Page 201 - 《软件学报》2021年第10期

肖辉辉 等:基于多策略的改进花授粉算法 3173

从图 7 可知:
 在 D=20 上,除 FPA 和 MGOFPA 算法不能解决 UCAV 问题外,其余算法都能较好地解决 UCAV 航线规
划问题,可以使无人机有效地避开危险区域;
 对于 D=25 而言,MIFPA 和 MPEDE 算法可获得良好的寻优结果,能够使无人机有效地避开危险区域;
而其余对比算法都不能使无人机有效地避开威胁区域,寻优失败.
从图 8 可以看出:MIFPA 算法都能较好地解决 UCAV 航线规划问题,可以使无人机有效地避开威胁区域.
且从表 15 可知,MIFPA 算法的寻优性能都要好于其余对比算法.
从表 15 可以看出:
(1) 在测试实例 1 上:当 D=5,10,15 时,MIFPA 算法的优化能力显著优于 5 种对比算法;当 D=20 时,MIFPA
算法的优化性能要逊色于 EOFPA 算法,但从图 7 可以看出,MIFPA 算法也可以较好地使无人机有效地
避开危险区域,MIFPA 算法的寻优性能要优于其余 4 种对比算法;当 D=25 时,MIFPA 算法的寻优能力
要稍差于 MPEDE 算法,但从图 7 可以看出,MIFPA 算法也可以较好地使无人机有效地避开危险区域,
MIFPA 算法的寻优性能要优于其余 4 种对比算法.这表明,本文算法在解决 UCAV 航线规划问题时总
体上要优于对比算法;
(2) 在测试实例 2 上:MIFPA 算法的优化能力表现得更为突出,MIFPA 算法的寻优能力都要优于对比算法.
这说明,MIFPA 算法解决 UCAV 问题的能力更强.
综上所述,本文提出的新算法在求解 UCAV 工程优化问题时,其优化能力同样具有很好的竞争力.

5 结束语

一方面,花授粉算法是一种新型元启发式优化算法,由于该算法实现过程简单且具有较好的全局探索和局
部开采平衡能力等优点,使其在函数优化与工程优化等领域取得了成功应用.但又因其搜索方程、进化策略和
参数设置方面存在一些不足,导致其收敛精度低、收敛速度慢和易早熟等问题,进而造成其应用范围受到一定
程度的限制.另一方面,当前已有的研究没有考虑 FPA 算法的搜索方程存在的不足对算法性能的影响,也没有考
虑 FPA 算法采用贪婪式进化机制中的劣解对算法性能的影响,以及转换概率 p 采用固定值对算法性能的影响,
同时,也没有对全局搜索方程中运用最优个体策略对算法性能带来的问题进行探索,并且现有的改进 FPA 算法
寻优能力还有待提升,其时间复杂度也较高.
本文对基本 FPA 算法的搜索策略进行了定性分析,发现其存在着多方面的不足,制约着该算法的全局优化
能力.为了提高算法的收敛能力,本文提出了一种改进的基于多策略的花授粉算法 MIFPA:首先,在全局搜索方
程中加入两组差异矢量来增加种群多样性,有利于防止算法早熟,进而提高算法的寻优性能;其次,将精英变异
策略和线性递减概率规则引入到局部搜索方程,与原有的搜索方程构建一种新的复合型局部搜索方程,以有效
提升算法的收敛能力;最后,利用余弦函数搜索因子对进化中产生的劣解进行改进,从而达到改善解的质量、提
高算法优化能力的目的.
为了检验新算法的优越性和可行性,首先,在经典测试函数上进行测试,实验结果显示,MIFPA 算法与知名
的 HCLPSO 和 MPEDE 算法、典型的 EOFPA 和 MGOFPA 算法以及基本的 FPA 算法相比,其解的质量、鲁棒
性和收敛速度、时间复杂度等方面总体上都要优于对比算法;其次,利用新算法对 UCAV 问题进行求解,实验结
果表明,新算法在求解复杂的实际工程优化问题时,其优化能力表现更优.
实验结果表明:本文提出的 MIFPA 算法与对比算法相比,其全局优化能力获得较大的提高;但从表 6 中的函
数 f 14 和 f 19 的优化结果可以看出,其鲁棒性还具有提升的空间.这是因为,本文的参数 p 虽然采用了自适应调整
策略,但算法在寻优过程中还是依据 p 的值与一个大于 0 的随机小数进行比较,以随机选择全局搜索或者局部
搜索,这导致算法在寻优过程中具有振荡性,从而影响了算法的鲁棒性.因此,在今后的工作中,如何消除参数 p
对算法寻优能力的影响,以及运用新算法来解决更多的实际工程优化问题,推广其应用领域,是我们今后所要研
究的内容.