题时很难达到理想的效果。
为了解决原始果蝇优化算法自身存在的收敛速度慢、寻优精度低、易陷入局部最优等问题，本文提出了一种新型的果蝇优化算法，将本文方法与原始果蝇优化算法及改进的果蝇算法DS-FOA 和LGMS-FOA 进行仿真对比，实验结果表明，本文所提出的算法在收敛效果和寻优速度上有了明显提高且具有更高的稳定性。
1 基本果蝇优化算法介绍1.1 FOA算法描述在基本果蝇优化算法中，每只果蝇个体会被随机的分布在一个N 维的特定搜索空间，其搜索步长固定不变，搜寻食物的方向具有随机性，每个果蝇个体都携带有味道浓度，该值与味道浓度判定值有关，由于在初始阶段不知道食物的具体位置，因此把每个果蝇个体与原点距离的倒数作为判断味道浓度判定值的依据，将该值代入目标函数以求得果蝇个体的味道浓度值，味道浓度值越小的果蝇距离食物源的位置越近（适用于最小优化问题），记录下果蝇群体中味道浓度值最小的果蝇位置，其他果蝇凭借敏锐的嗅觉飞往该位置，最后通过迭代不断更新果蝇群体中的最佳位置，直到迭代结束找到问题的最优解。
自适应调整参数的果蝇优化算法
自适应调整参数的果蝇优化算法韩俊英;刘成忠【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)007【摘要】针对基本果蝇优化算法因参数选取不当而导致的收敛精度偏低且不稳定的问题，提出了自适应调整参数的果蝇优化算法（FOA with Adaptive Parameter，FOAAP）。
该算法在每个进化代输入描述种群整体特征的精确数值，由逆向云发生器算法得到当代云模型的3个数字特征C(Ext'Ent'Het)，按照U 条件隶属云发生器自适应调整果蝇个体搜寻食物的方向与距离Value这一参数。
将该算法在函数优化中，与基本果蝇优化算法以及相关文献中算法进行仿真对比，结果表明，新算法在收敛速度、收敛可靠性及收敛精度方面具有明显优势。
%In order to overcome the problems of FOA, such as low convergence precision and unstable convergence resulted from improper random parameter, an improved FOA is proposed, called Fruit Fly Optimization Algorithm with Adaptive Parameter(FOAAP). In each evolutionary generation, the accurate values describing the characteristics of the overall species are input, 3 digital characteristics C(Ext'Ent'Het) of the contemporary cloud model are obtained by backward cloud generator, then using U conditions membership cloud generator, the parameter Value is adaptively adjusted, which is Fruit Fly’s searching distance and direction for food. FOAAP is compared with FOA and other algorithms in reference literatures, experimental results show that FOAAP has theadvantages of speeder convergence, higher convergence preci-sion and higher convergence reliability.【总页数】6页(P50-55)【作者】韩俊英;刘成忠【作者单位】甘肃农业大学信息科学技术学院，兰州 730070;甘肃农业大学信息科学技术学院，兰州 730070【正文语种】中文【中图分类】TP18【相关文献】1.基于自适应果蝇优化算法的电地热温度控制系统PID参数优化 [J], 张亭亭;陈大军;王盛慧2.基于自适应步长果蝇优化算法图像分割 [J], 宋杰; 许冰; 杨淼中3.独立自适应调整参数的粒子群优化算法 [J], 张其文; 尉雅晨4.基于自适应果蝇优化算法的分层异构无线传感器网络三维优化部署 [J], 刘鹏;孟欣;唐苏琼;唐震洲5.自适应果蝇优化算法在WSN节点覆盖优化中的应用 [J], 王楚柯;陆安江;吴意乐因版权原因，仅展示原文概要，查看原文内容请购买。
