应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估_潘文超
基于改进果蝇算法求解混合整数非线性规划问题
基于改进果蝇算法求解混合整数非线性规划问题朱志同;赵阳;李炜;郭星【摘要】在科学及工程系统设计中存在许多混合整数非线性规划MINLP(Mixed-Integer NonLinear Programming)问题,该类问题变量类型丰富且约束条件较多,难以求解,为此提出一种改进果蝇算法.该算法对不同类型变量的更新采取不同的策略,并采用周期性的步长函数指导果蝇的寻优,使其避免陷入局部最优.并通过与另外两种常用的算法在稳定性、收敛速度等方面进行了比较,实验结果表明该改进的果蝇算法效果较优,能有效地解决MINLP问题.%There are many MINLP problems in the design of science and engineering systems, which are rich in variables and have many constraints and are difficult to solve.Therefore, this paper proposes an improved fruit flies algorithm.The algorithm uses different strategies to update different types of variables, and uses the periodic step function to guide the optimization of FOA so as to avoid falling into local pared with the other two commonly used algorithms in terms of stability, convergence speed and so on, experimental results show that the improved fruit flies algorithm can effectively solve the MINLP problems.【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)006【总页数】6页(P262-266,308)【关键词】混合整数非线性规划;智能计算;果蝇算法【作者】朱志同;赵阳;李炜;郭星【作者单位】安徽大学计算智能与信号处理重点实验室安徽合肥 230039;安徽大学计算机科学与技术学院安徽合肥 230601;安徽大学计算智能与信号处理重点实验室安徽合肥 230039;安徽大学计算机科学与技术学院安徽合肥 230601;安徽大学计算智能与信号处理重点实验室安徽合肥 230039;安徽大学计算机科学与技术学院安徽合肥 230601【正文语种】中文【中图分类】TP301.6在科学及工程系统设计中存在许多问题都是非线性规划问题，其中混合整数非线性规划MINLP又是非线性规划的一个重要分支[1]。
修正浓度与适应步长的果蝇优化算法
修正浓度与适应步长的果蝇优化算法信成涛;邹海【摘要】基本果蝇优化算法在寻优求解时浓度值只能为正,无法对浓度为负时达到最优的问题进行寻优.另外基本果蝇算法在寻优求解时,步长是随机的,这就容易使算法早熟,陷入局部最优解,算法的求解精度也不高.针对基本果蝇算法的这些问题,提出了一种修正浓度与适应步长的果蝇优化算法.该算法对果蝇得到的浓度值进行了修正,使味道浓度分布在整个正负寻优区间.在迭代时,充分利用果蝇群体已经进行的全局影响因素,对果蝇个体的搜寻距离进行适应性改变.为了验证该算法的效果,选用了几个常用的测试函数对该算法进行实验验证,结果表明,该算法不仅可以有效避免陷入局部最优,在寻优精度上也有一定提升.