引入牽引機制的果蠅優(yōu)化算法及其應用研究.pdf

1、群體智能算法是解決復雜優(yōu)化問題的一種重要方式。該方法主要通過模擬自然界中的某些生物行為，在可行解空間通過逐步迭代的方式得出待優(yōu)化問題的結果。相比梯度下降等傳統(tǒng)優(yōu)化算法，群體智能優(yōu)化算法具有較強的魯棒性，在實際應用中也十分容易實現(xiàn)。群體智能算法為解決復雜的參數(shù)優(yōu)化問題提供了新的思路，受到了相關學者的廣泛關注并成功解決了許多優(yōu)化難題。果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)是近年來提出的一種新

2、型群體智能算法，有著計算量低，收斂速度快，流程簡單的特點。目前果蠅優(yōu)化算法已經在科研和生產領域中得到了較為廣泛的應用，然而在實際算法應用中FOA也存在著容易陷入局部最優(yōu)，不能完整遍歷可行域，搜索方式不靈活等問題，這些缺陷限制了FOA的應用范圍，成為FOA算法研究中亟待解決的問題。
　　本文通過研究FOA算法的尋優(yōu)過程，針對FOA的缺陷提出了一種引入牽引機制的果蠅優(yōu)化算法(Traction Fruit Fly Optimizatio

3、n Algorithm，TFOA)，并對TFOA分別在離散和連續(xù)兩種環(huán)境下進行了尋優(yōu)能力測試，以驗證算法的優(yōu)化能力。同時，利用果蠅優(yōu)化算法計算量低，尋優(yōu)速度快的特點將改進之后的果蠅優(yōu)化算法應用于無線傳感器網絡節(jié)點定位問題的研究，拓展了果蠅優(yōu)化算法在無線傳感器網絡領域的應用范圍。實驗證明，相比傳統(tǒng)定位算法，結合TFOA的定位算法定位精度更高，抗測距誤差能力更強，相比粒子群算法和遺傳算法，本文的定位算法收斂速度較快，定位效果更好。
　

4、　本文研究的主要內容總結如下。
　　(1)從理論上證明了果蠅優(yōu)化算法的缺陷并對算法的收斂性進行了詳細的數(shù)學分析。針對FOA的缺陷在原始算法的基礎上引入了牽引機制和新的搜索半徑計算方式，解決了原有算法不能遍歷實數(shù)域、容易陷入局部最優(yōu)的問題。
　　(2)為了驗證算法改進之后的性能，首先將本文算法與四種改進的果蠅優(yōu)化算法對12個標準測試函數(shù)進行極值求解以驗證算法在連續(xù)環(huán)境下的尋優(yōu)能力，然后通過對Web服務組合問題進行優(yōu)化，進一步驗