基于動態(tài)線性步長的雙子群果蠅優(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

2、、數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)等。同時，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)計和財務(wù)模型預(yù)測等實際問題的應(yīng)用實踐中也取得了良好的效果。
　　FOA算法的過程簡單，穩(wěn)定性高，并且有著極快的收斂速度。但是同時，F(xiàn)OA算法也存在一些局限性。首先，果蠅在覓食的過程中，位置移動的距離和方向是隨機產(chǎn)生的，唯一的影響因素是一個固定的步長。但是固定的步長在一定程度上限制了算法的搜索能力，無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波峰的局部最優(yōu)解中無法跳出，從而大大降低了算法的性能。針對于FOA算法的這些局限性，本文做出了如下幾項工作:
　　1、提出了一種基于動態(tài)線性步長的雙子群果蠅優(yōu)化算法(LD-FOA)。LD-FOA算法從兩個方面對FOA算法進(jìn)行了改進(jìn)，首先，對于步長的設(shè)定，使用動態(tài)線性步長來控制搜索空間的大小，該步長由權(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，對于易陷入局部最優(yōu)的情況，采用的應(yīng)對策略是使用雙子群交替來進(jìn)行尋優(yōu)。利用兩種步長變化趨勢相反的子群來交替對每次迭代的最優(yōu)位置進(jìn)行尋優(yōu)，使得那些暫時陷入局部最優(yōu)情況的子群在下一輪迭代中替換為一個全局性能較強的子群來跳出。
　　2、使用6個經(jīng)典的Benchmark測試函數(shù)來檢測LD-FOA算法的性能，最后將實驗

5、結(jié)果與PSO、DE、LGMS-FOA三個算法求解相同測試函數(shù)的結(jié)果進(jìn)行對比，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NP-hard問題——0-1背包問題和旅行商問題(TSP)。首先，使用10個經(jīng)典的0-1背包問題來測試LD-FOA算法的性能，由于這10個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試出LD-FOA算法在0-1背包問題應(yīng)用中的性能。其