反向认知的高效果蝇优化算法
具有Lévy飞行和精英反向学习的果蝇优化算法
具有Lévy飞行和精英反向学习的果蝇优化算法杨菊蜻;张达敏;张慕雪;朱陈柔玲【期刊名称】《通信技术》【年(卷),期】2017(050)009【摘要】针对果蝇优化算法(FOA)寻优精度不高、容易陷入局部极值的缺陷,提出了一种具有莱维飞行搜索策略和精英反向学习的果蝇优化算法(LOBL-FOA).首先,采用莱维飞行搜索模式对果蝇寻优过程中位置更新方式进行改进,使得算法具有较强的全局寻优能力,并在一定程度上避免了算法的过早收敛;其次,对精英果蝇个体进行反向学习生成反向解,保留具有较优味道浓度的果蝇个体,从而提高了算法搜索精度;最后,对5个经典测试函数在固定迭代次数和固定寻优精度条件下进行仿真测试,并同参考文献算法进行对比,结果表明本文提出的改进果蝇优化算法相较于传统果蝇优化算法具有较强的寻优精度和收敛效率.%For the basic Fruit Fly Optimization Algorithm (FOA) has the shortcomings of low optimization precision and easily falling into local optimal value, a fruit fly optimization algorithm with Lévy flight and elite reverse learning (LO BL-FOA) is proposed. First of all, the Levy flight search mode is adopted to improve the location update way in fruit fly optimization process, thus making the algorithm with fairly strong global optimization ability and avoiding to a certain extent the premature convergence of the algorithm. Then the reverse learning of elite fruit fly individuals is used to generate inverse solutions, and the individual fruit flies with better taste concentration are retained, thus improving the searching accuracy of the algorithm. Finally,the simulation tests of 5 classical test functions under the condition of fixed iteration and fixed optimization precision are carried out, and compared with the reference algorithm. The experiment results show that the modified fruit fly optimization algorithm has much stronger optimization precision and convergence efficiency than the traditional fruit fly optimization algorithms.【总页数】7页(P1929-1935)【作者】杨菊蜻;张达敏;张慕雪;朱陈柔玲【作者单位】贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳 550025【正文语种】中文【中图分类】TP301.6【相关文献】1.一种基于lévy飞行轨迹的果蝇优化算法 [J], 郭德龙;杨楠;周永权2.具有Levy飞行特征的双子群果蝇优化算法 [J], 张前图;房立清;赵玉龙3.应用反向学习策略的果蝇优化算法 [J], 韩俊英;刘成忠4.融合Lévy飞行和精英反向学习的WOA-SVM多分类算法 [J], 何小龙;张刚;陈跃华;杨尚志5.具有Lévy飞行和反向学习的增强型人工蜂群算法 [J], 李星;张少平;邵鹏因版权原因，仅展示原文概要，查看原文内容请购买。
果蝇优化算法原理
果蝇优化算法原理果蝇优化算法（Fruit Fly Optimization Algorithm，简称FOA）是一种基于自然界果蝇觅食行为的优化算法。
该算法模拟了果蝇在寻找食物时的觅食策略，通过不断地迭代更新食物位置，以找到最优解。
FOA在求解复杂问题方面具有一定的优势，下面将对其原理进行详细介绍。
1. 算法初始化FOA的第一步是进行算法的初始化。
初始化过程中需要确定果蝇的数量、迭代次数、食物位置等参数。
具体步骤如下：（1）确定果蝇的数量：根据问题的复杂程度和规模，确定果蝇的数量。
较大的果蝇数量可以增加搜索空间，提高算法的收敛性。
