亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        花朵授粉算法研究綜述

        2023-05-11 08:59:06趙玲珠
        軟件導刊 2023年4期
        關(guān)鍵詞:優(yōu)化

        石 濤,熊 騰,趙玲珠

        (江西理工大學 理學院,江西 贛州 341000)

        0 引言

        花朵授粉算法(Flower Pollination Algorithm,F(xiàn)PA)是由英國學者Yang[1]于2012 年提出的一種智能仿生優(yōu)化算法,它模擬自然界中花朵授粉原理以求解工程優(yōu)化問題。在花朵授粉算法中,具有異花授粉算子和自花授粉算子。其中,異花授粉算子是模擬自然界中不同花種之間遠距離授粉思想,而自花授粉算子則是模擬自然界相同花種之間近距離授粉機制,兩種算子依概率交替執(zhí)行,從而趨近問題的最優(yōu)解。自FPA 提出以來,它在邊緣計算[2]、圖像分割[3]、風速預測[4]、參數(shù)估計[5]、目標跟蹤[6]、機械優(yōu)化[7]和神經(jīng)網(wǎng)絡(luò)設(shè)計[8]等諸多領(lǐng)域中獲得了滿意的工程結(jié)果。

        雖然花朵授粉算法被成功應(yīng)用于許多工程優(yōu)化問題,然而,在求解一些復雜的工程優(yōu)化問題時,花朵授粉算法仍然存在著求解精度不足的問題。目前,國內(nèi)外許多研究人員針對FPA 的不同缺點,提出了一些改進型花朵授粉算法,所作改進各不相同,取得的效果也各有優(yōu)劣。然而,這些改進思路大致可以從3 個方面進行歸納總結(jié):改進FPA的搜索策略、引入其他優(yōu)化思想、提出適應(yīng)性參數(shù)控制策略。此外,為了便于工程人員針對不同的工程問題選擇合適的FPA 進行尋優(yōu),詳細介紹5 種具有代表性改進FPA 的主要特征,設(shè)計比較試驗以評價代表性FPA 的性能優(yōu)劣,并給出工程應(yīng)用建議。

        1 傳統(tǒng)花朵授粉算法

        花朵授粉算法具有自花授粉和異花授粉兩種形式,是模擬花朵授粉繁殖這一自然現(xiàn)象而產(chǎn)生的一種智能仿生優(yōu)化算法[1]。在花朵授粉算法中,搜索階段被分為局部搜索階段和全局搜索階段。局部搜索階段模擬花授粉過程的近距離授粉,即自花授粉現(xiàn)象;而全局搜索階段模擬花授粉過程的遠距離授粉,是通過昆蟲、鳥類、蝙蝠等生物進行的異花授粉現(xiàn)象。在算法尋優(yōu)過程中,局部搜索階段和全局搜索階段通過轉(zhuǎn)換概率進行隨機切換,從而達到平衡算法局部搜索能力和全局搜索能力的效果。為了模擬自然界中花授粉規(guī)律,需依據(jù)如下4條規(guī)則[1]:

        規(guī)則1異花授粉現(xiàn)象對應(yīng)于全局搜索階段,該階段傳粉者利用Levy分布的特性完成遠距離飛行。

        規(guī)則2自花授粉現(xiàn)象對應(yīng)于局部搜索階段,該階段是在自身鄰域范圍內(nèi)完成授粉。

        規(guī)則3花的常性被表示為繁殖概率,這種概率值與相關(guān)聯(lián)兩朵花的相似性成比例關(guān)系。

        規(guī)則4全局搜索階段和局部搜索階段由轉(zhuǎn)換概率P∈[0,1]控制轉(zhuǎn)換,因花朵會受到物理位置上的鄰近性及風等其他自然因素的影響,在算法中起到重要作用。

        應(yīng)用花朵授粉算法求解D維優(yōu)化問題時,首先進入初始化階段,設(shè)置種群大小為np,假設(shè)在第G 代時個體i在搜索空間中的位置用表示,其中G 是當前代數(shù),i∈{1,2,...,np},則按式(1)在搜索空間上界和搜索空間下界范圍內(nèi)隨機產(chǎn)生np個個體[1]:

        其中,j=1,2,…,D代表維度,xmaxj是搜索空間第j維的上界,xminj是搜索空間第j維的下界。

        當根據(jù)轉(zhuǎn)換概率進入全局搜索階段時,個體將進行Levy飛行完成長距離跳躍,從而擴大在搜索空間中的尋優(yōu)范圍,具體如式(2)[1]:

