第1页 / 共7页
第2页 / 共7页
第3页 / 共7页
第4页 / 共7页
第5页 / 共7页
第6页 / 共7页
第7页 / 共7页
论文研究-新型改进果蝇优化算法.pdf
168
2016，52（21）
Computer Engineering and Applications 计算机工程与应用
新型改进果蝇优化算法
丁国绅，邹 海
DING Guoshen, ZOU Hai
安徽大学 计算机科学与技术学院，合肥 230601
School of Computer Science and Technology, Anhui University, Hefei 230601, China
DING Guoshen, ZOU Hai. New improved fruit fly optimization algorithm. Computer Engineering and Applica-
tions, 2016, 52（21）：168-174.
Abstract：In order to solve the problems of low convergence precision and convergence rate of traditional fruit fly algo-
rithm, a new improved FOA is proposed. This algorithm, through the iteration procedures, uses the optimal value of the
rate as a reference of the fruit fly swarm, affecting the next flight distance. The changing flight distance of the fruit swarm
dynamically can balance the global search ability and local search ability of the algorithm effectively. This algorithm is
compared with the original FOA and other two improved FOA algorithms in the function optimization simulation process.
Experimental results show that the new algorithm has obvious advantages in terms of convergence precision, convergence
speed and stability.
Key words：fruit algorithm; optimization; optimal value; changing rate; convergence precision
摘 要：针对传统果蝇优化算法在进行优化时所存在的寻优精度偏低和收敛速度较慢的问题，提出了一种新的改进
果蝇优化算法。该算法在迭代过程中将每次迭代所得最优值的变化率作为下一次果蝇种群飞行距离变化的参考依
据。动态改变果蝇种群每次飞行的距离，能够有效地权衡算法的全局搜索能力和局部搜索能力。将该改进算法在
函数优化中与原果蝇算法和另外两种果蝇改进算法进行仿真对比，结果表明，所提出的改进算法在收敛精度、收敛
速度以及稳定性方面具有明显优势。
关键词：果蝇算法；优化；最优值；变化率；收敛精度
文献标志码：A 中图分类号：TP301.6
doi：10.3778/j.issn.1002-8331.1603-0303
1 引言
果蝇优化算法（Fruit Fly Optimization Algorithm，
FOA）是由台湾青年学者潘文超博士在 2011 年 6 月提出
的一种新的基于群体智能的全局优化算法 [1]，与蚁群算
法[2]、粒子群算法[3]等智能算法类似，是源于动物群体觅
食行为的模拟[1，4]。不同于其他智能算法，该算法结构简
单，控制参数较少，易于实现，因此一经提出便引起了国
内外学者的关注和研究[5]，并在各领域得到了广泛应用，
目前已成功应用于函数优化、神经网络、微调 Z-SCORE
模型系数、故障诊断、企业经营效绩评估 [6]、支持向量机
参数优化等。然而，由于果蝇算法提出的时间较晚，尚
未被熟知，其理论分析还处于初级阶段，国内外研究成
果相对较少，与其他优化算法一样，收敛精度不高，收敛
速度较慢，且易陷入局部最优，尤其是对于高维多极值
复杂优化问题更难达到预期效果，因此越来越多的学者
对其进行了研究和改进[7]。
为了提高 FOA 的收敛速度和收敛精度，本文提出
了一种新型的权值改变策略 [8-12]，利用每次迭代所产生
的当代最优解，根据最优值的变化率来动态改变果蝇群
体的搜索距离，更快、更有效地求解目标问题（本文所提
