论文部分内容阅读
最优化问题广泛存在于各科学领域中,为了解决这些问题,人们提出了各种优化算法。花朵授粉算法(Flower Pollination Algorithm,FPA)是一种通过模拟自然界植物授粉过程实现群体智能的优化算法,该算法有参数少、结构简单、容易实现等优点,受到了科研人员的关注,被应用到了各种领域中。但是FPA算法存在迭代后期收敛速度慢,局部寻优效率低,易陷入局部最优等问题。本文分析了FPA算法的不足,并针对这些不足进行了改进。为了增强FPA算法的寻优能力,根据算法的结构,从五个方面进行改进:(1)在种群初始化阶段,将种群三等分,第一部分个体采用随机生成,第二部分个体采用均匀随机生成,第三部分取前两部分的最优个体进行精英反向初始化;(2)在转换概率上,根据种群中所有个体到最优个体的距离计算种群多样性,再由此计算转换概率;(3)在全局寻优部分,借助天牛须搜索算法快速收敛的特点加快FPA算法的收敛速度;(4)在局部寻优部分,改变算法原有的差分策略,使全局最优值和当前个体参与差分,并加入小概率变异策略,在不影响全局最优的前提下,对个体进行随机变异,提高种群多样性,帮助算法跳出局部最优;(5)在越界处理上,对个体的越界维度进行变异,防止个体在边界聚集。综合以上改进提出基于天牛须搜索和变异策略的花朵授粉算法(BMFPA)。为了验证算法整体改进的有效性,使用多个测试函数在高维、低维和固定精度下对BMFPA进行测试,结果表明改进后的算法在低维函数上的寻优精度相比原FPA算法有7~20个数量级的精度提升,在高维函数上的寻优精度相较于原FPA算法有6~11个数量级的精度提升,达到目标精度所需的迭代次数均少于原算法。为了验证各项改进的有效性,实验使用控制变量法分别单独进行了混合种群初始化、自适应转换概率、天牛须搜索改进的全局寻优、变异策略改进的局部寻优和边界变异算法与原算法的比较实验,实验结果表明各项改进均有提升寻优精度的效果,其中天牛须搜索改进和变异策略改进对FPA算法的寻优精度提升最大。