摘  要： 針對基本果蠅優(yōu)化算法（FOA）收斂速度慢和尋優(yōu)精度不高的缺點，在位置更新公式中引入加權(quán)因子，提出了基于線性遞減策略和先增后減策略的兩種加權(quán)果蠅優(yōu)化算法（WFOA），從而增強了種群的多樣性。通過對6個測試函數(shù)的仿真實驗，驗證了這些策略的可行性，表明這些策略能夠有效地提高算法的收斂速度和搜優(yōu)精度。經(jīng)過兩種策略的對比，發(fā)現(xiàn)線性遞減策略具有更快的收斂速度，而先增后減策略具有更強的魯棒性和稍好的尋優(yōu)精度。

　　關(guān)鍵詞： 加權(quán)因子；果蠅優(yōu)化算法；線性遞減策略；先增后減策略

　　果蠅優(yōu)化算法FOA（Fruit Fly Optimization Algorithm）是由臺灣博士潘文超于2011年提出的，與蟻群算法和粒子群算法類似，是基于動物群體覓食行為演化出的一種尋求全局優(yōu)化的新方法[1-3]。它不同于順序執(zhí)行的傳統(tǒng)智能算法，而是以果蠅群體自組織性和并行性為基礎(chǔ)，構(gòu)造出的一種動物自治體模型。FOA有著算法簡單、控制參數(shù)少、容易實現(xiàn)、且具有一定并行性等特點，因此在各領(lǐng)域得到廣泛應(yīng)用[4]。FOA可以優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，已成功應(yīng)用于企業(yè)經(jīng)營績效評估、外貿(mào)出口預(yù)測、原油含水率預(yù)測等[3，5-6]；FOA也可優(yōu)化支持向量機模型，已成功應(yīng)用于故障診斷、物流需求量預(yù)測等[7-8]。但由于FOA是較晚提出的一種隨機搜索算法，其在理論分析和應(yīng)用研究等方面還處于初級階段，同時也存在易發(fā)散、收斂精度不高等缺點。

　　本文針對FOA收斂速度慢、收斂精度低等缺點，提出了加權(quán)果蠅優(yōu)化算法WFOA（Weighted Fruit Fly Optimization Algorithm），進(jìn)而對幾種不同加權(quán)策略下的果蠅優(yōu)化算法進(jìn)行了對比研究。

1 果蠅優(yōu)化算法及其改進(jìn)

　　1.1 果蠅優(yōu)化算法

　　FOA在計算方法上類似于遺傳算法，但不同的是FOA不使用雜交和變異等算子，而是通過模仿果蠅特殊的嗅覺和視覺特點來進(jìn)行搜索。果蠅的嗅覺器官能很好地搜集飄浮在空氣中的各種氣味，甚至能嗅到幾十公里以外的食物源。然后飛近食物位置，使用敏銳的視覺發(fā)現(xiàn)食物與同伴聚集的位置，并且往該方向飛去[2]。

　　根據(jù)果蠅搜索食物的特性，將果蠅優(yōu)化算法歸納為以下幾個必要的步驟[1-3]：

　?。?）給定群體規(guī)模Sizepop，最大迭代次數(shù)Maxgen，隨機初始化果蠅群體位置X_axis，Y_axis；

　　（2）賦予果蠅個體利用嗅覺搜尋食物的方向與距離：

　　Xi=X_axis+Random ValueYi=Y_axis+Random Value（1）

　?。?）由于無法得知食物位置，因此先估計與原點的距離Disti，再計算味道濃度判定值Si，此值為距離的倒數(shù)：

　　Si=1/Disti（3）

　?。?）將味道濃度判定值代入味道濃度判定函數(shù)（或稱為適應(yīng)度函數(shù)Fitness Function），以求出果蠅個體的味道濃度Smelli：

　　Smelli=Function（Si）（4）

　?。?）找出該果蠅群體中味道濃度最佳的果蠅（求極小值）：

　　[bestSmell bestindex]=min（Smelli）（5）

　　（6）記錄并保留最佳味道濃度值bestSmell與其X、Y坐標(biāo)，此時果蠅群體利用視覺向該位置（Fly2）飛去，形成新的群聚位置：

　　Smellbest=bestSmellX_axis=X（bestindex）Y_axis=Y（bestindex）（6）

　　（7）進(jìn)入迭代尋優(yōu)，重復(fù)執(zhí)行步驟（2）~步驟（5），并判斷最佳味道濃度是否優(yōu)于前一迭代最佳味道濃度，前提是當(dāng)前迭代次數(shù)小于等于Maxgen，若是則執(zhí)行步驟（6）。