        其中,UX是由第i個個體產(chǎn)生的新個體,GbestG是第G 代種群中的最優(yōu)個體,L(λ)是根據(jù)Levy分布產(chǎn)生的Levy飛行步長。L(λ)是一個較大的步長,幫助算法模擬花朵的遠距離授粉,從而使算法能夠搜索到較大范圍內(nèi)可能存在的有希望個體。

        當根據(jù)轉(zhuǎn)換概率進入局部搜索階段時,個體模仿花朵授粉中的自花授粉過程,在它所在的局部范圍內(nèi)完成短距離搜索,挖掘自身鄰域內(nèi)可能存在的有希望個體,具體如式(3)[1]:

        其中,ε是[0,1]之間的隨機數(shù),是從第G 代種群中隨機獲取的第j個個體是從第G 代種群中隨機獲取的第k個個體,且j≠k≠i?;ǘ涫诜鬯惴ɡ脙蓚€隨機個體的差分向量,對當前個體進行隨機擾動,從而在當前個體所在的局部范圍內(nèi)搜索更優(yōu)秀的個體。

        為不失一般性,以求解最小化優(yōu)化問題為例,F(xiàn)PA 通過轉(zhuǎn)換概率P 實現(xiàn)全局搜索階段和局部搜索階段的隨機切換,具體搜索過程如算法1 所示,其中f函數(shù)表示適應(yīng)值函數(shù)。

        算法1FPA偽代碼

        2 FPA的改進

        迄今為止,花朵授粉算法吸引了優(yōu)化算法研究領(lǐng)域內(nèi)許多研究者的注意。然而,在求解一些復雜優(yōu)化問題時,花朵授粉算法存在著一些不足。傳統(tǒng)花朵授粉算法在局部搜索階段由兩個隨機個體實現(xiàn)局部尋優(yōu),缺乏優(yōu)秀的引導信息,這導致算法的局部搜索能力較弱。此外,傳統(tǒng)花朵授粉算法的控制參數(shù)由人為設(shè)定,這種參數(shù)設(shè)置并不一定滿足算法各演化階段的需求,導致算法求解性能較差。為了提升花朵授粉算法尋優(yōu)性能,學者們提出了許多改進型花朵授粉算法,并通過數(shù)值實驗或?qū)嶋H工程應(yīng)用檢驗改進算法的有效性。改進型花朵授粉算法可以按以下3 個改進思路進行歸納:①改進FPA 的搜索策略;②引入其他優(yōu)化思想;③提出適應(yīng)性參數(shù)控制方法。

        2.1 改進FPA的搜索策略

        在花朵授粉算法中,全局搜索階段利用最優(yōu)個體引導搜索,但最優(yōu)個體引導可能存在引導過度的問題,并沒有采用機制或策略平衡最優(yōu)個體的引導作用,這導致算法可能陷入局部最優(yōu),出現(xiàn)“早熟”收斂現(xiàn)象。局部搜索階段利用隨機個體進行搜索,存在較大盲目性,需要種群中的優(yōu)秀個體提供明確的搜索方向,以緩解開采能力不足的問題。針對FPA 搜索策略的缺點,許多研究者設(shè)計了新的搜索策略,以提升算法尋優(yōu)能力。

        沈艷軍等[9]針對傳統(tǒng)FPA 在局部搜索階段存在的搜索方向隨機性問題,引入當代最優(yōu)個體和舊代最優(yōu)個體為算法提供雙重優(yōu)秀搜索方向,提升了算法的局部尋優(yōu)性能。此外,還設(shè)計了仿嗅覺搜索策略,在個體的鄰域內(nèi)隨機產(chǎn)生多個新個體,并利用新個體中的優(yōu)勝者替換掉當前個體,該操作擴大了算法的搜索范圍。Zhou 等[10]認為,傳統(tǒng)FPA 基于Levy 分布的飛行過程具有較高隨機性,使得算法搜索到優(yōu)秀解的概率相對較低,因此利用優(yōu)秀個體對當前個體進行反向映射,得到對立個體,從對立個體和當前個體中選出下一代子個體,從而提升算法尋優(yōu)能力。此外,為了提升FPA 的局部搜索能力,設(shè)計了自適應(yīng)的鄰域貪婪策略,在可行解的鄰域內(nèi)進行貪心搜索。王玉鑫等[11]認為,傳統(tǒng)FPA 在引入基于最優(yōu)解的定向變異策略時,增加了陷入局部極值的概率,因此提出融合隨機個體的定向變異策略,在局部搜索階段增加搜索方向的隨機性,同時,在FPA 的全局搜索階段引入基于隨機個體的均勻搜索策略,增強了算法的全局搜索能力。Salgotra 等[12]認為,基于高斯分布的變異策略能更精細地搜索解空間,具有較強的局部搜索能力,而基于柯西分布的變異策略能產(chǎn)生較大的變異步長,從而避免出現(xiàn)“早熟”現(xiàn)象,因此結(jié)合兩種變異策略,提出一種基于適應(yīng)性平均變異策略的花朵授粉算法,降低了算法陷入局部最優(yōu)的概率,提升了算法求解精度。陸克中等[13]針對花朵授粉算法在求解一些問題時收斂精度較低的問題,提出基于量子變異的自適應(yīng)花朵授粉算法,設(shè)計了種群多樣性評判機制以維持種群多樣性,所提出的算法具有較強的全局搜索能力。Chen 等[14]設(shè)計基于個體鄰域的學習策略和基于Levy 分布最優(yōu)解的種群重組策略,增強了算法的全局搜索能力,降低了算法陷入局部最優(yōu)的概率。肖輝輝等[15]設(shè)計精英解變異策略和劣質(zhì)解變異策略,提出一種具有多策略的花朵授粉算法,保持了種群多樣性,提高了算法尋優(yōu)性能。

