改进的花朵授粉算法：提升智能优化性能

本文主要探讨了一种改进的新型元启发式算法——花朵授粉算法。灵感来源于自然界花朵授粉的过程，Yang在原有的基础上提出了这种融合多种智能算法优点的优化技术。该算法的初始设计着重于模拟花粉在不同花朵间传播的随机性和目标导向性，旨在解决复杂的优化问题。 文章首先介绍了花朵授粉算法的基本原理，包括其模仿花粉传递的扩散机制，如何通过随机搜索和信息共享来寻找解空间中的最优解。它强调了算法的全局搜索能力，但同时也指出其存在的局限性，如寻优精度较低、收敛速度较慢以及容易陷入局部最优解。 针对这些问题，作者提出了一个改进版本，即基于差分进化的花朵授粉算法。差分进化策略被引入，通过引入变异、交叉和选择操作，增强了花朵授粉算法的动态性和多样性。变异操作模拟了自然选择中的随机变化，增加了种群的探索性；交叉操作则允许信息在种群成员间流动，提高了算法的创新性；选择操作则保留了最优秀的个体，从而避免了陷入局部最优。 通过十项标准测试函数的实验验证，结果显示，改进后的花朵授粉算法在寻优效率和性能上显著优于基础的花朵授粉算法，以及其他常见的优化算法，如蝙蝠算法和粒子群算法。这表明了该算法在解决复杂优化问题时具有更高的准确性和稳定性。 文章的作者团队由肖辉辉、万常选和段艳明组成，他们分别在智能计算、数据挖掘和情感计算等领域有着深入的研究。他们的研究成果得到了国家自然科学基金、广西自然科学基金等多个项目的资助，显示出该领域的研究受到学术界的广泛关注和支持。 总结来说，这篇文章的核心内容是介绍了一种新颖的、改进的花朵授粉算法，它结合了差分进化策略，提升了算法的全局寻优性能，适用于各种复杂的优化问题，并在实际应用中展现出优越的性能。这对于推动元启发式算法的发展和优化问题的解决具有重要意义。