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)007【总页数】6页(P48-52,187)【关键词】果蝇优化算法;修正浓度;适应步长;局部最优;寻优精度【作者】信成涛;邹海【作者单位】安徽大学计算机科学与技术学院,合肥 230601;安徽大学计算机科学与技术学院,合肥 230601【正文语种】中文【中图分类】TP301.61 引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是由台湾学者潘文超于2011年提出的一种新型的演化式与基于群体智能的寻优算法[1-2]。
该算法受到果蝇觅食行为的启发，是对动物群体寻优的一种模拟[3-5]。
该算法实现简单，一经提出就得到了学术界的广泛关注，并在多个领域得到了应用[6-8]。
由于是新提出的算法，在某些方面还存在一定的缺陷，比如在易陷入局部最优和寻优精度不高[9-10]。
近年来，很多学者对该算法进行了一定的研究，被SCI收录的一种改进的果蝇优化算法（MFOA），提出将果蝇群体划分为相同数量的一些子群体并改变其估价函数，提高了种群多样性，使寻优结果得到了一定的提升，但无法求解浓度值为负时达到最优解的问题[11]；马巧梅等对味道浓度也进行修正，为了解决高维函数间维间互扰问题，在迭代过程中采取逐维扰动的方法并加入了收敛判断因子，但该算法的有效性需进一步的提高[12]；丁国绅等提出的V-FOA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，得到了很好的收敛速度和收敛精度，但在多维函数的寻优求解中得到的结果不是太理想[13]；桂龙等提出的改进步长与策略的果蝇优化算法（CCSFOA），该算法根据历史最优值的差值作为改变步长的依据，平衡了种群的全局与局部搜索的能力，但该算法的运行效率不高[14]。
应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估
二 、 蝇 优 化 算 法 果
果 蝇优 化 算 法 是 由 笔 者 提 出［６， 种 基 于 果 ５３ 一 ，
蝇 觅食 行 为推演 出 的寻求全 局优 化 的新方 法 。果蝇 本 身在感 官 知觉 上 优 于其 他 物 种 ， 其 是 在 嗅觉 与 尤 视 觉上 。果蝇 的嗅觉器 官能 很好 地搜 集飘 浮在 空气 中的各种 气 味 ， 后 飞 近食 物 位 置 后 亦 可使 用 敏 锐 然 的视觉发 现食 物 与 同伴 聚 集 的 位 置 ， 且往 该 方 向 并
后 以财务 比率 作 为 自变 量 （ ， ｘ） 以绩 效好 坏 作 为 因 变量（ ， Ｙ） 再采 用 三种数 据 探勘 技 术 ， 括果 蝇 优 化 包 算 法优 化 广 义 回 归 神 经 网 络 （ ｒ ｉ Ｆｙ Ｏｐｉ ｚ－ Ｆ ｕｔ ｌ ｔ ａ ｍｉ
飞去 。
２ ０ 、 ０ ９年 企业 财务 比率 资 料 ， 据 活动 力 、 定 ０ ８２ ０ 根 安 力 与收 益力 进行 灰关 联分 析 ， 再将 二者 的分 析结 果 ， 按 照灰关 联 度进 行 排 序 ， 以了解 各企 业 的经 营 绩 效
排 名 ， 且 以二分 法 的方式 分 为绩效 好 与坏二 类 ， 并 然
一
、
前 言
ｒｌ ｔ ｒ ， 称 Ｆ ａ Ｎｅｗｏｋ 简 ＯＡＧＲ ＮＮ） 一 般 广 义 回归 神 、
经 网络 （ ｎ ｒｌ ｇ ｅｓ ｎＮｅ ｒｌ ｔ ｒ ， Ｇｅ ｅａ Ｒｅ ｒｓｉ ｕ ａ Ｎｅｗｏ ｋ 简称 ｏ
近年 来 ， 优化 问题处 理 已经逐 渐受 到重 视 ， 例如
中图分 类号 ：２ ２５ Ｆ ７ ．
改进步长与策略的果蝇优化算法