《果蝇优化算法及其应用研究》范文
《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的优化算法，它以果蝇觅食行为为灵感，通过模拟果蝇的寻食行为来寻找最优解。
该算法具有简单易行、收敛速度快、全局搜索能力强等优点，因此在众多领域得到了广泛的应用。
本文将介绍果蝇优化算法的基本原理、特点及在各领域的应用研究。
二、果蝇优化算法的基本原理果蝇优化算法的基本原理是模拟果蝇在寻找食物过程中的行为。
算法首先随机生成一组解，然后根据一定的评价函数计算每个解的适应度。
接着，算法通过果蝇的嗅觉和视觉机制，逐步向最优解逼近。
在寻优过程中，果蝇会根据食物源的气味和亮度信息不断调整其飞行方向和速度，以寻找更优质的食物源。
当果蝇找到更优质的食物源时，会利用其嗅觉和视觉机制与其他果蝇共享信息，使得整个群体逐渐向最优解靠拢。
三、果蝇优化算法的特点果蝇优化算法具有以下特点：1. 简单易行：算法实现简单，易于理解和操作。
2. 收敛速度快：算法具有较快的收敛速度，能在较短的时间内找到较优解。
3. 全局搜索能力强：算法通过模拟果蝇的觅食行为，具有较强的全局搜索能力，能够找到更好的解。
4. 鲁棒性好：算法对初始解的依赖性较小，具有较强的鲁棒性。
5. 易于与其他算法结合：果蝇优化算法可以与其他优化算法相结合，形成混合优化算法，进一步提高优化效果。
四、果蝇优化算法的应用研究果蝇优化算法在众多领域得到了广泛的应用，如函数优化、组合优化、图像处理等。
下面将分别介绍这些领域中果蝇优化算法的应用研究。
1. 函数优化：果蝇优化算法可以用于求解各种函数的最优解。
例如，可以通过果蝇优化算法求解多元非线性函数的极值问题，以获得更优的解。
2. 组合优化：果蝇优化算法也适用于解决组合优化问题。
例如，在路径规划、网络流等问题中，可以利用果蝇优化算法寻找最优路径或最优网络结构。
3. 图像处理：果蝇优化算法还可以用于图像处理领域。
《果蝇优化算法及其应用研究》范文
《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的优化算法，它以果蝇觅食行为为灵感，通过模拟果蝇的寻食行为，实现对复杂问题的优化求解。
该算法具有简单易实现、计算效率高、全局搜索能力强等优点，因此在众多领域得到了广泛的应用。
本文将对果蝇优化算法的原理、实现方法以及应用领域进行详细的研究和探讨。
二、果蝇优化算法的原理与实现1. 算法原理果蝇优化算法的基本思想是模拟果蝇的觅食行为。
在觅食过程中，果蝇会根据其感官系统感知到的气味浓度梯度信息，快速找到食物源。
FOA算法借鉴了这一特点，通过模拟果蝇的寻食过程，实现对问题的优化求解。
2. 算法实现果蝇优化算法的实现主要包括初始化、寻优过程和结果输出三个步骤。
首先，算法需要初始化果蝇群体的位置和速度等参数；然后，通过模拟果蝇的寻食行为，不断更新果蝇的位置和速度，寻找最优解；最后，输出最优解及对应的果蝇位置。
三、果蝇优化算法的应用领域1. 函数优化问题果蝇优化算法在函数优化问题中具有较好的应用效果。
通过对不同维度的函数进行优化求解，可以验证FOA算法的优化能力和全局搜索能力。
2. 机器学习领域果蝇优化算法可以应用于机器学习领域的特征选择和参数优化等问题。
通过对特征进行选择和参数进行优化，可以提高机器学习模型的性能和泛化能力。
3. 物流与路径规划问题果蝇优化算法还可以应用于物流与路径规划问题中。
通过对物流网络和路径进行优化，可以提高物流效率和降低成本。
四、案例分析以函数优化问题为例，介绍果蝇优化算法的应用。
假设我们需要求解一个二维函数的最大值问题。
首先，我们初始化果蝇群体的位置和速度等参数；然后，通过模拟果蝇的寻食行为，不断更新果蝇的位置和速度，寻找最优解；最后，输出最优解及对应的果蝇位置。
通过实验验证，果蝇优化算法能够快速找到该函数的最大值，且具有较好的全局搜索能力。
五、结论与展望果蝇优化算法作为一种新型的优化算法，具有简单易实现、计算效率高、全局搜索能力强等优点。
求解高维函数的果蝇免疫协同优化算法
求解高维函数的果蝇免疫协同优化算法
张晓茹;王丹;周锦程
【期刊名称】《计算机与数字工程》
【年(卷),期】2024(52)1
【摘要】果蝇是一种仅依赖其先天性免疫应答机制,即可高效抵御外来入侵者的简单生物。
受此免疫机理的启发,论文将模拟果蝇先天性免疫机理设计种群划分及各子群的进化模块,尝试探讨果蝇免疫协同优化算法。
该设计思想简洁易懂,内外循环的平衡以及协同思想的设计,使得在保证算法优化效果的前提下,很大程度上提高了算法效率。
大量实验表明,该算法在寻优能力、搜索效率及对高维函数的优化方面均具有明显优势。