新型算法简称 V-FOA），并对几种不同的果蝇改进算法
（MFOA[13]，LGMS-FOA[14]）进行了对比。
基金项目：国家自然科学基金（No.61374128）。
作者简介：丁国绅（1992—），男，硕士研究生，主要研究领域为智能计算，E-mail：2359461607@qq.com；邹海（1969—），男，博士，副
教授，主要研究领域为信息安全。
收稿日期：2016-03-23 修回日期：2016-05-11 文章编号：1002-8331（2016）21-0168-07
CNKI 网络优先出版：2016-08-10, http://www.cnki.net/kcms/detail/11.2127.TP.20160810.1027.058.html
丁国绅，邹 海：新型改进果蝇优化算法
2016，52（21）
169
2 基本果蝇优化算法 FOA
FOA 是一种基于果蝇觅食行为演化出的寻求全局
优化的现代启发式算法。由于果蝇在嗅觉和视觉上的
先天优越性，能够利用嗅觉器官搜集漂浮在空气中的气
味，然后飞向食物附近，利用视觉发现同伴和食物存在
的位置，并向该方向飞去[15]。
果蝇优化算法可以分为以下几个步骤：
（1）初始化种群。给定群体规模 Sizepop 和最大迭
代数 Maxgen ，在搜索空间中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：
X
ì
í
Y
î
（3）计算每只果蝇与原点之间的距离 (Dist
= X_axis + Random Value
= Y_axis + Random Value
i
i
（1）
) 与味道
i
次迭代取各子群中的最优值作为全局最优值并与平均
位置的最优值进行比较：
M
X_new = 1
M å
（5）如果 k k
m = 1
max
X_axis
m
（11）
，终止算法，否则转入步骤（2）。
4 LGMS-FOA
LGMS-FOA 与 MFOA 一样，都是将 X
代入味道浓
i
度判定函数，求得果蝇个体的味道浓度，此外，其步长改
进策略如下：
X
' = X_axis′ + w*rand(domain)
i
上式，w = w
*¶ gen 。
0
Smell(i)′ = X
'
i
其余，和基本 FOA 原理一致。
（12）
（13）
浓度判定值 S
i
，其值为距离的倒数：
Dist
= X 2
i
+ Y 2
i
i
5 V-FOA
5.1 V-FOA 算法基本思想
（2）
i
= 1/Dist
S
（4）将味道浓度判定值 S
i
（3）
代入目标函数（适应度函
i
数），求出该果蝇位置的味道浓度 Smell(i)（适应值）：
i
)
Smell(i) = Function(S
（4）
（5）找出果蝇群体中最好的味道浓度值及最佳位置：
[bestSmell bestindex] = min(Smell
（5）
（6）保 留 最 优 味 道 浓 度 值 bestSmell 与 其 X、Y 坐
)
i
标，此时果蝇群体飞往该位置：
Smellbest = bestSmell
（6）
X_axis = X (bestindex)
（7）
Y_axis = Y (bestindex)
（8）
（7）迭代寻优。重复执行步骤（2）~（5），并判断味道
浓度是否优于前一迭代味道浓度，若是则执行步骤（6）。
3 MFOA
MFOA 是 2014 年提出并被 SCI 收录的一种改进的
果蝇优化算法，该算法的主要思想是将种群分为多个相
同数量的子种群[16]以及改变估价函数，算法步骤简要概
括如下：
k
max
（1）初 始 化 参 数 ：群 体 规 模 Popsize ，最 大 迭 代 数
，初始化果蝇群体位置 Init X_axis ，子种群数 M 。
（2）果蝇搜寻食物的随机方向与距离：
X
+ R(k)*RandomValue
（9）
im
= X_axis
m
- a
2
b
j
其中，R(k) = (
k
j
)*(
- k
max
k
max
)ϑ ，ϑ = 2~6 ，x
Î[a
b
j
j
] 。
j
i
代入味道浓度判定函数：
（3）将 X
Smell(i) = Function(X
（10）
（4）之后类似基本 FOA 原理，各子群独立寻优，每
)
i
果蝇优化算法 FOA 在迭代寻优过程中没有对果蝇
的飞行方向和距离进行控制，忽略了样本个体的差异
性，导致了该算法的不稳定且易陷入局部最优。文中提
出的 V-FOA 算法是在 FOA 算法的基础上进行的改进算
法，在迭代过程中将全局最优值的变化率纳入了权值的
考虑范围，主要策略如下：
（14）
（15）
r =
|
|| fitness(t) - fitness(n - t)
|
fitness(n - t)
|
||
|
w =
0.2 + rr 0.3
ì
ï
0.5 + r0.3 < r 0.6
í
ï
0.6 + rr > 0.6
î
