融合折射原理反向学习的飞蛾扑火算法

摘要：

飞蛾扑火算法是一种新型群智能优化算法,目前已经应用于特征选择和图像分割等诸多领域.然而,传统的飞蛾扑火算法后期收敛速度不足且容易陷入局部最优,从而影响了算法的整体性能.为了提高飞蛾扑火算法的优化性能,提出了一种基于折射原理反向学习的飞蛾扑火算法(ROBL-MFO).该算法首先在飞蛾的更新公式中引入历史最优火焰平均值,使火焰间的信息能够互相交流,提高算法的收敛能力;其次利用随机反向学习策略对解进行反向学习,扩大算法的搜索空间;最后使用折射原理对解进行折射操作,提高种群的多样性,帮助算法跳出局部最优.在六个标准实验函数上得到的实验结果表明,对比其他算法,ROBL-MFO算法拥有更好的收敛速度,且能够有效跳出局部最优.

关键词：飞蛾扑火算法、折射原理、反向学习、群智能算法、种群多样性

所属期刊栏目：55

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金71371091

在线出版日期：2019-06-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：46-51,59