        2.2 引入其他優(yōu)化思想

        迄今為止,已經(jīng)產(chǎn)生了許多用于處理優(yōu)化問題的方法,其中不僅有傳統(tǒng)數(shù)學方法,還有一些經(jīng)典優(yōu)化機制和許多種智能仿生優(yōu)化算法,這些方法因優(yōu)化思想不同,而有著各自獨特優(yōu)勢。為了增強花朵授粉算法尋優(yōu)性能,許多研究人員在花朵授粉算法中引入其他優(yōu)化思想,利用其優(yōu)勢彌補花朵授粉算法的缺點。

        如井福榮等[16]受反方向?qū)W習機制的啟發(fā),提出一種新的花朵授粉算法,在演化過程中的每一代都生成反向種群,并將當前種群與反向種群進行競爭,保留其中的優(yōu)勝個體到下一代種群中,該方法提升了種群多樣性,降低了算法陷入局部最優(yōu)的概率。肖輝輝等[17]引入復合形法的思想,提出一種改進的花朵授粉算法,利用復合形將種群搜索過程最差的個體反射為一個較優(yōu)的個體,從而不斷迭代引導,靠近最優(yōu)解,這種方式降低了算法陷入局部最優(yōu)的概率,加快了收斂速度。Nabil[18]提出基于克隆選擇算法思想的花朵授粉算法,采用克隆比率對親和力高的兩個個體進行克隆選擇操作,對于搜索空間非常大的復雜問題,所提出的算法具有較強的種群多樣性,提升了算法的全局搜索能力。卞京紅等[19]提出一種螢火蟲優(yōu)化啟發(fā)的改進花朵授粉算法,利用螢火蟲算法多位置并行的全局隨機搜索機制,以增強算法的搜索性能,實驗結(jié)果表明,所提出的算法具有較快的收斂速度。Arora 等[20]將混沌映射引入到花朵授粉算法中,降低了算法陷入局部最優(yōu)的概率,提升了算法收斂速度。肖輝輝等[21]受引力搜索算法的啟發(fā),采用個體之間的萬有引力和FPA 本身的萊維飛行共同實現(xiàn)個體的位置更新,使得個體受萊維飛行和個體間引力的雙重影響,從而共享更多種群信息,實驗結(jié)果表明,所提出方法的尋優(yōu)性能較好、收斂速度較快。Mahata 等[22]受粒子群優(yōu)化思想的啟發(fā),在花朵授粉算法結(jié)構(gòu)中混入粒子群搜索策略,有效提升了算法求解精度。Chen 等[23]將云變異的思想引入到花朵授粉算法中,不僅加入個體不同特征信息以指導種群的演化方向,還設(shè)計了基于云變異方法的授粉中心更新機制。實驗結(jié)果表明,所提出的方法加快了算法收斂速度。張新明等[24]受小生境技術(shù)的啟發(fā),將小生境優(yōu)化思想引入到花朵授粉算法中,提出基于小生境策略的信息共享機制,提升了算法全局尋優(yōu)能力。Abdel-Basset 等[25]在花朵授粉算法中混合差分進化思想,通過對每代種群進行變異、交叉和選擇操作,保持種群個體間互不相同,減小算法陷入局部最優(yōu)的概率,使得所提出的改進FPA 具有優(yōu)于傳統(tǒng)FPA 的性能。