（2）确定迭代次数：决定算法的收敛速度和效果。
通常情况下，迭代次数越多，算法的寻优效果越好。
（3）确定食物位置：根据问题的特性和约束条件，合理设定食物位置的初始值。
2. 果蝇的搜索行为果蝇在搜索食物时有两种行为模式：移动行为和调整行为。
具体介绍如下：（1）移动行为：果蝇根据当前的食物浓度决定自己的移动方向。
食物浓度高的地方，果蝇趋向于向该方向移动；反之，则向浓度低的地方移动。
（2）调整行为：当果蝇移动到新的位置后，会根据当前位置的食物浓度对其进行调整。
如果新位置的食物浓度优于原来的位置，则果蝇会调整自己的位置为新位置；否则保持不变。
3. 食物位置更新果蝇在搜索过程中通过更新食物位置来优化解的质量。
具体步骤如下：（1）随机选择一只果蝇：随机选择一只果蝇作为食物位置的更新对象。
（2）确定更新范围：根据问题的约束条件，确定食物位置的更新范围。
该范围内的随机变化有助于搜索更广的解空间。
（3）更新食物位置：将当前位置的食物浓度作为目标函数值，通过随机变化的方式更新食物位置。
如果新位置的目标函数值优于原来的位置，则更新为新位置；否则保持不变。
4. 确定最优解FOA通过迭代过程逐渐接近最优解，最终确定最优解的过程如下：（1）记录最优解：在每次更新食物位置时，记录当前最优的解。
具体的选择策略可以根据问题的特性和优化目标进行确定。
应用反向学习策略的果蝇优化算法
应用反向学习策略的果蝇优化算法韩俊英;刘成忠【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)004【摘要】针对基本果蝇优化算法 FOA（Fruit Fly Optimization Algorithm）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（FOA with Opposition-based Learning）。
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。
%The basic fruit fly optimization algorithm (FOA)tends to relapse into local extremum,being slow at convergence velocity and being low at convergence accuracy.To overcome these demerits,by introducing opposition learning policy to improve it,the paper puts forward a fruit fly optimization algorithm with opposition learning policy (OBLFOA).The algorithm introduces generalized opposition learning policy and dynamic opposition learning learning policy respectively into FOA’s population initialization and iterative optimization processes, so that it can obtain better and better population and individuals.With the gradual deepening of the iterative process,the evolutionary popula-tion quickly draws near the optimalresolution.Simulation results with 6 classical testing functions show that the new algorithm has gained significant improvements on convergence speed,convergence reliability and convergence accuracy.【总页数】4页(P157-160)【作者】韩俊英;刘成忠【作者单位】甘肃农业大学信息科学技术学院甘肃兰州 730070;甘肃农业大学信息科学技术学院甘肃兰州 730070【正文语种】中文【中图分类】TP301.6【相关文献】1.具有Lévy飞行和精英反向学习的果蝇优化算法 [J], 杨菊蜻;张达敏;张慕雪;朱陈柔玲2.反向认知的高效果蝇优化算法 [J], 韩俊英;刘成忠3.应用反向学习策略的群搜索优化算法 [J], 汪慎文;丁立新;谢大同;舒万能;谢承旺;杨华4.基于轮盘赌反向选择机制的果蝇优化算法 [J], 张静;高尚5.融合最优邻域扰动和反向学习策略的蝴蝶优化算法 [J], 李彦苍;卜英乔;朱海涛;杜尊峰因版权原因，仅展示原文概要，查看原文内容请购买。
以果蝇算法为主的群智能算法优化研究
以果蝇算法为主的群智能算法优化研究摘要：果蝇算法是一种群智能算法，通过仿照果蝇的觅食方式来实现全局优化，由模拟果蝇群体通过视觉、嗅觉和群体之间的相互竞争和合作而搜寻食物的过程，在很多领域发挥了巨大作用。