策略的果蝇优化算法 （CSSFOA） 。在一定范围内随机选取历史最优值作为步长变化依据， 动态改变果蝇群体的搜寻 半径， 有效权衡了算法的全局与局部搜索能力 ； 为了避免陷入局部最优， 在果蝇群体趋于稳定时选取一定数量的果 蝇个体执行变异操作。仿真实验结果表明， 提出的改进算法在收敛速度和寻优精度上较基本 FOA 及其几种改进算 法有更好的寻优性能。 关键词： 果蝇优化算法 ； 变步长 ； 变异 ； 收敛精度 文献标志码： A 中图分类号： TP301.6 doi： 10.3778/j.issn.1002-8331.1609-0141
基金项目： 国家自然科学基金 （No.61573022） 。
[6] [4] [5]
作者简介： 桂龙 （1990—） ， 男， 硕士研究生， 主要研究领域为智能计算， E-mail： 1522460481@； 王爱平 （1956—） ， 女， 教授， 主 要研究领域为信息安全， 容错控制； 丁国绅 （1992—） ， 男， 硕士研究生， 主要研究领域为智能计算。 收稿日期： 2016-09-09 修回日期： 2016-11-01 文章编号： 1002-8331 （2018） 04-0148-06 CNKI 网络优先出版： 2017-02-27, /kcms/detail/11.2127.TP.20170227.1339.030.html
1
引言
果蝇优化算法 （FOA） 是潘文超博士在 2011 年 6 月
调整混合类神经网络的参数优化基金买卖决策模型预 测基金投资， 都取得了非常好的效果， 在文献 [7]中利用 果蝇算法搜寻 Boltzmann 机结构， 检测燃机发电机机端 的谐波， 发现不仅优化了网络结构和搜索精度， 而且还 提高了滤波效率。在文献 [8] 中提出了免疫果蝇算法， 将免疫引入果蝇优化算法中对果蝇优化算法进行改进， 运用改进后的果蝇算法调整最小二乘法支持向量机的 参数， 获得了最佳干燥速率模型。 FOA 算法简单容易理解， 所需调整的参数较少， 仅 有 3 个， 与其他群智能算法相比， 具有独特的优势 （如粒 子群算法需调整 5 个参数[9]， 易陷入局部最优； 人工鱼群 算法需调整 5 个参数[10]， 计算量大； 蚁群算法需调整 7 个
应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估_潘文超
２０１１年１２月第２９卷 第４期 太原理工大学学报（社会科学版）Ｊｏｕｒｎａｌ ｏｆ Ｔａｉｙｕａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ（Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅｓ Ｅｄｉｔｉｏｎ）Ｄｅｃ．２０１１ Ｖｏｌ．２９ Ｎｏ．４应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估潘文超（中国科技大学企业管理系，台湾台北１０４） 摘要：近年来，台湾受到美国次贷风暴及欧洲债信的影响，许多大型企业瓦解的事件陆续发生，因此，公司管理阶层有必要好好地检视公司的财务状况，及早防范公司可能面临的经营风险。
文章按照财务五力搜集台湾企业财务比率资料，根据活动力、稳定力与收益力进行灰关联分析，再将分析结果按照灰关联度进行排序，以了解各企业的经营绩效排名；然后采用果蝇优化算法优化广义回归神经网络、一般广义回归神经网络与多元回归模型，进行企业经营绩效侦测模型的建构，以供研究人员及公司管理阶层参考。
分析结果显示，应用果蝇优化算法优化广义回归神经网络在企业经营绩效侦测模型的预测误差有很好的收敛结果，也有很好的分类预测能力。
关键词：果蝇优化算法；企业经营绩效；优化问题；广义回归神经网络中图分类号：Ｆ２７２．５ 文献标识码：Ａ 文章编号：１００９－５８３７（２０１１）０４－０００１－０５ 一、前言近年来，优化问题处理已经逐渐受到重视，例如物流业的最短路线问题［１］或是交通运输业的排班问题［２］等，都必须经由优化算法来加以处理。