        2.3 設(shè)計參數(shù)適應(yīng)性機制

        在智能仿生優(yōu)化算法領(lǐng)域內(nèi),設(shè)計參數(shù)適應(yīng)性機制已然成為提升算法性能的重要途徑?;ǘ涫诜鬯惴ㄖ杏腥齻€重要控制參數(shù),即轉(zhuǎn)換概率、異花授粉步長系數(shù)和自花授粉步長系數(shù),它們由人為設(shè)定或者是[0,1]之間的隨機數(shù),并不能根據(jù)演化階段的需求設(shè)置合適的參數(shù)值。因此,許多研究人員根據(jù)花朵授粉算法重要參數(shù)的性質(zhì),設(shè)計了參數(shù)適應(yīng)性機制,從而充分發(fā)揮花朵授粉算法的潛力。

        卞京紅等[26]分析了花朵授粉算法的轉(zhuǎn)換概率和局部搜索步長系數(shù)對算法性能的影響,設(shè)計了參數(shù)自適應(yīng)方法,使得算法全局搜索能力和局部搜索能力能夠平衡。San-Jose-Revuelta 等[27]設(shè)計一種基于個體適應(yīng)值熵的參數(shù)調(diào)整機制,對花朵授粉算法的轉(zhuǎn)換概率進行適應(yīng)性控制,并將所提出的算法應(yīng)用于多用戶通信環(huán)境中的符號檢測和信道估計。實驗結(jié)果表明,所提出的算法能夠保持種群多樣性,在應(yīng)用中取得了較好結(jié)果。Allamyousrid 等[28]提出基于β 函數(shù)的參數(shù)調(diào)整機制,適應(yīng)性調(diào)整花朵授粉算法的轉(zhuǎn)換概率,提升了花朵授粉算法求解精確度。Fehmi等[29]研究不同混沌映射的特點,并設(shè)計基于混沌映射的參數(shù)調(diào)整機制,適應(yīng)性調(diào)整花朵授粉算法的轉(zhuǎn)換概率和搜索步長。實驗結(jié)果表明,所提出的算法能夠維持一定的種群多樣性,降低了陷入局部最優(yōu)的可能性。Panagiotis 等[30]針對花朵授粉算法重要參數(shù)設(shè)計離散型參數(shù)集合,并采用單級采樣協(xié)調(diào)方法尋找最優(yōu)參數(shù)組合,對重要參數(shù)作出調(diào)整。實驗結(jié)果表明,所提出的算法在多個問題上的求解性能都有所提高。Ozsoydan 等[31]設(shè)計指數(shù)遞減步長調(diào)整機制,使得花朵授粉算法的全局搜索步長系數(shù)和局部搜索步長系數(shù)隨迭代呈現(xiàn)陡峭衰減或者平滑衰減趨勢。實驗結(jié)果表明,所提出的算法具有優(yōu)于傳統(tǒng)花朵授粉算法的性能。

        3 具有代表性的改進FPA

        目前,花朵授粉算法已被廣泛應(yīng)用于各大工程領(lǐng)域優(yōu)化問題,其優(yōu)化性能已獲得普遍認可。本文從搜索策略改進和參數(shù)控制改進的角度,選擇了5 種具有代表性的改進FPA,它們均采用全局最優(yōu)個體信息提升算法性能,但對全局最優(yōu)個體信息的利用方式各不相同。所選擇的5 種改進FPA 有:基于精英對立學習的花朵授粉算法(Elite Opposition-Based Flower Pollination Algorithm,EOFPA)[10]、基于全局最優(yōu)驅(qū)動的花朵授粉算法(An Improved Global-Best-Driven Flower Pollination Algorithm,GFPA)[32]、基于動態(tài)全局搜索和柯西變異的花朵授粉算法(Flower Pollination Algorithm Based on Dynamic Global Search and Cauchy Mutation,DCFPA)[33]、基于動態(tài)步長的改進型花朵授粉算法(Improved Flower Pollination Algorithm,IMFPA)[34]、具有3 個策略的花朵授粉算法(An Improved Flower Pollination Algorithm with Three Strategies,IFPA)[35]。

        3.1 EOFPA

        2016 年,Zhou 等[10]為了增強花朵授粉算法的種群多樣性,提出基于精英對立學習的花朵授粉算法(EOFPA)。傳統(tǒng)FPA 中的Levy 飛行步長是一個隨機步長,難以搜索到解空間中的優(yōu)秀可行解。因此,EOFPA 中提出了精英對立學習策略(Global Elite Opposition-Based Learning Strategy,GEOLS),對個體所在區(qū)域的對立區(qū)域進行搜索,使得算法搜索的未知區(qū)域更廣,增加搜索到優(yōu)秀解的可能性。同時,為了增強算法局部搜索能力,在EOFPA 中提出了局部自適應(yīng)貪婪策略(Local Self-Adaptive Greedy Strategy,LSGS),在當前個體的鄰域內(nèi)擾動搜索,并將LSGS 用于局部搜索階段。