　　1.2 加權(quán)果蠅優(yōu)化算法（WFOA）

　　在FOA中，每個果蠅個體在n維搜索空間中通過適應(yīng)度函數(shù)來衡量個體的優(yōu)劣，當(dāng)種群完成一次迭代后，與群體的歷史最佳位置比較得出新的最佳位置，進(jìn)而在新最佳位置附近繼續(xù)隨機尋優(yōu)。由式（1）可以看出，迭代搜索始終在以當(dāng)前最優(yōu)位置為中心，以隨機飛行方向與距離Random Value為半徑的領(lǐng)域內(nèi)展開，果蠅群體被限定在過分狹小的搜索范圍內(nèi)，降低了種群的多樣性[9]。受PSO（粒子群算法）的慣性權(quán)重啟發(fā)[10-11]，在迭代位置更新公式中引入加權(quán)因子w，將式（1）變更如下，其他步驟不變。

　　Xi=w×X_axis+Random ValueYi=w×Y_axis+Random Value（7）

　　在迭代尋優(yōu)過程中，希望前期具有較強的“探索”能力，即較強的全局搜索能力，以得到合適的種子，而在迭代后期，應(yīng)具有較強的“開發(fā)”能力，即較強的局部搜索能力，從而展開精細(xì)的局部搜索。前期具有較大的值，一方面是對自己“歷史經(jīng)驗”的認(rèn)可，能夠充分利用果蠅個體本身的歷史記憶；另一方面使得個體搜索的區(qū)域范圍變大，讓果蠅個體在更廣的可行域里進(jìn)行搜索，整個群體找到最優(yōu)解的概率就大，相應(yīng)的全局搜索能力就強。隨著迭代進(jìn)行到后期，需要較小的w值，使其可搜索的范圍相對縮小，這時主要根據(jù)隨機飛行方向與距離Random Value，在“以往經(jīng)驗”尋到的最優(yōu)解附近進(jìn)行小范圍精細(xì)搜索。

　　1.3 加權(quán)因子的幾種調(diào)整策略

　　策略1 線性遞減

　　w1=Wmax-（Wmax-Wmin）/Maxgen×g（8）

　　策略2 先增后減

　　令d=g/Maxgen，則有：

　　w2=d+1，        0≤d≤0.4w2=-7/6×d+28/15，0.4≤d≤1（9）

　　其中，g為當(dāng)前迭代數(shù)，Maxgen為最大迭代數(shù)，Wmax為最大加權(quán)因子，Wmin為最小加權(quán)因子。對于策略1，經(jīng)過實驗仿真，分別確定Wmax、Wmin為1.4、0.7的最佳權(quán)值范圍，隨著迭代數(shù)的變化，權(quán)值從1.4線性遞減到0.7，具體參數(shù)設(shè)置見式（8）。對于策略2，從第一次迭代開始到第Maxgen的40%代，權(quán)值從1線性遞增到1.4，而從Maxgen的40%代直至迭代結(jié)束，權(quán)值從1.4線性遞減到0.7，具體參數(shù)設(shè)置見式（9），兩種策略隨迭代的權(quán)值變化如圖1所示。

　　由式（8）和圖1可看出，策略1在進(jìn)化初期具有很強的全局搜索能力。如果在初期能搜索到最好點，可在迭代前期達(dá)到快速收斂。由式（9）和圖1可看出，策略2在迭代開始至Maxgen的40%期間，全局搜索能力逐漸增強，而從Maxgen的40%到結(jié)束期間，其全局搜索能力逐漸減弱。由此可知，在沒有陷入局部極值的情況下，策略1比策略2應(yīng)該具有更快的收斂速度。

2 實驗仿真及結(jié)果分析

　　2.1 實驗設(shè)計

　　為了測試w0-FOA、w1-FOA、w2-FOA算法的尋優(yōu)性能，本文選用6個常用于優(yōu)化算法比較的基準(zhǔn)函數(shù)，函數(shù)形式、搜索區(qū)間、理論極值和目標(biāo)精度如表1所示[4]。其中w0-FOA是w取固定值1，即基本FOA算法。具體參數(shù)設(shè)置為：群體規(guī)模Sizepop=30，最大迭代數(shù)Maxgen=1 000；隨機初始化果蠅群體位置為表1中各函數(shù)的搜索區(qū)間；迭代的果蠅搜尋食物的隨機飛行方向與距離區(qū)間為[-1，1]。測試軟件平臺為Windows7、MATLAB 2012b，機器主頻為2.5 GHz，內(nèi)存為2 GB。

