局部深度搜索的混合果蝇优化算法

doi:10.11772/j.issn.1001-9081.2014.04.1060

计算机应用 ›› 2014, Vol. 34 ›› Issue (4): 1060-1064.DOI: 10.11772/j.issn.1001-9081.2014.04.1060

局部深度搜索的混合果蝇优化算法

刘成忠¹,²,黄高宝²,张仁陟¹,²,柴强²

1. 甘肃农业大学资源与环境学院,兰州 730070
2. 甘肃省干旱生境作物学重点实验室,兰州 730070;

收稿日期:2013-10-25 修回日期:2013-12-28 发布日期:2014-04-29 出版日期:2014-04-01
通讯作者: 张仁陟
作者简介:刘成忠(1969-),男,甘肃天祝人,副教授,博士研究生,主要研究方向:智能决策支持系统;
黄高宝(1965-2012),男,甘肃天水人,教授,博士,主要研究方向:农业生态学;
张仁陟(1961-),男,甘肃静宁人,教授,博士,主要研究方向:生态学;
柴强 (1972-),男,甘肃武威人,教授,博士,主要研究方向:农业生态学。
基金资助:
国家自然科学基金资助项目;甘肃省自然科学基金资助项目;甘肃省教育厅科研基金资助项目;甘肃省干旱生境作物学重点实验室开放基金资助项目;甘肃农业大学青年导师基金资助项目

Shuffled fruit fly optimization algorithm with local deep search

LIU Chengzhong¹,²,HUANG Gaobao²,ZHANG Renzhi¹,²,CHAI Qiang²

1. College of Resources and Environmental Sciences, Gansu Agricultural University, Lanzhou Gansu 730070, China
2. Gansu Provincial Key Lab of Aridland Crop Science, Lanzhou Gansu 730070, China

Received:2013-10-25 Revised:2013-12-28 Online:2014-04-29 Published:2014-04-01
Contact: ZHANG Renzhi

摘要/Abstract

摘要：

针对基本果蝇优化算法(FOA)局部深度搜索能力较差且易陷入局部最优的缺点，提出了局部深度搜索的混合果蝇优化算法(SFOALDS)。通过借鉴混合蛙跳算法(SFLA)的更新策略，循环进行局部深度搜索操作，使得SFOALDS既保持了FOA较快的收敛速度，又增强了FOA局部深度搜索能力，有效避免了基本FOA易陷入局部最优的缺点，提高了进化后期算法的收敛速度和精度。仿真实验结果表明，SFOALDS比基本FOA和SFLA有较强的全局寻优性能，并且在高维函数上的优势更加明显。

Abstract:

In order to overcome the demerits of poor deeply searching ability and easily relapsing into local extremum in basic Fruit Fly Optimization Algorithm (FOA), a new algorithm named Shuffled Fruit Fly Optimization Algorithm with Local Deep Search (SFOALDS) was proposed. The local optimal individual in each group was deeply searched circularly by referencing updating strategy of Shuffled Frog Leaping Algorithm (SFLA). SFOALDS not only efficiently avoids relapsing into local extremum, but also improves convergence velocity and convergence precision in the late evolution. The experimental results show that the proposed algorithm has better global searching performance than basic FOA and SFLA, especially on high dimensional functions.

中图分类号:

TP18
TP301.6

刘成忠黄高宝张仁陟柴强. 局部深度搜索的混合果蝇优化算法[J]. 计算机应用, 2014, 34(4): 1060-1064.

LIU Chengzhong HUANG Gaobao ZHANG Renzhi CHAI Qiang. Shuffled fruit fly optimization algorithm with local deep search[J]. Journal of Computer Applications, 2014, 34(4): 1060-1064.