        在EOFPA 中,精英對立學習策略利用最優(yōu)個體信息,擴展了算法的搜索范圍,有助于提升算法的全局尋優(yōu)能力,增加搜索到優(yōu)秀解的概率,而局部自適應(yīng)貪婪策略在當前個體的鄰域內(nèi)擾動搜索,增強了對局部的搜索能力。

        3.2 GFPA

        2019 年,Supriya 等[32]提出一種全局最優(yōu)驅(qū)動的花朵授粉算法(GFPA)。為了提升算法收斂速度,GFPA 中引入全局最優(yōu)個體實現(xiàn)對種群演化的驅(qū)動作用。與傳統(tǒng)花朵授粉算法不同,在GFPA 中依據(jù)轉(zhuǎn)換概率P 將整個搜索過程劃分為3 個階段,除依概率執(zhí)行原有的全局搜索算子和局部搜索算子外,還以一定的概率執(zhí)行基于全局最優(yōu)個體的驅(qū)動算子。

        GFPA 中引入了以最優(yōu)個體為基個體的搜索策略,這使得算法有一定的機會在最優(yōu)個體的鄰域內(nèi)進行開采,提升了算法收斂速度。

        3.3 DCFPA

        2019 年,賀智明等[33]提出基于動態(tài)全局搜索和柯西變異的花朵授粉算法(DCFPA)。在DCFPA 中,為了緩解算法在全局搜索階段過度趨近最優(yōu)解,避免算法陷入局部最優(yōu),提出了動態(tài)全局搜索方法,加入了平均最優(yōu)位置以引導算法搜索方向。此外,為了維持種群多樣性,增強算法在搜索后期的尋優(yōu)性能,在DCFPA 中利用柯西分布的特性對每一代的全局最優(yōu)解進行貪心式變異更新。

        DCFPA 中引入平均最優(yōu)位置引導個體更新,為算法提供了可靠的搜索方向。同時,分配了一定的計算資源更新最優(yōu)個體,這有利于提升算法開采能力。

        3.4 IMFPA

        2019 年,劉國繁等[34]針對花朵授粉算法在搜索后期收斂速度慢和易陷入局部最優(yōu)問題,提出一種改進花朵授粉算法(IMFPA),并將其應(yīng)用于優(yōu)化RSSI 定位。IMFPA 認為在迭代早期需要較大的搜索步長加快收斂,而在迭代后期則需要較小的步長進行精細搜索,因此,提出了基于動態(tài)步長的全局搜索算子,設(shè)計搜索步長隨著迭代而緩慢減小。此外,IMFPA 中認為花朵授粉的局部搜索階段由兩個隨機個體引導搜索,具有盲目性。因此,引入全局最優(yōu)個體到局部搜索算子中,從而為算法搜索提供更明確的方向信息。

        IMFPA 的改進主要在于全局搜索算子和局部搜索算子。全局搜索算子中設(shè)計了隨迭代次數(shù)增加而逐漸減小的步長系數(shù),控制了個體的Levy 飛行,提升了演化前期的全局搜索能力和演化后期的局部搜索能力。局部搜索算子中設(shè)計了基于全局最優(yōu)個體的搜索策略,為算法提供更優(yōu)的搜索方向,從而提升算法收斂速度。

        3.5 IFPA

        2020 年,Yang 等[35]針對花朵授粉算法在求解一些復雜問題時,求解精度和收斂速度不足的問題,提出具有3個策略的花朵授粉算法(IFPA)。在IFPA 中,為了緩解局部搜索階段較高隨機性導致的搜索效率較低問題,提出雙向?qū)W習策略(Double-Direction Learning Strategy,DLS),將相鄰兩代的全局最優(yōu)個體信息進行融合,用于引導種群演化方向。相比單優(yōu)秀個體引導,這種多優(yōu)秀個體融合引導的方式能使種群朝著優(yōu)越的方向演化,并緩解單優(yōu)秀個體引導帶來的種群多樣性銳減情況,從而降低算法陷入局部最優(yōu)的可能,為算法提供明確的搜索方向。