到目前为止，经常被用来处理优化问题的算法包括了遗传算法［３］与粒子群算法［４］。
然而，这些算法的共同缺点就是计算过程复杂且初学者不容易了解。
有鉴于此，本文不同于以往学者，而是采用一种全新的果蝇优化算法（Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏ－ｒｉｔｈｍ，简称ＦＯＡ）。
这种优化算法具有计算过程简单，容易将它的观念转换为程序代码而且非常容易理解等优点。
本文首先尝试以求得函数极大值的方式，测试此优化算法的功能；然后，进一步的按照财务五力中的活动力、安定力与收益力搜集台湾２００８、２００９年企业财务比率资料，根据活动力、安定力与收益力进行灰关联分析，再将二者的分析结果，按照灰关联度进行排序，以了解各企业的经营绩效排名，并且以二分法的方式分为绩效好与坏二类，然后以财务比率作为自变量（Ｘ），以绩效好坏作为因变量（Ｙ），再采用三种数据探勘技术，包括果蝇优化算法优化广义回归神经网络（Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａ－ｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｏｐｔｉｍｉｚｅｄ Ｇｅｎｅｒａｌ Ｒｅｇｒｅｓｓｉｏｎ Ｎｅｕ－ｒａｌ Ｎｅｔｗｏｒｋ，简称ＦＯＡＧＲＮＮ）、一般广义回归神经网络（Ｇｅｎｅｒａｌ Ｒｅｇｒｅｓｓｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，简称ＧＲＮＮ）与多元回归模型（Ｍｕｌｔｉｐｌｅ Ｒｅｇｒｅｓｓｉｏｎ，简称ＭＲ），进行企业经营绩效侦测模型的建构，以供研究人员参考。
基于果蝇算法优化广义回归神经网络的凝汽器真空预测
基于果蝇算法优化广义回归神经网络的凝汽器真空预测葛晓霞;肖洪闯;嵇卫;蔡宁宁;缪国钧【期刊名称】《汽轮机技术》【年(卷),期】2018(060)003【摘要】针对凝汽器真空模型复杂而难以准确建立的问题,提出了基于果蝇算法优化广义回归神经网络(FOAGRNN)构建凝汽器真空预测模型的新方法.为了简化网络模型,通过计算平均影响值(MIV)筛选出对凝汽器真空影响较为重要的变量.采用果蝇算法对光滑因子进行优化选取,减少人为设置参数对预测效果的影响,提高广义回归神经网络(GRNN)的预测精度.将该方法应用于660MW火电机组凝汽器真空预测,并与未经变量筛选的GRNN及FOAGRNN预测结果进行对比.结果表明筛选变量过后的FOAGRNN模型的预测精度明显优于另外两种,平均相对误差为1.0925%,能够准确地预测凝汽器真空变化值.【总页数】5页(P208-212)【作者】葛晓霞;肖洪闯;嵇卫;蔡宁宁;缪国钧【作者单位】南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167【正文语种】中文【中图分类】TK242【相关文献】1.应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估 [J], 潘文超2.基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模与预测 [J], 曹岩枫;徐诚3.基于果蝇优化广义回归神经网络的径流预测 [J], 林晓佳4.基于果蝇算法优化GRNN的生物氧化预处理温度预测 [J], 孔颜芳;南新元;石跃飞;苏比努尔·艾依来提5.基于改进蝙蝠算法优化广义回归神经网络的岩质边坡稳定性预测 [J], 杨雅萍;张文莲;孙晓云因版权原因，仅展示原文概要，查看原文内容请购买。
具有记忆的果蝇优化算法
