自适应参数调整的果蝇优化算法提升收敛性能

"这篇论文研究了自适应调整参数的果蝇优化算法（FOAAP），针对基本果蝇优化算法（FOA）存在的参数选取不当导致的收敛精度和稳定性问题进行了改进。通过引入逆向云发生器算法，根据种群特征动态调整果蝇个体的搜寻方向和距离参数，从而提高算法在函数优化中的表现。实验结果证明，FOAAP在收敛速度、可靠性和精度上优于基础的FOA和其他相关算法。" 自适应调整参数的果蝇优化算法（FOAAP）是对果蝇优化算法（FOA）的一种创新性改进。FOA是由潘文超在2011年提出的，基于模拟果蝇的觅食行为，用于解决全局优化问题。它的优点在于算法结构简单，易于理解和实现，且所需调整的参数相对较少，但同时也存在参数选取不当可能导致收敛性能下降的问题。 FOA的优化过程基于一阶微分方程，相比其他群智能算法如粒子群优化（PSO）的二阶微分方程，其运算更为简洁。然而，尽管FOA的参数数量少于其他算法，如遗传算法或PSO，但参数的不当设置仍然会影响算法的性能，甚至造成算法在复杂优化问题中陷入局部最优，导致收敛速度减缓和精度降低。 为了解决这些问题，论文提出FOAAP，它利用逆向云发生器算法来获取种群的全局信息，并据此动态调整果蝇个体的搜寻策略。通过计算出的云模型特征[C(Ext,Ent,Het)]，根据[U]条件隶属云发生器，自适应地改变个体的“方向”和“距离”参数（Value），使得算法能够更好地探索解决方案空间，提高搜索效率。 实验证明，FOAAP在解决函数优化问题时，相比基础的FOA和其他相关算法，表现出更快的收敛速度、更高的收敛可靠性以及更优的收敛精度。这表明，自适应调整参数的方法有效地解决了FOA的不足，提升了算法在应对高维和多极值问题时的能力。 FOAAP的这一改进对未来的优化算法研究具有重要意义，它提供了一种新的思路来改善基于生物行为模拟的优化算法的性能。通过对参数的动态调整，不仅可以增强算法的适应性，还能减少因参数选择不当导致的优化难题，为复杂工程问题的求解提供了有力工具。未来的研究可能将进一步探讨如何优化这种自适应机制，以适应更多种类的优化问题和应用领域。