自适应调整参数的果蝇优化算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (7): 50-55.

自适应调整参数的果蝇优化算法

韩俊英，刘成忠

甘肃农业大学信息科学技术学院，兰州 730070

出版日期:2014-04-01 发布日期:2014-04-25

Fruit fly optimization algorithm with adaptive parameter

HAN Junying, LIU Chengzhong

School of Information Science and Technology, Gansu Agricultural University, Lanzhou 730070, China

Online:2014-04-01 Published:2014-04-25

摘要/Abstract

摘要： 针对基本果蝇优化算法因参数选取不当而导致的收敛精度偏低且不稳定的问题，提出了自适应调整参数的果蝇优化算法（FOA with Adaptive Parameter，FOAAP）。该算法在每个进化代输入描述种群整体特征的精确数值，由逆向云发生器算法得到当代云模型的3个数字特征[C(Ext,Ent,Het)]，按照[U]条件隶属云发生器自适应调整果蝇个体搜寻食物的方向与距离[Value]这一参数。将该算法在函数优化中，与基本果蝇优化算法以及相关文献中算法进行仿真对比，结果表明，新算法在收敛速度、收敛可靠性及收敛精度方面具有明显优势。

关键词: 云模型, 自适应, 果蝇优化算法, 收敛精度

Abstract: In order to overcome the problems of FOA, such as low convergence precision and unstable convergence resulted from improper random parameter, an improved FOA is proposed, called Fruit Fly Optimization Algorithm with Adaptive Parameter（FOAAP）. In each evolutionary generation, the accurate values describing the characteristics of the overall species are input, 3 digital characteristics[C(Ext,Ent,Het)] of the contemporary cloud model are obtained by backward cloud generator, then using [U]conditions membership cloud generator, the parameter [Value] is adaptively adjusted, which is Fruit Fly’s searching distance and direction for food. FOAAP is compared with FOA and other algorithms in reference literatures, experimental results show that FOAAP has the advantages of speeder convergence, higher convergence precision and higher convergence reliability.

Key words: cloud model, adaptive, Fruit Fly Optimization Algorithm（FOA）, convergence precision

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.

HAN Junying, LIU Chengzhong. Fruit fly optimization algorithm with adaptive parameter[J]. Computer Engineering and Applications, 2014, 50(7): 50-55.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[4]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[5]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[6]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[7]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[8]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[9]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[10]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[11]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.
[12]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[13]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[14]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[15]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.