= X_axis + w*rand(domain)
= Y_axis + w*rand(domain)
i
i
Y
X
（16）
（17）
其中，r 为 n 代内最优适应度值的变化率，fitness(t) 为
第 t 代的最优适应度值，fitness(n - t) 为第 n - t 代最优
适应度值。当种群最优适应度值变化较大时，表明果蝇
种群正向新空间扩展，增大权值有利于其全局搜索；反
之，当最优适应度值变化较小时，说明算法处于局部搜
索阶段，减小权值能加快获得最优解。
与每一维 X
此外，浓度判定值 S
分量符号保持一
i
i
致，其余和基本 FOA 原理一致。
5.2 复杂性分析
智能优化算法的计算复杂性分析主要包括两个方
面：算法的执行和适应度评价。由于不同的算法在适应
度评价方面具有相同的计算复杂度，所以在此只分析算
法执行的计算复杂性。
根据算法的执行，基本 FOA 算法的计算复杂性主
要包括个体位置更新、浓度值计算和适应度评估。设群
体规模为 S ，最大迭代次数为 T 。个体位置更新和浓度
170
2016，52（21）
Computer Engineering and Applications 计算机工程与应用
值计算的计算复杂度都是 O(2 ´ S ´ T ) ，所以基本 FOA
算法的计算复杂度为 O(4 ´ S ´ T ) 。
MFOA 算法的计算复杂性主要包括参数 R(k) 和果
蝇个体的位置更新，R(k) 的计算复杂度是 O(T ) ，位置更
新的计算复杂度是 O(S ´ T ) ，所以 MFOA 算法的计算复
杂度为 O(S ´ T + T ) 。
LGMS-FOA 算法与 MFOA 算法类似，其计算复杂
性主要包括参数 w 和果蝇个体位置更新，计算复杂度为
O(S ´ T + T ) 。
V-FOA 算法是由基本 FOA 算法改进得到的，在基
本 FOA 算法的基础上增加了权值 ww 的计算复杂度是
O(T ) ，因此算法的计算复杂度为 O(4 ´ S ´ T + T ) 。
通过以上分析可以知道，V-FOA 算法的计算复杂性
相对较高，这正是算法需要寻求的求解精度与收敛速度
的平衡，也是今后有待提高和突破的关键点。
6 实验及结果分析
6.1 实验设计
为了测试本文所提 V-FOA 算法的寻优性能，选用
了 12 个常用于优化算法比较的基准函数，函数形式、搜
索区间、理论极值、目标精度和函数类型如表 1 所示，分
别在 2 维和 30 维进行了测试。具体参数设置为：群体规
模 Sizepop = 30 ，最大迭代数 Maxgen = 1 000 ，随机初始
化果蝇群体位置为表 1 中各函数的搜索区间。
6.2 实验结果与分析
本文实验的实验平台是 Matlab R2013b，在内存为
4 GB，CPU 速度为 3.20 GHz 的 PC 机上运行。将 12 个测
试 函 数 固 定 进 化 代 数 1 000 次 ，分 别 用 FOA、MFOA、
LGMS-FOA 和 V-FOA 四种算法分别经过 20 次独立运
行实验，图 1 是选取了其中 8 个测试函数在 2 维条件下
的适应度进化曲线，图 2 是相同的 8 个函数在 30 维条件
下的适应度进化曲线。相应地，表 2 和表 3 分别是在 2
维和 30 维条件下，12 个测试函数用各个算法所得的全
局优化均值和标注差的比较。从中可以看出，在低维状
况下，四种算法对于各函数的优化均取得了比较理想的
效果，除 f
(x) 函数外，V-FOA 算法无论是在收
敛速度还是寻优精度上都明显优于其他三种算法；在高
维状况下，MFOA 算法和 LGMS-FOA 算法的优化效果
(x) 和 f
9
7
表 1 测试函数
Range
Optimal f
Target precision
Peak
[-100100]
[-600600]
[-3030]
[-5.125.12]
[-3232]
[-100100]
0
0
10
0
0
0
[-11]
－1
[-1.281.28]
[-5050]
[-1010]
[-100100]
[-1010]
0
0
0
0
0
10-10
10-10
29
10-4
10-4
single
multiple
single
multiple
multiple
10-6
multiple
10-4
10-3
single
single
10-10
multiple
10-2
10-5
10-4
single
single
multiple
Test function
f
1
n
(x) = å
i = 1
x2
i
f
2
(x) = 1/4 000å
n
i = 1
x2
i
n
- Õ
i = 1
cos(
x
i
i
) + 1
f
3
n - 1
(x) = å
i = 1
(100(x
- x2
i
)2 + (x
i
i + 1
- 1)2)
f
4
n
(x) = å
i = 1
(x2
i
- 10 cos(2πx
) + 10)
