引入牽引機(jī)制的果蠅優(yōu)化算法及其應(yīng)用研究.pdf

1、群體智能算法是解決復(fù)雜優(yōu)化問(wèn)題的一種重要方式。該方法主要通過(guò)模擬自然界中的某些生物行為，在可行解空間通過(guò)逐步迭代的方式得出待優(yōu)化問(wèn)題的結(jié)果。相比梯度下降等傳統(tǒng)優(yōu)化算法，群體智能優(yōu)化算法具有較強(qiáng)的魯棒性，在實(shí)際應(yīng)用中也十分容易實(shí)現(xiàn)。群體智能算法為解決復(fù)雜的參數(shù)優(yōu)化問(wèn)題提供了新的思路，受到了相關(guān)學(xué)者的廣泛關(guān)注并成功解決了許多優(yōu)化難題。果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)是近年來(lái)提出的一種新

2、型群體智能算法，有著計(jì)算量低，收斂速度快，流程簡(jiǎn)單的特點(diǎn)。目前果蠅優(yōu)化算法已經(jīng)在科研和生產(chǎn)領(lǐng)域中得到了較為廣泛的應(yīng)用，然而在實(shí)際算法應(yīng)用中FOA也存在著容易陷入局部最優(yōu)，不能完整遍歷可行域，搜索方式不靈活等問(wèn)題，這些缺陷限制了FOA的應(yīng)用范圍，成為FOA算法研究中亟待解決的問(wèn)題。
　　本文通過(guò)研究FOA算法的尋優(yōu)過(guò)程，針對(duì)FOA的缺陷提出了一種引入牽引機(jī)制的果蠅優(yōu)化算法(Traction Fruit Fly Optimizatio

3、n Algorithm，TFOA)，并對(duì)TFOA分別在離散和連續(xù)兩種環(huán)境下進(jìn)行了尋優(yōu)能力測(cè)試，以驗(yàn)證算法的優(yōu)化能力。同時(shí)，利用果蠅優(yōu)化算法計(jì)算量低，尋優(yōu)速度快的特點(diǎn)將改進(jìn)之后的果蠅優(yōu)化算法應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位問(wèn)題的研究，拓展了果蠅優(yōu)化算法在無(wú)線傳感器網(wǎng)絡(luò)領(lǐng)域的應(yīng)用范圍。實(shí)驗(yàn)證明，相比傳統(tǒng)定位算法，結(jié)合TFOA的定位算法定位精度更高，抗測(cè)距誤差能力更強(qiáng)，相比粒子群算法和遺傳算法，本文的定位算法收斂速度較快，定位效果更好。
　

4、　本文研究的主要內(nèi)容總結(jié)如下。
　　(1)從理論上證明了果蠅優(yōu)化算法的缺陷并對(duì)算法的收斂性進(jìn)行了詳細(xì)的數(shù)學(xué)分析。針對(duì)FOA的缺陷在原始算法的基礎(chǔ)上引入了牽引機(jī)制和新的搜索半徑計(jì)算方式，解決了原有算法不能遍歷實(shí)數(shù)域、容易陷入局部最優(yōu)的問(wèn)題。
　　(2)為了驗(yàn)證算法改進(jìn)之后的性能，首先將本文算法與四種改進(jìn)的果蠅優(yōu)化算法對(duì)12個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行極值求解以驗(yàn)證算法在連續(xù)環(huán)境下的尋優(yōu)能力，然后通過(guò)對(duì)Web服務(wù)組合問(wèn)題進(jìn)行優(yōu)化，進(jìn)一步驗(yàn)