参考文献

［1］PAN W-T. A new fruit fly optimization algorithm: taking the financial distress model as an example ［J］.Knowledge-Based Systems, 2012, 26: 69-74.
［2］PAN W-T. Fruit fly optimization algorithm ［M］. Taipei: Tsang Hai Book Publishing Co., 2011: 10-12. (潘文超.果蝇最佳化演算法［M］.台北:沧海书局,2011:10-12.)
［3］PAN W-T. Using fruit fly optimization algorithm optimized general regression neural network to construct the operating performance of enterprises model ［J］. Journal of Taiyuan University of Technology:Social Sciences Edition, 2011, 29(4): 1-5.(潘文超.应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估［J］.太原理工大学学报:社会科学版,2011,29(4):1-5.)
［4］TIAN Y, ZHANG B, LIU D, et al.Condition trend prediction of hydroelectric sets based on fruit fly optimization algorithm optimized GRNN ［J］. Water Resources and Power, 2012, 30(12):127-129. (田源,张彼德,刘代伟,等.基于果蝇优化算法的GRNN水电机组状态趋势预测［J］.水电能源科学,2012,30(12):127-129.)
［5］WANG X, DU K, QIN B, et al.Drying rate modeling based on FOALSSVR ［J］. Control Engineering of China, 2012, 19(4): 630-633. (王欣,杜康,秦斌,等.基于果蝇优化算法的LSSVR干燥速率建模控制工程［J］.控制工程,2012,19(4):630-633.)
［6］WANG X, ZOU Z. Identification of ship manoeuvring responsemodel based on fruit fly optimization algorithm ［J］. Journal of Dalian Maritime University, 2012, 38(3): 1-5. (王雪刚,邹早建.基于果蝇优化算法的船舶操纵响应模型的辨识［J］.大连海事大学学报,2012,38(3):1-5.)
［7］XIAO Z. Application of improved FOA on audio signal blind separation ［J］. Computer Engineering and Applications, 2013, 49(16): 201-204. (肖正安.改进FOA算法在语音信号盲分离中的应用［J］.计算机工程与应用,2013,49(16):201-204)
［8］HU W, LI Z. A simpler and more effective particle swarm optimization algorithm ［J］. Journal of Software, 2007, 18(4): 861-868. (胡旺,李志蜀.一种更简化而高效的粒子群优化算法［J］.软件学报,2007,18(4):861-868.)
［9］WANG L, HONG Y, SHI Q. Global edition artificial fish swarm algorithm ［J］.Journal of System Simulation, 2009,21(23):7483-7486. (王联国,洪毅,施秋红.全局版人工鱼群算法［J］.系统仿真学报,2009,21(23):7483-7486.)
［10］MA D, GUO X, DENG L. Ammunition scheduling of carrier-based aircraft based on modified ant colony algorithm ［J］. Journal of System Simulation, 2012, 24(6): 1207-1211.(马登武,郭小威,邓力.基于改进蚁群算法的舰载机弹药调度［J］.系统仿真学报,2012,24(6):1207-1211.)
［11］HU J. Research on the modified bacteria foraging optimization algorithm and its application ［D］. Wuhan: Wuhan University, 2012. (胡洁.细菌觅食优化算法的改进及应用研究［D］.武汉:武汉大学,2012.)
［12］WOLPENT D H, MACREADY W G. No free lunch theorems for optimization ［J］. IEEE Transactions on Evolutionary Computation, 1997, 1(1): 67-82.
［13］EUSUFF M M, LANSEY K E. Optimization of water distribution network design usingthe shuffled frog leaping algorithm ［J］. Journal of Water Resources Planning and Management, 2003, 129(3): 210-225.
［14］CUI W, LIU X, WANG W, et al.Survey on shuffled frog leaping algorithm ［J］. Control and Decision, 2012, 27(4): 481-487. (崔文华,刘晓冰,王伟,等.混合蛙跳算法研究综述［J］.控制与决策,2012,27(4):481-487.)
［15］LI M, JI T, TANG W, et al.Bacterial foraging algorithm with varying population［J］. BioSystems, 2010, 100(3) :185-197.
［16］JIN Q, ZHAO Z, SU X, et al.PSO algorithm with high speed convergence based on particle health ［J］. Journal of Chemical Industry and Engineering, 2011, 62(8): 2328-2333. (靳其兵,赵振兴,苏晓静,等.基于粒子健康度的快速收敛粒子群优化算法［J］.化工学报,2011,62(8):2328-2333.)
［17］LIN C, FEND Q. New adaptive particle swarm optimization algorithm [J]. Computer Engineering, 2008, 34(7): 181-183. (林川,冯全源.一种新的自适应粒子群优化算法［J］.计算机工程,2008,34(7):181-183.)
［18］MENG Q, WANG L. Shuffled frog leaping algorithm based onneighborhood orthogonal crossover operator ［J］. Computer Engineering and Applications, 2011, 47(36): 54-56. (孟庆莹,王联国.基于邻域正交交叉算子的混合蛙跳算法［J］.计算机工程与应用,2011,47(36):54-56.)
［19］LIU Y. Shuffled frog leaping algorithm with selection and adaptive mutation mechanism ［J］. Computer Engineering, 2012, 38(23): 206-210. (刘悦婷.带有选择和自适应变异机制的混合蛙跳算法［J］.计算机工程,2012,38(23):206-210.)
［20］ZHAO P, SHAO Z. Novel improved shuffled frog leaping algorithm ［J］. Computer Engineering and Applications, 2012, 48(8): 48-50. (赵鹏军,邵泽军.一种新的改进的混合蛙跳算法［J］.计算机工程与应用,2012,48(8):48-50.)

[1]	吕乐张博瀚荆军昌刘栋. 基于持久性的多目标节点隐藏方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	宫智宇王士同. 面向重尾噪声图像分类的残差网络学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	王虎王晓峰李可马云洁. 融合多头自注意力的标签语义嵌入联邦类增量学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	丁建立, 黄辉, 曹卫东. 航班链运行状态动态监控方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3941-3948.
[5]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[6]	宋逸飞, 柳毅. 基于数据增强和标签噪声的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3798-3807.
[7]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[8]	张祖篡, 陈学斌, 高瑞, 邹元怀. 基于标签分类的联邦学习客户端选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3759-3765.
[9]	蒋权黄文清苟志勇. 基于等变图神经网络的拉格朗日粒子流模拟[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[10]	李岚皓严皓钧周号益孙庆赟李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	廖炎华鄢元霞潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	张学飞张丽萍闫盛侯敏赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[13]	索晋贤张丽萍闫盛王东奇张雅雯. 可解释的深度知识追踪方法综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[14]	陈丹阳张长伦. 多尺度去相关的图卷积网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	蒋沛宇王永光任亚亭李硕晨谭火彬. 基于测量不确定度表示指南的目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.

局部深度搜索的混合果蝇优化算法

Shuffled fruit fly optimization algorithm with local deep search

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics