刘 倩， 冯艳红,2， 陈嶷瑛

(1.河北地质大学 信息工程学院，河北 石家庄 050031； 2.河北地质大学 河北省智能传感物联网技术工程研究中心，河北 石家庄 050031 )

0 引言

飞蛾火焰优化算法(moth-flame optimization algorithm，MFO)[1]是一种新颖的群体智能算法。该算法由飞蛾和火焰2部分构成，通过横向定位导航机制来解决探索和利用之间的平衡问题。MFO具有参数简单、容易实现且鲁棒性好等优点，因此，自提出以来，便受到国内外学者的广泛关注，使其在诸多领域得到应用[2-5]。当前，国内外学者对其改进研究主要分为对飞蛾飞行方式的优化和对进化机制的优化。

尽管已有文献对MFO算法的改进在一定程度上提高了算法的性能，但是这些改进措施在解决高维多峰复杂问题时效果不尽如人意。

基于此，本文提出一种基于混沌初始化和高斯变异的飞蛾火焰优化算法(moth-flame optimization algorithm based on chaotic initialization and Gaussian mutation, CGMFO)。CGMFO采用立方混沌映射初始化种群以增强飞蛾勘探未知空间的能力，从而提高求解精度；采用高斯变异对部分较差个体进行局部扰动以提高算法的收敛速度；采用阿基米德曲线飞行机制以增强种群的多样性，并抑制算法的早熟收敛，进而实现全局最优化。CGMFO对CEC14经典测试函数[6]和21个可扩展Benchmark函数[7]进行求解，实验结果验证了该算法具有良好的收敛能力和竞争实力。

1 飞蛾火焰优化算法的基本原理

在MFO算法中，用式(1)表示飞蛾种群规模为n，维数为d的飞蛾所处空间位置，且用式(2)矩阵存储飞蛾个体的适应度值。火焰是算法的另一个核心，其在空间的位置矩阵与飞蛾的空间矩阵类似，用式(3)表示，使用式(4)矩阵存储相应火焰的适应度值。……