具有记忆的果蝇优化算法白露;王丽芳【摘要】针对基本的果蝇优化算法(FOA)在寻优进化过程中,极易陷入局部极值区域致使算法的收敛精度和收敛速度下降的缺点,提出了一种改进的果蝇优化算法PFOA.从微粒群算法(PSO)更新粒子的方法中得到启发,在果蝇优化算法中加入了个体经验信息和群体经验信息.PFOA使果蝇个体在寻优进化过程中充分地利用了种群历史信息来增加种群的多样性,从而使果蝇个体能够跳出局部最优解区域,提高算法收敛精度和速度.经过对标准测试函数的仿真实验,表明PFOA在收敛精度、收敛速度上比其他FOA具有明显的提高.%In order to overcome the problems of low convergence precision and easily relapsing into local optimum in the optimization process of the fruit fly algorithm (FOA),this paper presents an improved algorithm PFOA.Inspired by the Particle Swarm Optimization (PSO),the memory of each individual and the memory of the best individual are added into the new algorithm PFOA.In the optimization process,PFOA increases the diversity of fruit fly population and makes fruit fly escape from local optimum,thus improving the algorithm convergence accuracy and speed.The experiment results of standard test functions show that PFOA is better than the other FOAs in convergence accuracy and convergence speed,and the global convergence ability of population has been improved.【期刊名称】《太原科技大学学报》【年(卷),期】2017(038)003【总页数】6页(P172-177)【关键词】果蝇优化算法;微粒群算法;适应度值【作者】白露;王丽芳【作者单位】太原科技大学复杂系统与智能计算实验室,太原 030024;太原科技大学复杂系统与智能计算实验室,太原 030024【正文语种】中文【中图分类】TP18果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是由著名学者潘文超博士在2011年提出的一种全新的群智能全局优化算法[1-2],该算法思想来自果蝇种群自觉觅食的过程。
《果蝇优化算法及其应用研究》范文
《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FFOA）是一种基于生物启发式的优化算法，灵感来源于果蝇在寻找食物过程中的行为。
该算法通过模拟果蝇的觅食行为，利用果蝇对果实的趋食性以及飞行过程中的随机性，进行全局搜索和局部搜索的平衡，从而找到最优解。
近年来，果蝇优化算法在多个领域得到了广泛的应用和研究。
本文将介绍果蝇优化算法的基本原理、特点、应用领域以及研究现状。
二、果蝇优化算法的基本原理果蝇优化算法的基本原理包括初始化、搜索、评估和更新四个步骤。
首先，算法随机生成一定数量的解作为初始解集，每个解代表一个果实的坐标。
然后，根据果实的“香味”（即目标函数值）进行搜索，寻找更优的解。
在搜索过程中，算法利用果蝇的趋食性和随机性，不断调整搜索方向和范围。