        DLS 被用于局部搜索階段,提升了算法的局部搜索能力。然而,相鄰兩代最優(yōu)個體的相似度較大,甚至可能處于搜索空間中同一位置,所提供的搜索方向信息對緩解算法陷入局部最優(yōu)的效果有限。為了進一步提升算法逃離局部最優(yōu)的能力,在IFPA 中提出了貪心策略(Greedy Strategy,GS),并將其引入到全局尋優(yōu)階段。GS 中利用兩個隨機個體信息,對當前個體施加擾動,使得種群向著隨機方向進行遠距離搜索,增強了算法的全局搜索能力。

        此外,IFPA 中設(shè)計了轉(zhuǎn)換概率動態(tài)調(diào)整策略(Dynamic Switching Probability Strategy,DSPS),設(shè)置轉(zhuǎn)換概率P 隨迭代由0.8 衰減至0.2,使得算法在演化前期執(zhí)行更多的全局搜索,而在演化后期執(zhí)行更多的局部搜索。

        4 性能比較實驗

        4.1 實驗設(shè)計與測試函數(shù)

        實際上,不同的優(yōu)化算法有著不同的優(yōu)勢,并不存在一種優(yōu)化算法能適用于所有優(yōu)化問題。為了幫助工程人員針對實際問題選擇合適的FPA 進行求解,對具有代表性的FPA,即FPA 與EOFPA、GFPA、IMFPA、DCFPA、IFPA,設(shè)計性能比較實驗。選取智能仿生算法研究領(lǐng)域常用的23個測試函數(shù)[36-37]進行比較實驗。其中,F(xiàn)1-F13 是單峰多峰函數(shù),F(xiàn)14-F23 是旋轉(zhuǎn)偏移函數(shù)。由于單峰多峰函數(shù)相對容易搜索到最優(yōu)解,設(shè)置單峰函數(shù)和多峰函數(shù)的最大評價次數(shù)為2 000×D;由于旋轉(zhuǎn)偏移函數(shù)的復雜多變性質(zhì),設(shè)置旋轉(zhuǎn)偏移函數(shù)的最大評價次數(shù)為10 000×D,具體函數(shù)如表1 所示。實驗中,設(shè)置各算法參數(shù)與原文獻保持一致,將FPA 和5 種改進FPA 在23 個測試函數(shù)上各獨立運行30次,得到誤差均值和誤差標準差,并采用Wilcoxon 秩和檢驗(顯著性水平α=0.05)分析FPA 與EOFPA、GFPA、IMFPA、DCFPA、IFPA 之間的性能優(yōu)勢和劣勢。

        4.2 實驗結(jié)果與分析

        將FPA 與EOFPA、GFPA、IMFPA、DCFPA、IFPA 在23個測試函數(shù)上運行。表2 給出了FPA 與5 種代表性FPA 在測試函數(shù)上的比較結(jié)果,表3 給出了FPA 與EOFPA、GFPA、IMFPA、DCFPA、IFPA 進行Wilcoxon 檢驗得出的P 值,當P 值小于顯著性水平0.05 時,表明兩比較算法間存在顯著差異。圖1 給出了FPA 與EOFPA、GFPA、IMFPA、DCFPA、IFPA 在部分函數(shù)上的收斂圖。

        Table 1 23 benchmark function表1 23個測試函數(shù)

        從表2 可以看出,5 種代表性FPA 算法性能均優(yōu)于傳統(tǒng)FPA。與傳統(tǒng)FPA 相比,EOFPA 在20 個函數(shù)上結(jié)果更優(yōu),在1 個函數(shù)上結(jié)果較差,在2 個函數(shù)上結(jié)果相似,表明EOFPA 具有相對平衡的局部搜索能力和全局搜索能力;GFPA 在21 個函數(shù)上結(jié)果更優(yōu),在1 個函數(shù)上結(jié)果較差,在3 個函數(shù)上結(jié)果相似,這表明GFPA 有效提升了算法收斂速度,同時能夠維持一定的種群多樣性;IMFPA 在20 個函數(shù)上結(jié)果更優(yōu),在1 個函數(shù)上結(jié)果較差,在2 個函數(shù)上結(jié)果相似,表明IMFPA 能夠避免算法陷入局部最優(yōu);DCFPA 在13 個函數(shù)上結(jié)果更優(yōu),在9 個函數(shù)上結(jié)果較差,在1 個函數(shù)上結(jié)果相似,且DCFPA 在單峰多峰函數(shù)上取得了較大優(yōu)勢,表明其具有較為優(yōu)秀的局部搜索能力;IFPA 在17 個函數(shù)上結(jié)果更優(yōu),在2 個函數(shù)上結(jié)果較差,在4 個函數(shù)上結(jié)果相似,這表明IFPA 具有更優(yōu)的求解精度。結(jié)果表明,5 種FPA 對搜索策略的改進或者參數(shù)控制的改進均有助于提升花朵授粉算法的尋優(yōu)性能,改進方法是有效的。