【总页数】6页(P105-110)
【作者】张晓茹;王丹;周锦程
【作者单位】黔南民族医学高等专科学校;黔南民族师范学院数学与统计学院;黔南民族师范学院复杂系统与智能优化实验室;黔南民族师范学院计算机与信息学院【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.求解高维函数的改进萤火虫群优化算法
2.求解高维复杂函数的混合蛙跳–灰狼优化算法
3.求解高维复杂函数的两类新型蝗虫优化算法
4.求解高维复杂函数的两类新型蝗虫优化算法
5.求解高维复合体函数的智能优化算法
因版权原因，仅展示原文概要，查看原文内容请购买。
《果蝇优化算法及其应用研究》
《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的优化算法，它通过模拟果蝇的觅食行为来寻找最优解。
该算法具有简单易实现、搜索能力强、收敛速度快等优点，因此在许多领域得到了广泛的应用。
本文将介绍果蝇优化算法的基本原理、特点及其在各个领域的应用研究。
二、果蝇优化算法的基本原理果蝇优化算法的基本思想是模拟果蝇在寻找食物过程中的行为。
果蝇通过嗅觉和视觉感知周围环境中的果味和颜色等信息，然后根据这些信息选择最优的飞行路径，最终找到食物源。
在果蝇优化算法中，将待求解的问题转化为寻找最优解的过程，通过模拟果蝇的觅食行为来寻找最优解。
具体而言，果蝇优化算法首先初始化一定数量的果蝇，并在搜索空间中随机分布。
然后，根据果蝇的感知能力，计算每个果蝇与已知食物源的距离以及各个食物源之间的相对吸引力。
接着，根据这些信息，果蝇选择最优的飞行路径，向食物源飞去。
在飞行过程中，果蝇会不断更新自己的位置和速度，以适应环境的变化。
当果蝇到达食物源时，记录下该食物源的位置和价值，然后返回初始位置。
通过多次迭代，算法逐渐收敛到最优解。
三、果蝇优化算法的特点果蝇优化算法具有以下特点：1. 简单易实现：算法的思路清晰，易于编程实现。
2. 搜索能力强：算法通过模拟果蝇的觅食行为来寻找最优解，具有强大的搜索能力。
3. 收敛速度快：算法采用迭代的方式逐渐收敛到最优解，收敛速度较快。
4. 适用范围广：算法可以应用于多种类型的优化问题，如函数优化、组合优化等。
四、果蝇优化算法的应用研究果蝇优化算法已经广泛应用于许多领域，如函数优化、图像处理、网络安全等。
下面将介绍几个典型的应用研究案例。
1. 函数优化：果蝇优化算法可以用于求解各种类型的函数优化问题。
例如，通过优化函数的参数，使得函数值达到最小或最大。
与其他优化算法相比，果蝇优化算法具有更好的搜索能力和收敛速度。
果蠅算法 西安 大學
果蠅算法西安大學果蝇优化算法(Fruit Fly Optimization Algorithm，FOA)和蚁群算法、粒子群算法类似，属于群体智能或者说是群智能算法的范畴，它们都必须通过迭代的搜寻才能找到最优解。
其基本概述如下：果蝇优化算法是一种基于果蝇觅食行为推演出寻求全局优化的新方法。
果蝇本身在感官知觉上优于其他物种，尤其在嗅觉与视觉上，果蝇的嗅觉器官能很好地搜集漂浮于空气中的各种气味，甚至能嗅到40公里以外的食物源，然后，飞近食物位置后亦可使用敏锐的视觉发现食物与同伴聚集的位置，并且向该方向飞去。
总结果蝇群体迭代搜寻食物的步骤：1、随机初始化果蝇群体位置。
Init x_axis,y_axis2、赋予果蝇个体利用嗅觉搜寻食物的随机方向与距离。
xi=x_axis+Random Value;yi=y_axis+Random Value3、由于无法得知食物位置，因此先估计与原点的距离（Dist），再计算味道浓度判定值（S），此值为距离的倒数。
Dist=sqrt（x_i^2+y_i^2）;Si=1/Dist4、味道浓度判定值（S）代入味道浓度判定函数以求出该果蝇个体位置的味道浓度（Smelli）。
Smelli=Function（Si）5、找出此果蝇群体中味道浓度最高的果蝇（求极大值）[bestSmell bestIndex]=max（Smell）6、保留最佳味道浓度值与x，y坐标，此时果蝇群体利用视觉往该位置飞去。
Smellbest=bestsmell;x_axis=x(bestIndex);y_axis=y(bestIn dex)7、进入迭代寻优，重复执行步骤2-5，并判断味道浓度是否优于前一味道浓度，若是则执行步骤6。
果蝇优化算法研究进展