果蝇（FOA）算法和粒子群（PSO）算法、遗传（GA）算法相对比，有计算量小、计算速度快、精度较高的优势，参数容易调节，算法流程相对容易，可以实现高效率的理解仿真，迅速的收敛速率和较强的寻优功能也成为了它非常大的优势。
关键词：果蝇算法；优化；群智能1.引言群智能（Swarm）算法是在模仿群居动物协同达成任务的基础上产生的，一般用来处理各类复杂问题，模拟人类思维变化的社会行为是群智能探究学习的下一步任务。
人们的行为和思想等在任何时候都会由于彼此之间的影响从而变的很相似，这些就导致了道德规范及文化和形成。
与果蝇、鸟群的“思想碰撞”不同，人类的两种思想交汇于一处称之为“认同”或“一致”，如某个人的思想共同认知空间里的一点，那应该尽力接近它，相反则应疏远它，因此就形成了我们的社会共识：道德规范和习俗等。
Beni、Hackwood等最早研究并提出了群智能（Swarm），他们提出的的概念只是针对于机器人系统而言的。
随着蚁群算法等的相继诞生，Holland发现了复杂适应系统，群智能思想就此诞生。
2001年，Kennedy等总结了群智能算法和理论，他们认为Bonabeau等定义中“主体”的特殊性和自治性是很多群体没有的，它会严重阻碍群智能的大力推广和发展。
现如今，学术界仍然在讨论群智能的定义，很多理论还不是很成熟，但它拥有处理复杂系统的能力，这使得更多的专家们开始研究群智能理论。
学者们对于群智能的学习和研究渐入佳境，随着群智能相关研究的进展，它在各领域都起到了非常大的的作用。
群智能算法仅用到一些基本的数学方法理论，易于实现，计算也简单，一般的CPU和内存就可以处理数据。
此外，群智能比传统演化计算技术有明显优势：更强的鲁棒性、系统的扩充性、能够充分利用多处理器等。
果蝇优化算法 原理
果蝇优化算法（Fruit Fly Optimization Algorithm）1. 引言果蝇优化算法（Fruit Fly Optimization Algorithm，简称FOA）是一种基于自然界果蝇行为的启发式优化算法。
该算法模拟了果蝇在食物搜索过程中的行为，通过不断迭代和适应性调整来求解问题的最优解。
FOA算法具有较好的全局搜索能力和收敛性能，在多种问题领域都取得了良好的效果。
本文将详细介绍FOA算法的基本原理，包括问题建模、算法流程、关键步骤以及参数设置等内容。
2. 问题建模FOA算法可以用于求解各种优化问题，如函数优化、组合优化、参数寻优等。
首先我们需要将具体问题转化为一个数学模型，即定义目标函数和约束条件。
以函数优化为例，假设我们要求解一个连续型函数f(x)，其中x是决策变量。
我们的目标是找到使得目标函数取得最小值或最大值的决策变量值。
3. 算法流程FOA算法主要包含以下几个步骤：初始化种群、计算适应度、选择果蝇、更新位置和速度。
步骤1：初始化种群首先，我们需要初始化一定数量的果蝇个体作为初始种群。
每个果蝇个体都具有一组决策变量值，表示在问题空间中的一个解。
这些决策变量值可以随机生成，也可以根据问题的特点进行合理选择。
步骤2：计算适应度对于每个果蝇个体，我们需要计算其适应度值。
适应度值反映了该个体在问题空间中的优劣程度。
通常情况下，适应度值越高表示个体越优秀。
步骤3：选择果蝇根据计算得到的适应度值，我们需要选择一些优秀的果蝇个体作为下一轮迭代的父代。
常用的选择方法有轮盘赌选择、锦标赛选择等。
步骤4：更新位置和速度对于选中的父代果蝇个体，我们需要更新它们的位置和速度。
位置更新是通过当前位置加上速度得到的，速度更新则是通过当前速度加上一定变化量得到的。
这里需要注意控制位置和速度变化范围，避免过大或过小。
步骤5：终止条件判断在每次迭代后，我们需要判断是否满足终止条件。
终止条件可以是达到一定的迭代次数、目标函数值不再变化或适应度值不再改善等。
《果蝇优化算法及其应用研究》
《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）是一种基于生物行为的优化算法，其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，实现全局搜索和局部搜索的有机结合，从而在解决复杂优化问题时表现出良好的性能。
本文将对果蝇优化算法的原理、实现方法及其应用进行研究，以期为相关领域的研究和应用提供参考。
二、果蝇优化算法原理果蝇优化算法的核心思想是模拟果蝇在寻找食物过程中的行为。
果蝇通过嗅觉和视觉等感知方式，寻找气味浓度高且距离近的食物源。
在寻找过程中，果蝇会不断调整飞行方向和速度，以最快速度到达食物源。
果蝇优化算法借鉴了这一行为，通过迭代搜索和优化，寻找问题的最优解。
具体而言，果蝇优化算法将问题的解空间视为果蝇的搜索空间，将问题的目标函数视为食物源的吸引力。
算法通过初始化一群果蝇，让它们在解空间中随机搜索。
在每次迭代中，果蝇根据自身的搜索经验和周围果蝇的反馈信息，调整搜索方向和步长，以寻找更好的食物源。
当找到更优解时，算法会更新解的空间和目标函数的信息，继续进行下一轮迭代搜索。