        Table 2 Comparison results of FPA with EOFPA,GFPA,IMFPA,DCFPA,IFPA表2 FPA與EOFPA、GFPA、IMFPA、DCFPA、IFPA比較結(jié)果

        結(jié)合表3 給出的Wilcoxon 檢驗P 值可知,EOFPA、GFPA、IMFPA、DCFPA、IFPA在大部分單峰多峰和復雜函數(shù)上都要顯著優(yōu)于傳統(tǒng)FPA。從圖1可以看出,在單峰函數(shù)F1、F2和F3上,DCFPA較具優(yōu)勢,IMFPA次之,其他3種改進的FPA基本上能夠取得優(yōu)于傳統(tǒng)FPA的結(jié)果。對于多峰函數(shù)F9、F10、F12,DCFPA在函數(shù)F9和F10上的結(jié)果優(yōu)于其他比較算法,而在函數(shù)F12上結(jié)果只優(yōu)于傳統(tǒng)FPA;IMFPA 在這3 個多峰函數(shù)上的結(jié)果具有一定優(yōu)勢,尋優(yōu)性能較為穩(wěn)定;EOFPA 在函數(shù)F9 和F10 上的尋優(yōu)性能較為顯著,在函數(shù)F12 上優(yōu)于DCFPA、GFPA 和傳統(tǒng)FPA,且優(yōu)勢相對較??;IFPA 在函數(shù)F9、F10、F12 上尋優(yōu)性能依次呈現(xiàn)上升趨勢,在函數(shù)F12 取得了比較算法中最優(yōu)的結(jié)果;GFPA 在這3 個多峰函數(shù)上取得的結(jié)果優(yōu)于傳統(tǒng)FPA,相比其他改進FPA優(yōu)勢較小。在復雜函數(shù)F15、F16、F17 上,EOFPA、GFPA 的尋優(yōu)性能較為穩(wěn)定,并分別在函數(shù)F16、F15 取得了比較算法中最好的結(jié)果;相比其他改進FPA,IFPA在函數(shù)F17上取得了最優(yōu)結(jié)果,在函數(shù)F15上的尋優(yōu)性能也具有較大優(yōu)勢,然而在F16 上的尋優(yōu)結(jié)果要差于傳統(tǒng)FPA,這表明IFPA 在求解復雜函數(shù)時性能不夠穩(wěn)定;相比于求解單峰多峰函數(shù),DCFPA 和IMFPA 在求解復雜函數(shù)時性能有較大下滑趨勢,取得的結(jié)果相似于甚至差于傳統(tǒng)FPA。

        Table 3 P value of Wilcoxon rank sum test among FPA and EOFPA,GFPA,IMFPA,DCFPA,IFPA表3 FPA與EOFPA、GFPA、IMFPA、DCFPA、IFPA進行Wilcoxon檢驗得出的P值

        綜上可知,在面對實際應(yīng)用中的單峰問題時,運用DCFPA 和IMFPA 求解均能得到較為滿意的結(jié)果,且IMFPA 的尋優(yōu)性能比DCFPA 更為穩(wěn)定;運用EOFPA 也能穩(wěn)定求解,得到較優(yōu)結(jié)果。在面對多峰問題時,IMFPA 的尋優(yōu)性能在比較算法中最為穩(wěn)定;而IFPA、DCFPA 和EOFPA 在求解一些多峰問題能取得較為精確的結(jié)果。在面對旋轉(zhuǎn)偏移問題時,GFPA 和EOFPA 求解性能較為穩(wěn)定,尋優(yōu)結(jié)果較優(yōu);IFPA 在求解一些復雜問題時能夠取得優(yōu)秀結(jié)果,然而也存在陷入局部極值的可能性。

        5 研究總結(jié)與展望

        Fig.1 Convergence graphs of FPA and five improved FPA on partial functions圖1 FPA與5種改進FPA在部分函數(shù)上的收斂圖

        花朵授粉算法作為一種簡單實用的智能仿生優(yōu)化算法,引起了許多研究者的關(guān)注。針對FPA 存在的缺點,許多改進型花朵授粉算法被提出,使得算法性能得到一定提升。本文對改進花朵授粉算法進行總結(jié),對5 種具有代表性的FPA 改進算法進行分析,并設(shè)計比較實驗,直觀展示了5 種改進FPA 在性能上的優(yōu)勢和劣勢。實驗結(jié)果表明,這些代表性FPA 適用于求解不同類型的優(yōu)化問題,如DCFPA 和IMFPA 在求解單峰多峰問題時具有較大優(yōu)勢、GFPA 和EOFPA 在求解旋轉(zhuǎn)偏移問題時效果較好。因此,針對不同的工程優(yōu)化問題,根據(jù)5 種代表性FPA 的性能特點就能選擇出最合適的求解算法。