i
f
5
(x) = -20 exp(-0.2 1
n
nå
i = 1
x2
i
) - exp( 1
n
nå
i = 1
cos 2πx
i
) + 20 + e
(x) =
f
6
sin2( å
n
i = 1
) - 0.5
x2
i
(1 + 0.001(å
n
i = 1
))2
x2
i
+ 0.5
f
7
(x) = -exp(-0.5å
n
i = 1
)
x2
i
f
8
n
(x) = å
i = 1
+ rand()
ix4
i
(y
i
- 1)2[1 + 10 sin2(πy
)] + (y
i + 1
n
f
9
(x) = π
n
ì
10 sin2(πy
í
1
î
n - 1
) + å
i = 1
y
i
= 1 + 1
4
(x
i
+ 1)
u
x
akm
i
u(x
101004)
i
- 1)2 + å
n
i = 1
ü
ý
þ
> a
i
=
- a)mx
i
a
- a)mx
ì
k(x
ïï
0 -a x
í
ïï
k(-x
î
+ Õ
| x
|
n
i
i
i
i = 1
< -a
i
f
10
n
(x) = å
| x
i = 1
|
i
f
11
n
(x) = å
i
(å
i = 1
j = 1
)2
x
j
f
12
n
(x) = å
| x
i = 1
sin(x
i
i
) + 0.1x
|
i
丁国绅，邹 海：新型改进果蝇优化算法
2016，52（21）
171
s
s
e
n
t
i
F
s
s
e
n
t
i
F
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0
0.25
0.20
0.15
0.10
0.05
0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
2
s
s
e
n
t
i
F
14
12
10
8
6
4
2
0
FOA
V-FOA
LGMS-FOA
MFOA
s
s
e
n
t
i
F
200
400
600
800
1 000
Iteration number
(x)
f
6
－0.75
－0.80
－0.85
－0.90
－0.95
－1.00
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
4
s
s
e
n
t
i
F
14
12
10
8
6
4
2
0
FOA
V-FOA
LGMS-FOA
MFOA
s
s
e
n
t
i
F
0
200
400
600
800
1 000
Iteration number
(x)
f
7
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
5
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
8
FOA
V-FOA
LGMS-FOA
MFOA
s
s
e
n
t
i
F
12
10
8
6
4
2
0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
9
s
s
e
n
t
i
F
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0
200
400
600
800
1 000
Iteration number
(x)
f
10
图 1 部分函数的适应度进化曲线（2 维）
表 2
4 种算法的优化结果对比（2 维）
FOA
3.035 5×10－6
7.439 2×10－8
1.099 9×10－6
1.553 1×10－8
4.066 6×10－4
4.042 3×10－4
0.252 5
0.639 8
4.975×10－3
7.163 5×10－5
3.027 8×10－6
8.540 9×10－8
－1
0
9.491 7×10－4
2.585×10－4
1.688 6
2.777 3×10－4
2.465×10－3
4.893 6×10－5
7.479 5×10－6
1.904 1×10－7
2.478 8×10－4
2.722 2×10－6
MFOA
3.753 1×10－26
9.506 4×10－26
3.879 5×10－4
1.652 4×10－3
1.794 6×10－9
7.535 4×10－9
0
0
1.778 7×10－9
2.179×10－9
4.85×10－4
2.169×10－3
－1
0
2.504 2×10－4
2.010 3×10－4
2.508 7×10－14
8.176 9×10－14
1.639×10－10
1.230 1×10－10
1.134 4×10－17
1.699 2×10－17
9.637×10－15
1.514 1×10－14
LGMS-FOA
9.563 4×10－44
1.054 6×10－43
7.9×10－3