三、果蝇优化算法的实现方法果蝇优化算法的实现主要包括以下几个步骤：1. 初始化果蝇群体：在解空间中随机生成一定数量的果蝇，每个果蝇代表一个解。
2. 评估解的质量：根据目标函数计算每个解的质量（即食物源的吸引力）。
3. 搜索过程：果蝇根据自身的搜索经验和周围果蝇的反馈信息，调整搜索方向和步长，进行全局和局部搜索。
4. 更新解的信息：当找到更优解时，更新解的空间和目标函数的信息。
5. 迭代过程：重复步骤2-4，直到满足停止条件（如达到最大迭代次数或解的质量达到预设阈值）。
四、果蝇优化算法的应用果蝇优化算法具有广泛的适用性，可以应用于许多领域。
以下是几个典型的应用案例：1. 函数优化：果蝇优化算法可以用于求解各种函数的最优解，如单峰函数、多峰函数等。
果蝇优化算法研究综述
果蝇优化算法研究综述李少波;赵辉;张成龙;郑凯【摘要】果蝇优化算法(FOA)是一种新兴的群体智能算法,其思想来源于果蝇群体觅食行为.为进一步推广应用FOA并为深入研究该算法提供相关资料,在分析FOA 基本原理和优缺点的基础上,从FOA各种改进技术及其应用等方面进行深入调查,论述了该算法的改进策略,并阐述了FOA在复杂函数优化、参数优化和组合优化等方面的应用.最后对FOA发展趋势做出展望.%Fruit fly optimization algorithm(FOA)is a new group of intelligent algorithms,the idea of fruit fly from the group foraging behavior.In order to further popularize and apply FOA and provide relevant information for further study of the algorithm,based on the analysis of FOA basic principle and advantages and disadvantages,the improvement strategy of FOA from various aspects of improvement technology and its application are discussed,and the application of FOA in complex function optimization, parameter optimization and combinatorial optimization is expounded.Finally,the development trend of FOA is proposed.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)001【总页数】9页(P163-171)【关键词】果蝇优化算法;改进策略;应用研究【作者】李少波;赵辉;张成龙;郑凯【作者单位】贵州大学机械工程学院,贵阳550025;贵州大学机械工程学院,贵阳550025;贵州大学大数据与信息工程学院,贵阳550025;贵州大学机械工程学院,贵阳550025【正文语种】中文【中图分类】TP18近年来，以蚁群算法[1](ACO)、粒子群算法[2](PSO)、人工蜂群算法[3](ABCA)等为代表的群体智能算法不断发展，渐渐成为人们解决复杂问题的有力工具。
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。
- 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)。
Ｄ ＯＩ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ３ ４ ２ ８ ． ２ ０ １ ３ ． １ １ ． ０ ５ ０
１ 概述
果蝇优化算法（ Ｆ ｒ ｕ ｉ ｔ ｌ ｆ ｙ Ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， Ｆ Ｏ Ａ ） 是
一
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（ Ｂ ｅ ｓ ｔ — Ｗｏ ｒ ｓ ｔ — Ｆ Ｏ Ａ ，
Ｅｆ ｉｃ ｆ ｉ ｅ ｎｔ Ｆｒ ｕｉ ｔ Ｆｌ ｙ Ｏｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｗｉ ｔ ｈ Ｒｅ ｖ ｅ ｒ ｓ ｅ Ｃｏ ｇ ｎｉ ｔ ｉ ｏ ｎ
