Page 180 - 《软件学报》2021年第10期

3152 Journal of Software 软件学报 Vol.32, No.10, October 2021

algorithm. The random individual mutation strategy was adopted to keep the population diverse and enhance the continuous optimization
capability of the algorithm. In addition, the two mutation strategies were adjusted through linear decreasing probability rule to make them
complement with each other and improve the optimization capability of the algorithm. Finally, a new solution was generated by the cosine
function search factor strategy to replace the unimproved solution and improve the quality of the solution. The stability and effectiveness
of the algorithm were proved by simulation experiments of 5 kinds of classical test functions and statistical analysis. The experimental
results show that the improved algorithm proposed in this paper is a novel and competitive algorithm compared with the existing classical
and state-of-the-art improved algorithms. At the same time, the proposed algorithm was used to solve the route planning problem of
unmanned combat aerial vehicle (UCAV) in the military field. The test results show that the proposed algorithm also has certain
advantages in solving practical engineering problems.
Key words: flower pollination algorithm; dynamic adjustment strategy; cosine function search factor; search equation; population
diversity

随着当今世界进入大数据时代,各类工程优化问题、科学计算问题等越来越复杂化,各个领域中的复杂优
化计算也越发地成为社会急需解决的问题,如电力系统无功优化、物流中最优配送、大数据虚拟资源调度及化
工过程最优控制等众多实际问题.传统的优化算法在解决这些大规模、高难度和不确定性的复杂实际工程优化
问题时,在收敛精度、鲁棒性和收敛速度等方面都难以获得令人满意的结果.受自然界中各种演化规律及其生物
[2]
[1]
种群行为的启发,众多国内外学者提出了一系列群智能优化算法,如粒子群算法 、蜂群优化算法 、差分进化
[4]
[3]
算法 及教与学优化算法 等,并且成功地用于求解上述大量的工程问题.
[5]
受显花植物花授粉过程的启发,学者 Yang 构建了一种新的优化算法——花授粉算法(flower pollination
algorithm,简称 FPA).FPA 算法是模拟自然界显花植物授粉繁殖后代的不同方式,它是一种基于种群集体搜索行
为的启发式智能算法,与其他群智能算法相比,由于其概念简单、容易实现、寻优效率较高,并通过参数 p 较好
地解决了探测和开采之间的平衡问题等优点,一经提出就引起国内外众多学者的广泛关注.目前,FPA 算法在多
目标优化、无线传感器网络生命周期优化、神经网络优化、桁架结构优化、数据挖掘及能源 [611] 等众多领域
中得到了广泛应用.然而 FPA 算法在解决众多工程问题时,存在后期收敛速度慢、收敛精度低和易陷入局部极
小等不足,尤其是对于具有多局部极值点、高维较复杂的优化问题.为了提高 FPA 算法在实际应用中的优化能
力,国内外众多学者对该算法进行了一系列研究和改进.从目前已出版的有关文献梳理结果来看,当前国内外学
者对其研究主要从以下几个方面展开.
(1) 对算法的关键参数 p 值的设置及其动态调整策略进行了研究 [12] .
从算法的仿生原理可知:控制算法性能的参数较少,但关键参数 p 对该算法的优化能力具有较大的影响.
Madasu 等人 [13] 对 p 在[0.1,1]的取值进行了实验仿真分析,实验结果表明:当 p 在[0.5,0.6]之间取值时,FPA 算
法的性能较好.且 Madasu 等人在文献[13]中指出:p=0.55 时,算法的优化性能最好.Draa [14] 对关键参数 p 值的设
置进行了定量仿真实验分析,仿真结果显示:当 p 取 0.2 时,FPA 算法的优化能力表现最优.
Mahdad 等人 [15] 根据迭代次数把转换概率 p 进行分阶段的动态自适应调整,同时将分区搜索机制引入到
FPA 算法中,然后利用改进的 FPA 算法求解带安全约束的优化功率流问题,在 IEEE 30-Bus 和 IEEE 57-Bus 电力
测试系统上对燃料成本、功率损耗和电压偏差这 3 个不同目标进行优化,并与其他方法进行比较,实验结果表
明:其优化效果要优于对比方法,同时,其鲁棒性也得到了较好的提升.
(2) 将其他优秀的算子引入到 FPA 算法中.
这类改进研究是根据著名的“无免费午餐定理”.每种元启发式算法都会存在各自的优点和缺点,故国内外
众多学者对算法进行改进时,都把多种算子融合到一起,构成超大型智能优化算法,使其优势互补,提高算法的
整体性能.
Zhou 等人 [16] 首先运用精英反向学习策略对 FPA 算法的全局授粉部分进行改进,提高其种群个体的多样性,
从而有利于扩展其搜索领域;其次,他们还把自适应贪婪机制融入到局部搜索,改善其探索能力;最后,参数 p 采
用动态调整策略.实验结果显示,FPA 算法的优化能力获得了较大提升.
肖辉辉等人 [17] 针对花授粉算法种群个体之间缺乏信息交流,容易导致算法陷入早熟的问题;同时,为了将进