6.671 5×10－3
1.440 9
3.271 5
0.298 5
0.467 8
V-FOA
0
0
0
0
0.406 2
0.046 5
0
0
8.881 8×10－16
4.440 9×10－15
0
5.82×10－3
4.875 5×10－3
－1
0
1.020 2×10－3
1.254 4×10－3
2.355 8×10－31
0
3.051 6×10－23
1.674 2×10－23
1.497 3×10－43
1.308×10－43
1.119 3×10－6
4.869 5×10－6
0
0
0
－1
0
2.474 0×10－5
2.213×10－5
0.873 2
0.599 4
0
0
0
0
0
0
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Function
(x)
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
f
5
(x)
f
6
(x)
f
7
(x)
f
8
(x)
f
9
(x)
f
10
(x)
f
11
(x)
f
12
172
2016，52（21）
Computer Engineering and Applications 计算机工程与应用
s
s
e
n
t
i
F
s
s
e
n
t
i
F
500
400
300
200
100
0
0.5
0.4
0.3
0.2
0.1
0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
2
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
6
s
s
e
n
t
i
F
450
400
350
300
250
200
150
100
50
0
0
s
s
e
n
t
i
F
－0.2
－0.4
－0.6
－0.8
－1.0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
4
FOA
V-FOA
LGMS-FOA
MFOA
0
200
400
600
800
1 000
Iteration number
(x)
f
7
s
s
e
n
t
i
F
s
s
e
n
t
i
F
25
20
15
10
5
0
90
80
70
60
50
40
30
20
10
0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
5
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
8
FOA
V-FOA
LGMS-FOA
MFOA
8
0
1
/
s
s
e
n
t
i
F
5
4
3
2
1
0
FOA
V-FOA
LGMS-FOA
MFOA
200
400
600
800
1 000
Iteration number
(x)
f
9
8
0
1
/
s
s
e
n
t
i
F
4.5
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0
200
400
600
800
1 000
Iteration number
(x)
f
10
图 2 部分函数的适应度进化曲线（30 维）
表 3
4 种算法的优化结果对比（30 维）
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
Mean
Std
FOA
6.063 9×10－4
1.767×10－5
3.147 6×10－5
4.488 4×10－7
29.307
1.906 5
66.828 7
88.481 4
1.914×10－2
3.775 3×10－4
1.512 3×10－3
2.8×10－3
－0.999 7
0
2.864 5×10－2
4.143 8×10－3
8.556 4
9.104 7×10－5
0.134 3
1.728 1×10－3
0.175 5
3.616 8×10－3
1.408 5×10－2
2.978 4×10－4
MFOA
1.456 3×10－6
5.651×10－7
1.741 5×10－2
8.933 8×10－3
LGMS-FOA
7.463 1×10－40
1.238×10－40
9.413 3×10－3
1.011 8×10－2
27.254 3
3.864 4
93.028 4
14.769 9
0.751 8
0.707 3
0.177 4
663.443 7
845.854 5
123.523 7
26.660 8
1.876 2
0.514
0.461 2
3.305 4×10－2
1.737 9×10－2
－1
0
－1
0
9.61×10－3
0.171 5
5.063 9×10－3
7.914 4×10－2