        同時可以看出,對FPA 的研究尚處在起步階段,F(xiàn)PA存在的一些缺點還值得進一步探索改進,總結(jié)歸納如下:

        (1)FPA 的搜索策略。在FPA 的全局搜索階段,服從Levy分布的遠距離跳躍方法可能導致算法遺漏對有希望未知區(qū)域的搜索,應(yīng)作進一步的精細搜索。此外,僅利用最優(yōu)個體引導全局搜索,增大了算法陷入局部最優(yōu)的概率,可考慮多優(yōu)秀個體集合引導,為算法提供更多可能的搜索方向。在FPA 的局部搜索階段,基于隨機個體的搜索策略為尋優(yōu)帶來了盲目性,導致算法局部搜索能力弱,可考慮利用種群中的優(yōu)秀信息,為算法提供明確的搜索方向。

        (2)FPA 的參數(shù)控制。FPA 有3 個重要參數(shù),即轉(zhuǎn)換概率、自花授粉步長系數(shù)和異花授粉步長系數(shù),它們對算法尋優(yōu)性能的影響很大。值得注意的是,參數(shù)設(shè)置不僅依賴于優(yōu)化問題的性質(zhì),還依賴于算法不同演化階段的特點。有研究者為FPA 設(shè)計了適應(yīng)性參數(shù)控制策略,對算法性能有一定提升。然而,全面結(jié)合了優(yōu)化問題性質(zhì)和不同演化階段特點而設(shè)計的適應(yīng)性參數(shù)控制策略比較匱乏,尚有待進一步探索。

        猜你喜歡
        優(yōu)化
        超限高層建筑結(jié)構(gòu)設(shè)計與優(yōu)化思考
        PEMFC流道的多目標優(yōu)化
        能源工程(2022年1期)2022-03-29 01:06:28
        民用建筑防煙排煙設(shè)計優(yōu)化探討
        關(guān)于優(yōu)化消防安全告知承諾的一些思考
        一道優(yōu)化題的幾何解法
        由“形”啟“數(shù)”優(yōu)化運算——以2021年解析幾何高考題為例
        圍繞“地、業(yè)、人”優(yōu)化產(chǎn)業(yè)扶貧
        事業(yè)單位中固定資產(chǎn)會計處理的優(yōu)化
        消費導刊(2018年8期)2018-05-25 13:20:08
        4K HDR性能大幅度優(yōu)化 JVC DLA-X8 18 BC
        幾種常見的負載均衡算法的優(yōu)化
        電子制作(2017年20期)2017-04-26 06:57:45
        免费无码午夜福利片69| 亚洲av毛片在线网站| 久久久久成人精品免费播放动漫| 久精品国产欧美亚洲色aⅴ大片| 国产第一草草影院| 黄色网页在线观看一区二区三区| 蜜桃视频在线免费视频| 久久精品国产亚洲av网站| 少妇内射视频播放舔大片| www.尤物视频.com| 青青草激情视频在线播放| 欧美四房播播| 国产综合激情在线亚洲第一页| 亚洲精品中文字幕乱码二区| 蜜桃av人妻精品一区二区三区| 少妇被粗大的猛烈进出免费视频| chinesefreexxxx国产麻豆| 中文字幕精品一区二区日本| 国产一区av男人天堂| 免费a级作爱片免费观看美国| 99热视热频这里只有精品| 一区二区三区在线观看高清视频| 少妇被猛烈进入到喷白浆| 国产成人无码一区二区在线观看| 成人日韩av不卡在线观看| 国产91在线播放九色快色 | 猫咪av成人永久网站在线观看| 日日摸夜夜添夜夜添无码免费视频| 国产成人精品一区二区不卡| 无码人妻少妇久久中文字幕蜜桃| 国产精品美女自在线观看| 中国娇小与黑人巨大交| 久久99精品国产99久久6男男| 久久aⅴ无码av高潮AV喷| 久久亚洲中文字幕精品熟| 久久久www成人免费精品| 亚洲欧洲日产国码无码AV一| 亚洲av极品尤物不卡在线观看| 成人爽a毛片免费视频| 99re6热在线精品视频播放6| 台湾自拍偷区亚洲综合|