果蝇优化算法研究进展王凌;郑晓龙【期刊名称】《控制理论与应用》【年(卷),期】2017(034)005【摘要】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.%As a novel swarm intelligence based optimization algorithm, the fruit fly optimization algorithm (FOA) inspired by the foraging behavior of fruit flies with vision and smell is easy to understand, implement and has few control parameters. During recent years, the research of the FOA has attracted wide attention, and the FOA and its variants have gained successful applications in many engineering optimization fields. After stating the idea and mechanism to design the FOA, the advances in the research of the FOA are surveyed in details, including the improvement work in terms of maintaining the diversity of the population, designing the knowledge driven strategy and the collaborative mechanisms. Moreover, the generalized research work of theFOA in the fields of discrete optimization, multi-objective optimization and uncertain optimization are also introduced. In addition, the typical applications of the FOA are reviewed. Finally, some future research directions and contents in terms of theory, design, extension and applications of the FOA are pointed out.【总页数】7页(P557-563)【作者】王凌;郑晓龙【作者单位】清华大学自动化系,北京100084;清华大学自动化系,北京100084【正文语种】中文【中图分类】TP18【相关文献】1.果蝇优化算法和粒子群优化算法的应用对比 [J], 高东磊;刘友宽;苏杰;李晓娇2.基于果蝇优化算法的零件图像边缘检测算法研究及应用 [J], 谢昕;王伟如;万天成;江勋绎;胡锋平3.基于分组协同进化策略的果蝇优化算法研究 [J], 胡天;戴宝赋;谭建军;孙先波;黄勇;朱黎;易金桥4.基于果蝇优化算法的无人机航路规划方法 [J], 张国印;孟想;李思照5.基于果蝇优化算法的雷达杂波统计模型参数估计方法 [J], 齐小燕因版权原因，仅展示原文概要，查看原文内容请购买。
反向认知的高效果蝇优化算法_韩俊英
部搜索能力，本文采用反向认知的改进策略，提出基于最 优和最差个体协同学习的果蝇优化算法 (Best-Worst-FOA, BWFOA)。
2
果蝇优化算法
FOA 是一种从果蝇的觅食行为中得到启发的现代启发 式算法。与粒子群优化(Particle Swarm Optimization, PSO) 算法类似，该算法也是基于群体与适应度( 即味道浓度) 这 2 个概念，果蝇个体代表问题的一个可能解，每个果蝇具有 视觉和嗅觉 2 个属性，利用嗅觉搜寻食物源，飞近食物位 置后再利用视觉发现食物与同伴聚集的位置，且往该方向 飞去[4]。 果蝇个体位置的味道浓度值即可作为该果蝇个体的 适应度函数值，通过味道浓度衡量果蝇个体的优劣。依据 果蝇搜索食物特性，将果蝇优化算法归纳为 7 个步骤[2]： (1) 给定群体规模 Sizepop ，最大迭代数 Maxgen ，随 机初始化果蝇群体位置 X_axis , Y_axis 。 (2) 赋予果蝇个体利用嗅觉搜寻食物的随机方向与距 离， RandomValue 为搜索距离：
保留最佳味道浓度值 bestSmell 与其 Xb、Yb 坐标，而且还记 录并保留最差味道浓度值 worstSmell 与其 Xw、Yw 坐标，这 时果蝇群体利用视觉向递减的动态变化系数 调整的最优 个体与最差个体协同决定的位置飞去。
(2) (3)
4
4.1
实验设计及结果分析