2.522 4
0.865 9
0.700 6
1.492 7
250.224 8
99.841 6
3.779 9
1.247 3
5.672
2.249 4
55.920 9
42.230 4
3 798.015
1 462.281 8
6.619 3
2.086 1
V-FOA
0
0
0
0
27.740 1
1.432 6×10－1
0
0
4.440 9×10－15
0
0
0
－0.999 9
0
4.303 1×10－5
3.505×10－5
1.139 5
0.181 9
3.977 7×10－81
1.763×10－80
0
0
0
0
Function
(x)
f
1
(x)
f
2
(x)
f
3
(x)
f
4
(x)
f
5
(x)
f
6
(x)
f
7
(x)
f
8
(x)
f
9
(x)
f
10
(x)
f
11
(x)
f
12
丁国绅，邹 海：新型改进果蝇优化算法
2016，52（21）
173
表 4 目标精度下的平均迭代次数与成功率对比
Function
Dimension
Mean
Success
Mean
Success
Mean
Success
Mean
Success
FOA
MFOA
LGMS-FOA
V-FOA
f
1
f
f
f
f
f
f
f
f
2
3
4
5
6
7
8
9
f
10
f
11
f
12
f
1
f
f
f
f
f
f
f
f
2
3
4
5
6
7
8
9
f
10
f
11
f
12
iteration
—
—
1
774
—
547
36
31
—
16
278
—
—
—
212
—
—
—
547
—
—
—
—
—
rate
0
0
1.00
0.85
0
1.00
1.00
1.00
0
1.00
1.00
0
0
0
0.55
0
0
0
1.00
0
0
0
0
0
iteration
837
975
6
538
843
848
3
28
929
112
684
991
—
—
837
—
—
—
615
616
—
887
—
—
rate
1.00
0.95
1.00
1.00
1.00
0.95
1.00
1.00
1.00
1.00
1.00
1.00
0
0
0.95
0
0
0
1.00
0.60
0
0.25
0
0
iteration
229
255
4
90
174
153
4
19
220
36
121
540
324
—
145
—
—
—
94
—
—
—
—
—
rate
1.00
0.25
1.00
0.70
1.00
0.40
1.00
1.00
1.00
1.00
1.00
0.95
1.00
0
0.10
0
0
0
iteration
6
5
1
6
10
4
85
6
—
3
3
47
8
7
13
14
16
7
1.00
347
0
0
0
0
0
7
—
18
7
50
rate
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
30
30
30
30
30
30
30
30
30
30
30
30
4
5
6
10
12
(x)、f
(x)、f
(x)、f
11
(x)、f
(x)、f
不佳，在 f
(x) 函数的优
化过程中，其收敛精度均低于基本 FOA 算法，而其收敛
速度也比基本 FOA 算法要慢，而 V-FOA 算法的收敛速
度和寻优精度都明显优于其他算法。总体来说，本文所
提算法性能比较稳定，能对不同的函数进行有效的求
解，达到比较理想的寻优效果。
表 4 给出了采用四种算法在目标精度下的平均迭
代次数与成功率的对比结果，可以看出，在低维条件下，
对于大多数函数，MFOA、LGMS-FOA 和 V-FOA 相对于
基本 FOA 算法都具有比较好的寻优能力，寻优精度和
稳 定 性 都 比 较 高 ，但 在 高 维 条 件 下 ，FOA、MFOA 和
LGMS-FOA 算法的寻优效果则很不理想，易陷入局部
最优，即使达到目标精度，其代价也比较大，收敛速度缓
慢且不稳定。而 V-FOA 算法无论是低维还是高维，对
于大多数目标函数，其成功率与达到目标精度所需的平
均迭代次数均优于其他三种算法。在多峰函数 f
(x) 的
优化上，V-FOA 算法在低维时的优化效果不如 MFOA
算法和 LGMS-FOA 算法，但在高维时较其他几种算法
要好，寻优性能稳定。
9
7 结论
针对基本果蝇优化算法在复杂问题的优化上容易
出现求解精度低、收敛速度缓慢等问题，本文提出了一
种将每次迭代的全局最优值作为改变权值的参考依据，
并与基本果蝇优化算法和其他两种常见的改进果蝇优
化算法进行了比较。实验表明，本文所提改进算法具有
更好的收敛速度和精度且更加稳定。但该算法也有一
些需要改进的地方，比如在多维复杂函数的优化上的寻
优性能不佳等，有待进一步的研究。
参考文献：
[1] 潘文超.果蝇最佳化演算法[M].中国台北：沧海书局，2011：
10-12.
