反向认知的高效果蝇优化算法_韩俊英

反向认知的高效果蝇优化算法_韩俊英

计 算 机 工 程 第卷 第11期 39

V ol.39 No.11 Computer Engineering

文章编号：1000—3428(2013)11—0223—03 人工智能及识别技术

2013年11月

November 2013

文献标识码：A

中图分类号：TP301.6

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 730070)

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。 关键词：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

Efficient Fruit Fly Optimization Algorithm with Reverse Cognition

HAN Jun-ying, LIU Cheng-zhong

(Information Institute of Science and Technology, Gansu Agricultural University, Lanzhou 730070, China)

【Abstract】Considering the premature convergence problem of Fruit fly Optimization Algorithm(FOA), a new collaborative learning FOA based on the best and the worst individual is presented. The evolutionary equation is optimized by adding learning the worst individual to it. The ability of the algorithm to break away from the local optimum and to find the global optimum is greatly enhanced. Experimental results show that the new algorithm has the advantages of better global search ability, speeder convergence and more precise convergence. 【Key words】fruit fly optimization; swarm intelligence; reverse cognition; collaborative learning; optimization evolution equation; convergence precision

DOI: 10.3969/j.issn.1000-3428.2013.11.050

1 概述

果蝇优化算法(Fruit fly Optimization Algorithm, FOA)是一种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]。目前国内外在果蝇优化算法方面的相关研究较少，属于一个较新的领域。FOA可广泛应用于任何领域，也可混合其他的数据挖掘技术一起使用[1-2]，已成功应用于求解数学函数极值、微调Z-SCORE模型系数与广义回归神经网络参数优化等。

FOA比其他群智能算法简单，如粒子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；FOA只需调整4个参数，其他的群智能算法至少要调整7个、8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，会严重地影响算法的性能。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。为了提高FOA算法的全局与局

————————————

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：

基金项目：国家自然科学基金资助项目(61063028)；甘肃省科技支撑计划基金资助项目(1011NKCA058)；甘肃省教育厅科研基金资助项目(1202-04)；甘肃省高等学校科研基金资助项目(2013A-060)

作者简介：韩俊英(1975－)，女，副教授、硕士，主研方向：智能计算；刘成忠(通讯作者)，副教授、博士研究生 收稿日期：2012-10-08 修回日期：2012-12-24 E-mail：liucz@http://doc.guandang.net

反向认知的高效果蝇优化算法_韩俊英

224 计 算 机 工 程 2013年11月15日

Xi=X_axis+RandomValue

Yi=Y_axis+RandomValue (1)

(3)由于无法得知食物位置，因此先估计与原点的距离Disti，再计算味道浓度判定值Si，此值为距离之倒数：

Disti (2) Si 1/Disti (3)

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。

4 实验设计及结果分析

4.1 实验设计

为了验证本文提出的BWFOA算法的性能，设计了 2类测试实验：(1)FOA优化实验；(2)BWFOA优化实验。实验选用4个常用于优化算法比较的基准函数[5-7]，函数形式、维数、理论极值和搜索范围如表1所示。

表1 用于测试改进算法的优化函数

函数名 Sphere

函数形式

维数

2

(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：

Smelli Function(Si) (4)

(5)找出该果蝇群体中味道浓度最高的果蝇(最优个体)：

[bestSmell bestindex]=min(Smelli) (5) (6)记录并保留最佳味道浓度值bestSmell与其X、Y坐标，这时候果蝇群体利用视觉向该位置飞去：

Smellbest=bestSmell

X_axis=X(bestindex), Y_axis=Y(bestindex) (6)

理论极值

搜索范围

f1(x) xi

1

n

30 0 [ 100,100]

2

(7)进入迭代寻优，重复执行步骤(2)~步骤(5)，判断最佳味道浓度是否优于前一迭代最佳味道浓度，并且当前迭代次数g小于最大迭代数Maxgen，若是则执行步骤(6)。

f2(x) 1/4 000 (xi)

n

Griewank

1

n

1

30 0 [ 600,600]

1

22

3 BWFOA算法

FOA在整个迭代寻优进化过程中只向当前最优果蝇个体学习，一旦发现本次迭代的最优个体，所有个体都聚集到该个体位置，若该个体并不是全局最优，极易使算法陷入局部最优，降低收敛速度和收敛精度。本文受到现实世界中生物群体在学习过程中不但要向最优个体学习其“成功经验”，而且要吸取最差个体的“失败教训”的启发，通过在优化方程中添加向最差个体学习，增加“反向认知”部分的改进策略，调整式(5)、式(6)至式(7)、式(8)，并且通过线性递减的动态变化系数调整在迭代寻优 …… 此处隐藏：9398字，全部文档内容请下载后查看。喜欢就下载吧 ……