(4) 将味道浓度判定值 Si 代入味道浓度判定函数( 或称 为适应度函数)， 用来求出果蝇个体位置的味道浓度 Smelli ：
第 39 卷 第 11 期 Vol.39 No.11 ・人工智能及识er Engineering
文章编号：1000—3428(2013)11—0223—03 文献标识码：A
果蝇算法
无线传感器网络(Wireless Sensor Networks, WSN)是一种分布式传感网络，由大量可移动的微型传感器节点以自组织的方式组成，信息通过节点进行多跳传输。
在无线传感器网络覆盖问题上，传统的节点部署策略会出现部署速度慢，覆盖范围小，服务质量差等问题。
目前已有多种智能算法运用在无线传感器网络的覆盖优化问题上，例如粒子群算法、鱼群算法、遗传算法等。
本文将提出一种改进的果蝇算法，实现网络覆盖的优化。
果蝇算法具有很多优点，例如计算量较小，运行时间短，算法复杂度低，且寻优精度较高等。
本文将果蝇算法与WSN覆盖模型相结合，可以快速实现节点布局优化，得到更高的网络覆盖率。
通过仿真对比实验，可以看出本文的改进果蝇算法的有效性和优越性，在寻优性能方面能够大幅度优于其它几种算法。
【关键词】：WSN；果蝇算法；传感器节点；覆盖优化；1 引言无线传感器网络[1]是一种分布式传感，面对多节点、多任务的无线自组织网络。
无线传感器网络是由大量部署在监测区域内的传感器节点组成，通过传感器节点对监测区域的信息进行实时收集。
WSN作为一门新的技术，被广泛应用于军事领域、农业生产、生态监测与灾害预警、基础设施状态检测、工业领域、智能家居等。
传感器网络的一个关键问题就是节点的部署优化，对于如何提高网络的覆盖率、降低网络的能耗、简化网络模型，最终提高服务质量，这是目前研究的一大热门问题，也是未来无线传感技术发展的基础。
目前已有多种智能算法运用在无线传感器网络的覆盖优化问题上，例如粒子群算法、鱼群算法、遗传算法等。
这些算法虽然在覆盖的优化问题上取得了良好的效果和重大的进步，但依然存在着一些明显的不足，例如某些算法的结构过于复杂，导致整体的计算速度太慢，达不到实时的要求，某些算法的性能太差，导致最后的覆盖效果太差，远远达不到用户的服务要求，某些算法的参数太多，导致网络模型过于复杂，实际的部署方式往往不容易做到，等等。
因此本文将运用一种改进的果蝇算法，解决以上算法在无线传感器网络覆盖优化问题上的弊端，实现对网络覆盖的进一步优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｄ ＯＩ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ３ ４ ２ ８ ． ２ ０ １ ３ ． １ １ ． ０ ５ ０
１ 概述
果蝇优化算法（ Ｆ ｒ ｕ ｉ ｔ ｌ ｆ ｙ Ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， Ｆ Ｏ Ａ ） 是
一
部搜索能力 ，本文采用反向认知的改进策略，提出基于最
优和最差个体协 同学习的果蝇优化算法（ Ｂ ｅ ｓ ｔ — Ｗｏ ｒ ｓ ｔ — Ｆ Ｏ Ａ ，
Ｅｆ ｉｃ ｆ ｉ ｅ ｎｔ Ｆｒ ｕｉ ｔ Ｆｌ ｙ Ｏｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｗｉ ｔ ｈ Ｒｅ ｖ ｅ ｒ ｓ ｅ Ｃｏ ｇ ｎｉ ｔ ｉ ｏ ｎ
Ｈ ＡＮ Ｊ ｕｎ － ｙ ｉ ｎｇ ， ＬＩ Ｕ Ｃｈｅ ｔ ｉ ｏ ｎ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｇ ａ ｎ ｓ ｕ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｌ ａ ｎ ｚ ｈ ｏ ｕ ７ ３ ０ ０ ７ ０ ， Ｃ ｈ ｉ ｎ ａ ） ［ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ］ Ｃ ｏ ｎ ｓ ｉ ｄ ｅ ｒ ｉ ｎ ｇ ｔ ｈ ｅ ｐ ｒ ｅ ｍａ ｔ ｕ ｒ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ Ｆ ｒ ｕ ｉ ｔ ｌ ｆ ｙ Ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ （ Ｆ Ｏ Ａ ） ， ａ ｎ ｅ ｗ ｃ ｏ ｌ ｌ ａ ｂ ｏ ｒ ａ ｔ ｉ ｖ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ Ｆ Ｏ Ａ
ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｎ ｅ ｗ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｈ ａ ｓ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｓ ｏ ｆ ｂ ｅ ｔ ｔ ｅ ｒ ｇ ｌ ｏ ｂ ａ ｌ ｓ ｅ ａ ｒ ｃ ｈ ａ ｂ ｉ ｌ ｉ ｙ， ｔ ｓ ｐ ｅ ｅ ｄ ｅ ｒ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｍｏ ｒ ｅ ｐ ｒ ｅ ｃ ｉ ｓ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ．
Ｔ ｈ ｅ ａ ｂ ｉ ｌ ｉ ｙ ｔ ｏ ｆ ｔ ｈ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｈｍ ｔ ｔ ｏ ｂ ｒ ｅ ａ ｋ ａ ｗａ ｙ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｌ ｏ ｃ ａ ｌ ｏ ｐ ｔ ｉ ｍｕ ｍ ａ ｎ ｄ ｔ ｏ ｉ ｆ ｎ ｄ ｔ ｈ ｅ ｇ ｌ ｏ ｂ ａ ｌ ｏ ｐ ｔ ｉ ｍｕ ｍ ｉ ｓ ｇ ｒ ｅ ａ ｔ ｌ ｙ ｅ ｎ ｈ ａ ｎ ｃ ｅ ｄ ． Ｅｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｔ ｌ ｆ ￣
ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｂ ｅｓ ｔ ａ ｎ ｄ ｔ ｈｅ ｗｏ ｒ ｓ ｔ ｉ ｎ ｄｉ ｖ ｉ ｄ ｕ ａ ｌ ｉ ｓ ｐｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ．Ｔｈ ｅ ｅ ｖ ｏ ｌ ｕｔ ｉ ｏ ｎ ａ ｒ ｙ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｏ ｐｔ ｉ ｍｉ ｚ ｅ ｄ ｂｙ ａ ｄ ｄｉ ｎ ｇ ｌ ｅ ａ ｍｉ ｎ ｇ ｔ ｈ ｅ ｗｏ ｒ ｓ ｔ ｉ ｎｄ ｉ ｖｉ ｄ ｕａ ｌ ｔ ｏ ｉ ｔ ．
添加 向最差 个体 学 习的改进 策 略 ，优化 进化 方程 ，增强 算法 跳 出局 部最 优 、寻找 全局 最优 的能 力 。对 经典 测试 函数 的仿 真结 果表
明 ，该算 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 比其他 算法 有较 大 的提高 。 关健 词 ：果 蝇优 化 ；群体 智能 ；反 向认 知 ；协 同学 习 ；优 化 进化 方程 ；收敛 精度
［ Ｋ ｅ ｙ ｗ ｏ ｒ ｄ ｓ ］ｆ ｒ ｕ ｉ ｔ ｌ ｆ ｙ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ； ｓ ｗ ａ ｒ ｍ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ； ｒ ｅ ｖ ｅ ｒ ｓ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ； ｃ ｏ ｌ ｌ ａ ｂ ｏ ｒ ａ ｔ ｉ ｖ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ；ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ；
第 ３ ９卷 第 １ １ 期
Ｖｂ ｌ ＿ ３ ９
ＮＯ ． １ １
计
算
机
工
程
２ ０ １ ３ 年 １ １月
Ｎｏ ｖ ｅ ｍｂ ｅ ｒ ２ ０１ ３
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｅｎｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
・
人 工智能及识别技术 ・
文章编号：１ ｏ ０ ｏ ＿ ’ － ３ ４ ２ ８ （ ２ ０ １ ３ ） １ １ — ０ ２ ２ ３ — ０ ３
文献标识 码： Ａ
中 圈分类号， Ｔ Ｐ ３ ０ １ ． ６
反 向认知 的 高效 果 蝇优 化 算 法
韩俊英，刘成忠
（ 甘肃 农业 大 学信息 科学 技术 学 院 ，兰 州 ７ ３ ０ ０ ７ ０ ） 摘 要 ：针 对果 蝇 优化 算法 的 早熟 收敛 问题 ，提 出一种 基于 最 优和 最差 个体 协 同学 习 的果 蝇优 化 算法 。该 算法 通过 在进 化 方程 中