当找到更优的解时，算法会更新解集，并将该解作为新的起点进行下一轮搜索。
重复上述步骤，直到满足算法的终止条件（如达到最大迭代次数或解的改进幅度小于一定阈值）。
三、果蝇优化算法的特点果蝇优化算法具有全局搜索能力强、收敛速度快、鲁棒性好等特点。
由于算法利用了果蝇的趋食性和随机性，能够在搜索过程中平衡全局搜索和局部搜索，从而找到最优解。
此外，算法的参数设置相对简单，易于实现。
四、果蝇优化算法的应用领域果蝇优化算法在多个领域得到了广泛的应用，如函数优化、组合优化、图像处理等。
在函数优化方面，果蝇优化算法可以有效地解决复杂的多维函数优化问题。
在组合优化方面，可以应用于旅行商问题、作业调度问题等。
此外，果蝇优化算法在图像处理方面也有很好的应用前景，如图像分割、图像识别等。
五、研究现状与展望目前，果蝇优化算法的研究正在不断深入，越来越多的学者将其应用于不同领域的问题求解中。
未来，果蝇优化算法将进一步拓展其应用范围，并与其他优化算法进行融合，以提高求解效率和精度。
同时，对于算法本身的改进和优化也将成为研究的重要方向。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
潘文超
（中国科技大学 企业管理系，台湾 台北 １０４）
摘要：近年来，台湾受到美国次贷风暴及欧洲债信的影响 ，许多大型企业瓦解的事件陆续发生 ， 因此，公司管理阶层有必要好好地检视公司的财务状况 ，及早防范公司可能面临的经营风险 。文章 按照财务五力搜集台湾企业财务比率资料 ，根据 活 动 力、稳 定 力 与 收 益 力 进 行 灰 关 联 分 析，再 将 分 析结果按照灰关联度进行排序 ，以了解各企业的经营绩效排名 ；然后采用果蝇优化算法优化广义回 归神经网络、一般广义回归神经网络与多元回归 模 型 ，进 行 企 业 经 营 绩 效 侦 测 模 型 的 建 构，以 供 研 究人员及公司管理阶层参考 。分析结果显示，应用 果 蝇 优 化 算 法 优 化 广 义 回 归 神 经 网 络 在 企 业 经 营绩效侦测模型的预测误差有很好的收敛结果 ，也有很好的分类预测能力 。
３
（二 ）企 业 的 经 营 管 理 绩 效 分 析 本文采用 Ｔｏｎｇ的方法使用财 务 比 率 作 为 评 价
因子［７］，然后 利 用 Ｄｅｎｇ 教 授 提 出 的 灰 关 联 分 析 并 且使用 Ｗｅｎ ｅｔ ａｌ．教 授 所 开 发 的 灰 关 联 分 析 Ｍａｔ－ ｌａｂ 工具箱去分 析 １ ０００ 家 企 业 的 灰 关 联 度 值 并 进 行排名 。 ［８，９］ 此外，本 文 选 择 负 债 比 率 最 小 值，其 余 比率最大值做标 准 序 列。 根 据 灰 关 联 的 定 义，灰 关 联度是二条序列之间的相关程度。不同的比较序列
２
太原理工大学学报（社会科学版） 第２９卷
Ｘ＿ａｘｉｓ ＝ Ｘ（ｂｅｓｔＩｎｄｅｘ）． Ｙ＿ａｘｉｓ＝ Ｙ（ｂｅｓｔＩｎｄｅｘ）． ７．进入果蝇迭 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
有 鉴 于 此 ，本 文 不 同 于 以 往 学 者 ，而 是 采 用 一 种 全 新 的 果 蝇 优 化 算 法 （Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏ－ ｒｉｔｈｍ，简称 ＦＯＡ）。这种优 化 算 法 具 有 计 算 过 程 简 单，容易将它的观念 转 换 为 程 序 代 码 而 且 非 常 容 易 理解等优点。本文首先尝试以求得函数极大值的方 式，测试此优化算 法 的 功 能；然 后，进 一 步 的 按 照 财 务 五 力 中 的 活 动 力、安 定 力 与 收 益 力 搜 集 台 湾 ２００８、２００９年企业财务比率 资 料，根 据 活 动 力、安 定 力 与 收 益 力 进 行 灰 关 联 分 析 ，再 将 二 者 的 分 析 结 果 ， 按照灰关联度进行 排 序，以 了 解 各 企 业 的 经 营 绩 效 排 名 ，并 且 以 二 分 法 的 方 式 分 为 绩 效 好 与 坏 二 类 ，然 后以财务比 率 作 为 自 变 量 （Ｘ），以 绩 效 好 坏 作 为 因 变量（Ｙ），再采用三种数据探勘技术，包 括 果 蝇 优 化 算法优 化 广 义 回 归 神 经 网 络 （Ｆｒｕｉｔ Ｆｌｙ Ｏｐｔｉｍｉｚａ－
