宋 杰，许 冰，杨淼中

安徽大学 计算机科学与技术学院，合肥230601

1 引言

果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种寻求全局优化的新方法[1]，它是根据果蝇寻食行为推理出来的。该算法因为可调参数较少，所以简单容易实现。而且果蝇在嗅觉与视觉等感官知觉上比其他物种敏锐，因此能够很好地搜寻到空气里漂浮的气味，甚至能嗅到40 km以外的食物源。靠近食物位置后能凭借视觉的敏锐度找到食物和同伴聚集的位置，然后朝目标源飞去。至今为止，已经有很多改进的果蝇优化算法，例如多样性种群果蝇优化算法[2]，利用强嗅觉果蝇，由正常果蝇突变为味道浓度判定值多样化的方法。基于模拟退火的果蝇优化算法（Fruit Fly Optimization Algorithm based on Simulated Annealing，SA-FOA）[3]，增大了接收概率，且利用非均匀变异因子改进步长。参数修正与收敛策略融合的果蝇优化算法[4]，为了解决味道浓度判定值不能是负数的问题，对味道浓度公式进行了修正；为了避免高维函数维间互扰问题，迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法。果蝇算法不仅仅限于优化，也有很多用于解决实际问题，例如基于MFOA-SVM（Multi Fruit Fly Optimization Algorithm Support Vector Machine）算法的乳腺肿瘤识别[5]、果蝇算法对多峰值光伏最大功率跟踪仿真研究[6]、基于果蝇算法优化的BP神经网络[7]等。虽然改进算法相比传统算法而言有提高，但是还存在不足，例如SA-FOA算法虽然步长减小，精度提高，但全局搜索能力下降，容易错过最优值。因此对于FOA的研究还是有必要的。对于那些较早的遗传算法……