[2] 段海滨.蚁群算法原理及其应用 [M].北京：科学出版社，
2005：103-116.
[3] 陈贵敏，贾建援，韩琪西.粒子群优化算法的惯性权值递减
策略研究[J].西安交通大学学报，2006，40（1）：53-56.
[4] 杨维，李歧强.粒子群优化算法综述[J].中国工程科学，2004，
6（5）：87-89.
[5] Pan W T.A new fruit fly optimization algorithm：taking
the financial distress model as an example[J].Knowledge-
Based Systems，2012，29：69-74.
[6] 潘文超.应用果蝇优化算法优化广义回归神经网络进行企
业 经 营 效 绩 评 估 [J]. 太 原 理 工 大 学 学 报 ：社 会 科 学 版 ，
2011，9（4）：1-5.
174
2016，52（21）
Computer Engineering and Applications 计算机工程与应用
[7] Pan Quanke，Sang Hongyan，Duan Junhua，et al.An im-
proved fruit
fly optimization algorithm for continuous
function optimization problems[J].Knowledge-based Sys-
tems，2014，62：69-83.
[8] 韩俊英，刘成忠.自适应调整参数的果蝇优化算法[J].计算
机工程与应用，2014，50（7）：50-55.
[9] 阳春华，谷丽娜，桂卫华.自适应变异的粒子群优化算法[J].
计算机工程，2008，34（16）：188-190.
程，2011，37（8）：189-191.
[13] Yuan Xiaofang，Dai Xiangshan，Zhao Jingyi，et al.On a
novel multi-swarm fruit fly optimization algorithm and
its
and Computa-
tion，2014，233：260-271.
application[J].Applied Mathematics
[14] Shan D，Chao G，Dong H.LGMS-FOA：an improved
fly optimization algorithm for solving optimiza-
fruit
tion problems[J].Math Prob Eng，2013.
[10] 林川，冯全源.一种新的自适应粒子群优化算法[J].计算机
[15] 韩俊英，刘成忠.基于细菌趋化的果蝇优化算法[J].计算机
工程，2008，34（7）：181-183.
应用，2013，33（4）：964-966.
[11] 胡旺，李志蜀.一种更简化而高效的粒子群优化算法[J].软
件学报，2007，18（4）：862-863.
[12] 吴涛，金义富.基于云控制的自适应遗传算法[J].计算机工
[16] Cuevas E，Cienfuegos M，Zaldivar D，et al.A swarm opti-
mization algorithm inspired in the behavior of the social-
spider[J].Expert Syst Appl，2013，40（16）：6374-6384.
（上接 104 页）
[5] 林闯，苏文博，孟坤，等.云计算安全：架构、机制与模型评
价[J].计算机学报，2013，36（9）：1765-1784.
[6] 陈丹伟，侯楠，孙国梓.一种基于改进流形学习方法的云计
算入侵检测模型[J].计算机科学，2010，37（10）：59-62.