　　2.2 實驗結(jié)果與分析

　　6個測試函數(shù)在固定迭代數(shù)為1 000次，分別采用w0-FOA、w1-FOA和w2-FOA經(jīng)過20次獨立運行后的標(biāo)準(zhǔn)差、優(yōu)化均值和最好解如表2~表7所示；6個測試函數(shù)在表1中指定的目標(biāo)精度下經(jīng)過20次獨立運行后的平均迭代次數(shù)和達(dá)優(yōu)率亦見表2~表7。其中，平均迭代數(shù)是達(dá)到目標(biāo)精度的迭代數(shù)平均值，達(dá)優(yōu)率為達(dá)到目標(biāo)精度的運行次數(shù)與總實驗次數(shù)之比。圖2是6個測試函數(shù)適應(yīng)度對數(shù)值進(jìn)化曲線（注：為了方便進(jìn)化曲線的顯示和觀察，本文對函數(shù)的適應(yīng)度取以10為底的對數(shù)）。

　　從表2、3、7可以看出，w0-FOA對f1、f2、f6未能達(dá)到目標(biāo)精度，而w1-FOA和w2-FOA都能100%達(dá)到目標(biāo)精度，并且改進(jìn)算法的收斂精度與w0-FOA的收斂精度相差11個數(shù)量級以上。從表6可以看出，雖然3種策略對f5均未達(dá)到指定的目標(biāo)精度，但是w1-FOA和w2-FOA找到的最好解要比w0-FOA找到的優(yōu)。而從表5可以看出，w1-FOA的均值和魯棒性是其中最好的，w2-FOA和w0-FOA的優(yōu)化均值相差不大，但是w2-FOA找到的最好解要比w0-FOA找到的最好解優(yōu)11個數(shù)量級。其中效果不太好的是f3函數(shù)，因為此函數(shù)的全局最優(yōu)點隱藏在一條狹長的通道中，對外提供很少的信息，使算法很難辨別搜索方向，WFOA的優(yōu)勢體現(xiàn)不出。

　　由圖2和表2~表7可看出，w1-FOA最多只需28.70次迭代就能達(dá)到目標(biāo)精度（除f5），w2-FOA也最多只需136.60次迭代就可達(dá)到目標(biāo)精度（除f5），由此可見，WFOA對收斂速度的影響非常顯著。

　　本文提出的WFOA算法在引入加權(quán)因子的基礎(chǔ)上，對粒子群算法中的線性遞減策略和先增后減策略公式進(jìn)行了適當(dāng)?shù)膮?shù)調(diào)整，經(jīng)測試函數(shù)驗證發(fā)現(xiàn)，總體上改進(jìn)算法比原算法具有更快的收斂速度和更好的收斂精度，但w1-FOA比w2-FOA具有更快的收斂速度，而w2-FOA具有更強的魯棒性和稍好的尋優(yōu)精度。值得注意的是，不同加權(quán)策略對收斂速度的影響非常明顯，如何正確選擇權(quán)值策略和適當(dāng)參數(shù)，使收斂速度和收斂精度達(dá)到最佳平衡，是接下來需要研究的問題。

　　參考文獻(xiàn)

　　[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] 潘文超.果蠅最佳化演算法[M].臺北：滄海書局，2011.

　　[3] 潘文超.應(yīng)用果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)經(jīng)營績效評估[J].太原理工大學(xué)學(xué)報（社會科學(xué)版），2011，29（4）：1-5.

　　[4] 韓俊英，劉成忠.基于細(xì)菌趨化的果蠅優(yōu)化算法[J].計算機應(yīng)用，2013，33（4）：964-966.

　　[5] 許智慧，王福林，孫丹丹，等.基于FOA_RBF神經(jīng)網(wǎng)絡(luò)的外貿(mào)出口預(yù)測[J].數(shù)學(xué)的實踐與認(rèn)識，2012，42（13）：14-19.

　　[6] 劉翠玲，張路路，王進(jìn)旗，等.基于FOA—GRNN油井計量原油含水率的預(yù)測[J].計算機仿真，2012，29（11）：243-246.

　　[7] 張翔，陳林.基于果蠅優(yōu)化算法的支持向量機故障診斷[J].電子設(shè)計工程，2013，21（16）：90-93.

　　[8] 李泓澤，郭森，李春杰.果蠅優(yōu)化最小二乘支持向量機混合預(yù)測模型[J].經(jīng)濟(jì)數(shù)學(xué)，2012，29（3）：103-106.

　　[9] 潘峰，李位星，高琪，等.粒子群優(yōu)化算法與多目標(biāo)優(yōu)化[M].北京：北京理工大學(xué)出版社，2013.

　　[10] SHI Y， EBERHART R. Empirical study of particle swarm optimization[C]. International Conference on Evolutionary，Washington： USA，1999：1945-1950.

　　[11] 崔紅梅，朱慶保.微粒群算法的參數(shù)選擇及收斂性分析[J].計算機工程與應(yīng)用，2007，43（23）：89-91.