Ｈ ＡＮ Ｊ ｕｎ － ｙ ｉ ｎｇ ， ＬＩ Ｕ Ｃｈｅ ｔ ｉ ｏ ｎ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｇ ａ ｎ ｓ ｕ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｌ ａ ｎ ｚ ｈ ｏ ｕ ７ ３ ０ ０ ７ ０ ， Ｃ ｈ ｉ ｎ ａ ） ［ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ］ Ｃ ｏ ｎ ｓ ｉ ｄ ｅ ｒ ｉ ｎ ｇ ｔ ｈ ｅ ｐ ｒ ｅ ｍａ ｔ ｕ ｒ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ Ｆ ｒ ｕ ｉ ｔ ｌ ｆ ｙ Ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ （ Ｆ Ｏ Ａ ） ， ａ ｎ ｅ ｗ ｃ ｏ ｌ ｌ ａ ｂ ｏ ｒ ａ ｔ ｉ ｖ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ Ｆ Ｏ Ａ
ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｎ ｅ ｗ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｈ ａ ｓ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｓ ｏ ｆ ｂ ｅ ｔ ｔ ｅ ｒ ｇ ｌ ｏ ｂ ａ ｌ ｓ ｅ ａ ｒ ｃ ｈ ａ ｂ ｉ ｌ ｉ ｙ， ｔ ｓ ｐ ｅ ｅ ｄ ｅ ｒ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｍｏ ｒ ｅ ｐ ｒ ｅ ｃ ｉ ｓ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ．
Ｔ ｈ ｅ ａ ｂ ｉ ｌ ｉ ｙ ｔ ｏ ｆ ｔ ｈ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｈｍ ｔ ｔ ｏ ｂ ｒ ｅ ａ ｋ ａ ｗａ ｙ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｌ ｏ ｃ ａ ｌ ｏ ｐ ｔ ｉ ｍｕ ｍ ａ ｎ ｄ ｔ ｏ ｉ ｆ ｎ ｄ ｔ ｈ ｅ ｇ ｌ ｏ ｂ ａ ｌ ｏ ｐ ｔ ｉ ｍｕ ｍ ｉ ｓ ｇ ｒ ｅ ａ ｔ ｌ ｙ ｅ ｎ ｈ ａ ｎ ｃ ｅ ｄ ． Ｅｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｔ ｌ ｆ ￣
ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｂ ｅｓ ｔ ａ ｎ ｄ ｔ ｈｅ ｗｏ ｒ ｓ ｔ ｉ ｎ ｄｉ ｖ ｉ ｄ ｕ ａ ｌ ｉ ｓ ｐｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ．Ｔｈ ｅ ｅ ｖ ｏ ｌ ｕｔ ｉ ｏ ｎ ａ ｒ ｙ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｏ ｐｔ ｉ ｍｉ ｚ ｅ ｄ ｂｙ ａ ｄ ｄｉ ｎ ｇ ｌ ｅ ａ ｍｉ ｎ ｇ ｔ ｈ ｅ ｗｏ ｒ ｓ ｔ ｉ ｎｄ ｉ ｖｉ ｄ ｕａ ｌ ｔ ｏ ｉ ｔ ．
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 。 关健 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
［ Ｋ ｅ ｙ ｗ ｏ ｒ ｄ ｓ ］ｆ ｒ ｕ ｉ ｔ ｌ ｆ ｙ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ； ｓ ｗ ａ ｒ ｍ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ； ｒ ｅ ｖ ｅ ｒ ｓ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ； ｃ ｏ ｌ ｌ ａ ｂ ｏ ｒ ａ ｔ ｉ ｖ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ；ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ；
第 ３ ９卷 第 １ １ 期
Ｖｂ ｌ ＿ ３ ９
ＮＯ ． １ １
计
算
机
工
程
２ ０ １ ３ 年 １ １月
Ｎｏ ｖ ｅ ｍｂ ｅ ｒ ２ ０１ ３
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｅｎｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
・
人 工智能及识别技术 ・
文章编号：１ ｏ ０ ｏ ＿ ’ － ３ ４ ２ ８ （ ２ ０ １ ３ ） １ １ — ０ ２ ２ ３ — ０ ３
文献标识 码： Ａ
中 圈分类号， Ｔ Ｐ ３ ０ １ ． 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 ７ ３ ０ ０ ７ ０ ） 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