[7] Brown W，Rinus A.Hadoop at home：large-scale comput-
ing at a small college[C]//Proc of TSCSE Conference.
Los Alamitos：IEEE Computer Society，2009：389-401.
[8] 俞能海，郝卓，徐甲甲，等.云安全研究进展综述[J].电子学
报，2013，41（2）：371-381.
[11] 田玉玲.面向异常检测的时间序列树突状细胞算法[J].西
安电子科技大学学报，2014，41（4）：144-150.
[12] Forrest S，Perelson A S，Allen L.Self-nonself discrimina-
the IEEE Sym-
tion in a computer[C]//Proceedings of
posium on Research in Security and Privacy，Oakland，
USA，1994：202-212.
[13] Kim J，Bentely P J.Towards an artificial
immune sys-
tem for network intrusion detection：an investigation
of
the
Congress on Evolutionary Computation，Honolulu，USA，
2002：1015-1020.
selection[C]//Proceedings
dynamic
clonal
of
[9] Parslow T G，Stites D P，Terr A L，et al.Medical
immu-
nology[M].影印版.北京：科学出版社，2006.
[10] 左兴权，李士勇，李远贵.人工免疫系统研究的新进展[J].
[14] 吴开贵，曾家国，吴长泽，等.基于预算机制的非结构化
P2P 网络搜索算法[J].计算机应用，2010，30（5）：1166-1170.
[15] 张毅，卢凯，高颖慧.量子算法与量子衍生算法[J].计算机
计算机测量与控制，2002，10（11）：701-705.
学报，2013，36（9）：1835-1842.
（上接 156 页）
[14] Huang S，Chang W T，Belliveau J W，et al.Lateralized
parietotemporal oscillatory phase synchronization dur-
ing auditory selective attention[J].NeuroImage，2014，86：
461-469.
[15] Kalinli O，Narayanan S.Prominence detection using audi-
infor-
tory attention cues and task-dependent high level
mation[J].IEEE Transactions on Audio，Speech，and Lan-
guage Processing，2009，17（5）：1009-1024.
[16] 梁瑞宇，奚吉，赵力，等.汉语降频助听算法的实验分析与
改进[J].物理学报，2012，61（13）.
[17] Guven E，Ozbayoglu A M.Note and timbre classifica-
tion by local features of spectrogram[J].Procedia Com-
puter Science，2012，12：182-187.
[18] Zhu C，Bichot C E，Chen L.Image region description
local binary patterns
using orthogonal combination of
enhanced with color information[J].Pattern Recognition，
2013，46（7）：1949-1963.
[19] Itti L，Koch C，Niebur E.A model of saliency-based visual
rapid scene analysis[J].IEEE Transactions
attention for
on Pattern Analysis and Machine Intelligence，1998，20
（11）：1254-1259.
[20] Hsu C W，Lin C J.A comparison of methods for multi-
class support vector machines[J].IEEE Transactions on
Neural Networks，2002，13（2）：415-425.
相关推荐
2023年江西萍乡中考道德与法治真题及答案.doc
2012年重庆南川中考生物真题及答案.doc
2013年江西师范大学地理学综合及文艺理论基础考研真题.doc
2020年四川甘孜小升初语文真题及答案I卷.doc
2020年注册岩土工程师专业基础考试真题及答案.doc
2023-2024学年福建省厦门市九年级上学期数学月考试题及答案.doc
2021-2022学年辽宁省沈阳市大东区九年级上学期语文期末试题及答案.doc
2022-2023学年北京东城区初三第一学期物理期末试卷及答案.doc
2018上半年江西教师资格初中地理学科知识与教学能力真题及答案.doc
2012年河北国家公务员申论考试真题及答案-省级.doc
2020-2021学年江苏省扬州市江都区邵樊片九年级上学期数学第一次质量检测试题及答案.doc
2022下半年黑龙江教师资格证中学综合素质真题及答案.doc
