基于動(dòng)態(tài)線性步長(zhǎng)的雙子群果蠅優(yōu)化算法及其應(yīng)用.pdf

1、果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm, FOA）是一種對(duì)果蠅在覓食過程中的行為進(jìn)行仿真模擬從而總結(jié)得出的一種優(yōu)化算法。FOA算法根據(jù)果蠅所在位置計(jì)算其相應(yīng)的味道濃度判定值，然后將味道濃度判定值代入適應(yīng)函數(shù)中求得每只果蠅各自的味道濃度值，取其中最大的味道濃度值作為當(dāng)前最優(yōu)值，通過不斷迭代尋優(yōu)，直到最優(yōu)值收斂或者迭代次數(shù)結(jié)束為止。目前，F(xiàn)OA算法被廣泛應(yīng)用于各種不同的專業(yè)領(lǐng)域中，如科學(xué)研究、工業(yè)設(shè)計(jì)

2、、數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)等。同時(shí)，F(xiàn)OA算法在模型系數(shù)微調(diào)、神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化、資源分配、交通道路設(shè)計(jì)和財(cái)務(wù)模型預(yù)測(cè)等實(shí)際問題的應(yīng)用實(shí)踐中也取得了良好的效果。
　　FOA算法的過程簡(jiǎn)單，穩(wěn)定性高，并且有著極快的收斂速度。但是同時(shí)，F(xiàn)OA算法也存在一些局限性。首先，果蠅在覓食的過程中，位置移動(dòng)的距離和方向是隨機(jī)產(chǎn)生的，唯一的影響因素是一個(gè)固定的步長(zhǎng)。但是固定的步長(zhǎng)在一定程度上限制了算法的搜索能力，無(wú)法平衡算法的全局性能和局部性能。其次，在

3、一些多維多峰的問題中，F(xiàn)OA算法很容易陷入某個(gè)波峰的局部最優(yōu)解中無(wú)法跳出，從而大大降低了算法的性能。針對(duì)于FOA算法的這些局限性，本文做出了如下幾項(xiàng)工作:
　　1、提出了一種基于動(dòng)態(tài)線性步長(zhǎng)的雙子群果蠅優(yōu)化算法(LD-FOA)。LD-FOA算法從兩個(gè)方面對(duì)FOA算法進(jìn)行了改進(jìn)，首先，對(duì)于步長(zhǎng)的設(shè)定，使用動(dòng)態(tài)線性步長(zhǎng)來(lái)控制搜索空間的大小，該步長(zhǎng)由權(quán)重參數(shù)a和迭代次數(shù)決定，使得在尋優(yōu)的前期階段，算法的搜索范圍較大，能夠快速定位到最優(yōu)值

4、附近，而在尋優(yōu)的后期階段，算法的搜索范圍較小，使得尋優(yōu)過程能夠快速收斂得到最終結(jié)果，這樣平衡了算法的全局性能和局部性能。其次，對(duì)于易陷入局部最優(yōu)的情況，采用的應(yīng)對(duì)策略是使用雙子群交替來(lái)進(jìn)行尋優(yōu)。利用兩種步長(zhǎng)變化趨勢(shì)相反的子群來(lái)交替對(duì)每次迭代的最優(yōu)位置進(jìn)行尋優(yōu)，使得那些暫時(shí)陷入局部最優(yōu)情況的子群在下一輪迭代中替換為一個(gè)全局性能較強(qiáng)的子群來(lái)跳出。
　　2、使用6個(gè)經(jīng)典的Benchmark測(cè)試函數(shù)來(lái)檢測(cè)LD-FOA算法的性能，最后將實(shí)驗(yàn)

5、結(jié)果與PSO、DE、LGMS-FOA三個(gè)算法求解相同測(cè)試函數(shù)的結(jié)果進(jìn)行對(duì)比，證明了在求解精度、收斂速度和穩(wěn)定性上均優(yōu)于其它三種算法。
　　3、將改進(jìn)的LD-FOA算法應(yīng)用于求解兩個(gè)NP-hard問題——0-1背包問題和旅行商問題(TSP)。首先，使用10個(gè)經(jīng)典的0-1背包問題來(lái)測(cè)試LD-FOA算法的性能，由于這10個(gè)0-1背包問題的維度范圍在10-100之間，因此能夠較為全面地測(cè)試出LD-FOA算法在0-1背包問題應(yīng)用中的性能。其