① 其完整程序代码，可以参考网址：ｈｔｔｐ：／／ｗｗｗ．ｏｉｔｅｃｓｈｏｐ．ｂｙｅｔｈｏｓｔ１６．ｃｏｍ／ＦＯＡ．ｈｔｍｌ，２０１１－１１－０７．
第 ４ 期 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 绩 效 评 估
与标准序列会产生相应的灰关联度再将其排序为灰
关联序。越高的灰关联度值代表其企业的经营绩效 越佳。 因 此，选 取 前 ５００ 名 企 业 经 营 绩 效 佳 的 上 市 上柜公司（以０ 表 示 ）和 后 ５００ 名 企 业 经 营 绩 效 不 佳的上市上柜公司（以１ 表示）作为因变 量（Ｙ）。本 文采用 ＭＡＴＬＡＢ７．０ 软件进行 灰 关 联 分 析，而 图 ３ 中各序列分别代表 一 家 台 湾 上 市 上 柜 公 司；一 条 序 列 中 共 有 ９ 个 节 点 ，分 别 代 表 ９ 种 形 态 的 财 务 比 率 ， 用星号线 连 接 称 为 标 准 序 列 （Ｓｔａｎｄａｒｄ ｓｅｑｕｅｎｃｅ）， 其余的 线 称 为 比 较 序 列 （Ｉｎｓｐｅｃｔｅｄ ｓｅｑｕｅｎｃｅ）。 若 比较序列越接近标 准 序 列，代 表 该 企 业 的 经 营 绩 效 越好。研究发现，在２００８年的 企 业 中 经 营 绩 效 前 ３ 名的 企 业 分 别 是 关 贸 （６ １８３）、思 源 （２ ４７３）和 景 岳 （３ １６４），而 经 营 绩 效 后 ３ 名 的 企 业 分 别 是 美 嘉 电 （４ ４１５）、得捷（５ ２０４）和 陇 华 （２ ４２４）；在 ２００９ 年 的 企 业 中 经 营 绩 效 前 ３ 名 的 企 业 分 别 是 关 贸 （６ １８３）、 大 冢 （３ ５７０）和 通 泰 （５ ４８７），而 经 营 绩 效 后３ 名 的 企 业 分 别 是 茂 德 （５ ３８７）、佳 鼎 （５ ３１８）和 建 台 （１ １０７）。 本文将财务比率自变量与因变量作为样本数据共有
４．味道浓度判定值 （Ｓ）代 入 味 道 浓 度 判 定 函 数 （或称为 Ｆｉｔｎｅｓｓ ｆｕｎｃｔｉｏｎ）以 求 出 该 果 蝇 个 体 位 置
图 ２ 迭 代 搜 寻 函 数 极 值 曲 线 图
三 、案 例 分 析
的 味道 浓 度 （Ｓｍｅｌｌｉ）。
（一 ）样 本 数 据 与 变 量
依照 果 蝇 搜 寻 食 物 的 特 性，将 其 归 纳 为 几 个 必 要 的 步 骤 与 程 序 范 例 ，以 提 供 读 者 参 考 。 如 图 １。
＊ 收稿日期：２０１１－０７－２４ 作者简介：潘文超（１９６６－），男，江苏淮安人，中 国 科 技 大 学 讲 师，博 士，Ｋｎｏｗｌｅｄｇｅ－Ｂａｓｅｄ Ｓｙｓｔｅｍｓ（ＳＣＩ）、Ｅｃｏｎｏｍｉｃ Ｍｏｄ－ ｅｌｉｎｇ（ＳＳＣＩ）、Ｃｏｎｓｔｒｕｃｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ｅｃｏｎｏｍｉｃｓ（ＥＩ）等 论 文 评 审 委 员 ，研 究 方 向 ：数 据 挖 掘 、商 业 智 能 。
［ｂｅｓｔＳｍｅｌｌ ｂｅｓｔＩｎｄｅｘ］＝ ｍａｘ（Ｓｍｅｌｌ）．
力 （应收账款周转 率 Ｘ１，资 产 周 转 率 Ｘ２，股 东 权 益
６．保留最佳味道浓 度 值 与 ｘ、ｙ 坐 标，此 时 果 蝇 周转率 Ｘ３），安定力 （流动比率 Ｘ４，速 动 比 率 Ｘ５，负
