应用反向学习策略的果蝇优化算法.PDFVIP

第３１卷第４期　　　 计算机应用与软件 Ｖｏｌ３１Ｎｏ．４ ２０１４年４月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ａｐｒ．２０１４ 应用反向学习策略的果蝇优化算法 韩俊英　刘成忠 （甘肃农业大学信息科学技术学院　甘肃兰州７３００７０） 摘　要　　针对基本果蝇优化算法ＦＯＡ（ＦｒｕｉｔＦｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ）容易陷入局部极值、进化后期收敛速度慢和收敛精度低的 缺点，采用反向学习策略加以改进，提出应用反向学习策略的果蝇优化算法ＯＢＬＦＯＡ（ＦＯＡｗｉｔｈＯｐｐｏｓｉｔｉｏｎｂａｓｅｄＬｅａｒｎｉｎｇ）。该算法 将一般反向学习策略和动态一般反向学习策略分别引入到果蝇优化算法的种群初始化和迭代寻优过程中，能得到越来越好的种群 个体。随着迭代过程的逐步深入，使得进化种群快速地逼近最优解。对６个经典测试函数的仿真结果表明，新算法在收敛速度、收 敛可靠性及收敛精度方面比基本果蝇优化算法有较大的提高。 关键词　　进化计算　反向学习　果蝇优化算法 中图分类号　ＴＰ３０１．６　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１４．０４．０３９ ＦＲＵＩＴＦＬＹＯＰＴＩＭＩＺＡＴＩＯＮＡＬＧＯＲＩＴＨＭＷＩＴＨＯＰＰＯＳＩＴＩＯＮＬＥＡＲＮＩＮＧＰＯＬＩＣＹ ＨａｎＪｕｎｙｉｎｇ　ＬｉｕＣｈｅｎｇｚｈｏｎｇ （ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＧａｎｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，Ｇａｎｓｕ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｔｈｅｂａｓｉｃｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＦＯＡ）ｔｅｎｄｓｔｏｒｅｌａｐｓｅｉｎｔｏｌｏｃａｌｅｘｔｒｅｍｕｍ，ｂｅｉｎｇｓｌｏｗａｔｃｏｎｖｅｒｇｅｎｃｅｖｅｌｏｃｉｔｙａｎｄ ｂｅｉｎｇｌｏｗａｔｃｏｎｖｅｒｇｅｎｃｅａｃｃｕｒａｃｙ．Ｔｏｏｖｅｒｃｏｍｅｔｈｅｓｅｄｅｍｅｒｉｔｓ，ｂｙｉｎｔｒｏｄｕｃｉｎｇｏｐｐｏｓｉｔｉｏｎｌｅａｒｎｉｎｇｐｏｌｉｃｙｔｏｉｍｐｒｏｖｅｉｔ，ｔｈｅｐａｐｅｒｐｕｔｓ ｆｏｒｗａｒｄａｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｗｉｔｈｏｐｐｏｓｉｔｉｏｎｌｅａｒｎｉｎｇｐｏｌｉｃｙ（ＯＢＬＦＯＡ）．Ｔｈｅａｌｇｏｒｉｔｈｍｉｎｔｒｏｄｕｃｅｓｇｅｎｅｒａｌｉｚｅｄｏｐｐｏｓｉｔｉｏｎｌｅａｒｎｉｎｇ ｐｏｌｉｃｙａｎｄｄｙｎａｍｉｃｏｐｐｏｓｉｔｉｏｎｌｅａｒｎｉｎｇｌｅａｒｎｉｎｇｐｏｌｉｃｙｒｅｓｐｅｃｔｉｖｅｌｙｉｎｔｏＦＯＡ’ｓｐｏｐｕｌａｔｉｏｎｉｎｉｔｉａｌｉｚａｔｉｏｎａｎｄｉｔｅｒａｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｓｓｅｓ， ｓｏｔｈａｔｉｔｃａｎｏｂｔａｉｎｂｅｔｔｅｒａｎｄｂｅｔｔｅｒｐｏｐｕｌａｔｉｏｎａｎｄｉｎｄｉｖｉｄｕａｌｓ．Ｗｉｔｈｔｈｅｇｒａｄｕａｌｄｅｅｐｅｎｉｎｇｏｆｔｈｅｉｔｅｒａｔｉｖｅｐｒｏｃｅｓｓ，ｔｈｅｅｖｏｌｕｔｉｏｎａｒｙｐｏｐｕｌａ ｔｉｏｎｑｕｉｃｋｌｙｄｒａｗｓｎｅａｒｔｈｅｏｐｔｉｍａｌｒｅｓｏｌｕｔｉｏｎ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｗｉｔｈ６ｃｌａｓｓｉｃａｌｔｅｓｔｉｎｇｆｕｎｃｔｉｏｎｓｓｈｏｗｔｈａｔｔｈｅｎｅｗａｌｇｏｒｉｔｈｍｈａｓｇａｉｎｅｄ ｓｉｇｎｉｆｉｃａｎｔｉｍｐｒｏｖｅｍｅｎｔｓｏｎｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄ，ｃｏｎｖｅｒｇｅｎｃｅｒｅｌｉａｂｉｌｉｔｙａｎｄｃｏｎｖｅｒｇｅｎｃｅａｃｃｕｒａｃｙ． Ｋｅｙｗｏｒｄｓ　　Ｅｖｏｌｕｔｉｏｎａｒｙｃｏｍｐｕｔａｔｉｏｎ　Ｏｐｐｏｓｉｔｉｏｎｌｅａｒｎｉｎｇ　Ｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＦＯＡ） 速度变慢，收敛精度降低，尤其对于高维多极值复杂优化问题更 ０　引　言 是如此。