巫光福，陈 颖

江西理工大学 信息工程学院，江西 赣州 341000

在复杂的现实世界中，大部分情况下系统由于搜索空间非常庞大而难以使用传统算法做出决策，因此开发出受到自然界启发的各种优化算法寻找最优解，以帮助做出决策。然而随着优化问题复杂性的增加，越来越多的新兴的元启发式算法，如蚁群算法（ACO）[1-2]、粒子群算法（PSO）[3]、人工鱼群算法（AFSA）[4]、萤火虫算法（FA）[5]或各种混合算法[6]等被相继提出，并被广泛应用于解决实际工程领域的优化问题。2012年学者Yang受自然界中花朵授粉行为启发，并在授粉的帮助下模拟了开花植物的繁殖，提出了花授粉算法（Flower Pollination Algorithm，FPA）[7]。与遗传算法（GA）相比，FPA算法收敛速度和寻优能力明显提高，但是稳定性一般；与粒子群算法（PSO）相比，虽然都易陷入局部极值，但FPA 算法跳出局部极值的能力更强，且其收敛精度、速度和搜索能力也更优。并且通过对FPA算法全局收敛性分析，可以证明该算法在实际应用的有效性[8]。由于FPA算法具有结构简单、参数少，鲁棒性和适应性强等特点，众多学者对其未来的发展潜力十分看好，为了该算法能在多领域的复杂问题实现简单求解，纷纷对其进行了简单的改进，如ERFPA[9]、EFPA[10]、CFPA[11]、DE-FPA[12]和QFPA[13]等，以实现算法的轻量化和求解的高精度。算法中ERFPA 具有较快的收敛速度，QFPA 与EFPA 相比具有更优的跳出局部最优的能力，DE-FPA 算法则具有更强的鲁棒性，CFPA算法和EFPA算法相比其他算法收敛速度则较慢。除了以上主流花授粉算法外，本文还总结了其近五年左右国内……