群体利用视觉 向 该 位 置 （Ｆｌｙ２）飞 去，形 成 新 的 群 聚 债比率 Ｘ６）和 收 益 力 （毛 利 率 Ｘ７，营 业 利 益 率 Ｘ８，
本文 主 要 的 结 构 是：第 一 节 介 绍 研 究 动 机 与 目 的，第二节介绍果蝇 优 化 算 法 与 探 讨 以 求 解 极 大 值 为范例，第三节介绍 所 使 用 的 样 本 数 据 与 实 际 案 例 分 析 ，第 四 节 提 出 研 究 结 论 与 建 议 。
二 、果 蝇 优 化 算 法
关 键 词 ：果 蝇 优 化 算 法 ；企 业 经 营 绩 效 ；优 化 问 题 ；广 义 回 归 神 经 网 络 中 图 分 类 号 ：Ｆ２７２．５ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１００９－５８３７（２０１１）０４－０００１－０５
一 、前 言
近 年 来 ，优 化 问 题 处 理 已 经 逐 渐 受 到 重 视 ，例 如 物流业的最短路线问题 或 ［１］ 是交通运输业的排 班 问 题 等 ［２］ ，都必须 经 由 优 化 算 法 来 加 以 处 理。 到 目 前 为止，经常被用来处 理 优 化 问 题 的 算 法 包 括 了 遗 传 算法 与 ［３］ 粒子 群 算 法 。 ［４］ 然 而，这 些 算 法 的 共 同 缺 点就是计算过程复杂且初学者不容易了解。
Ｘ４ ９９４．３４
６．１３ ２２３．９８４ １４１．７６４ ９９２．２２
４．４３ ２３６．５９１ １６４．７０３
Ｘ５ ９８４．７７
０．７２ １５４．４４２ １２８．５２０ ９５３．７７
１．３３ １６５．３５５ １４２．３６２
Ｘ６ １７１．６７
６．０２ ４３．６１５ １７．８３９ １１２．３９
图 １ 果 蝇 群 体 迭 代 搜 索 食 物 示 意 图
１．随 机 初 始 果 蝇 群 体 位 置 （Ｆｌｙ Ｇｒｏｕｐ）。 Ｉｎｉｔ Ｘ＿ａｘｉｓ；Ｉｎｉｔ Ｙ＿ａｘｉｓ． ２．赋与果蝇个体（Ｆｌｙ１，Ｆｌｙ２，Ｆｌｙ３）利 用 嗅 觉 搜 寻食物之随机方向与距离。
执 行 步 骤 ６。① 本文尝试以 ＦＯＡ 求 得 极 大 值，其 函 数 为 Ｙ＝３
Ｘｉ＝ Ｘ＿ａｘｉｓ ＋ Ｒａｎｄｏｍ Ｖａｌｕｅ． Ｙｉ＝ Ｙ＿ａｘｉｓ ＋ Ｒａｎｄｏｍ Ｖａｌｕｅ． ３．由 于 无 法 得 知 食 物 位 置，因 此 先 估 计 与 原 点 之距离（Ｄｉｓｔ），再 计 算 味 道 浓 度 判 定 值 （Ｓ），此 值 为 距离之倒数。
槡 Ｄｉｓｔｉ＝ Ｘｉ２＋Ｙｉ２ ；Ｓｉ＝Ｄ１ｉｓｔｉ ．
ｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｏｐｔｉｍｉｚｅｄ Ｇｅｎｅｒａｌ Ｒｅｇｒｅｓｓｉｏｎ Ｎｅｕ－ ｒａｌ Ｎｅｔｗｏｒｋ，简 称 ＦＯＡＧＲＮＮ）、一 般 广 义 回 归 神 经网络 （Ｇｅｎｅｒａｌ Ｒｅｇｒｅｓｓｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，简 称 ＧＲＮＮ）与 多 元 回 归 模 型 （Ｍｕｌｔｉｐｌｅ Ｒｅｇｒｅｓｓｉｏｎ，简 称 ＭＲ），进行企 业 经 营 绩 效 侦 测 模 型 的 建 构，以 供 研究人员参考。
－Ｘ２，此极大值 的 解 答 为 ３。 随 机 初 始 化 果 蝇 群 体 位置区间为［０，１０］，迭 代 的 果 蝇 搜 寻 食 物 的 随 机 飞 行方向与距离区间 为 ［－１，１］。 经 由 １００ 次 迭 代 搜 寻最大值后，程序执 行 结 果 逐 渐 逼 近 该 函 数 极 值 之 解答。图２为迭代搜寻函数极值的解所绘制的曲线 图，由图中可发现该曲线逐渐逼近 函 数 极 大 值 ３，而 该 群 果 蝇 之 坐 标 为 （８０．３２９ ６，７４．３３５ １）。