靳储蔚，李姗鸿，张琳娜，张达敏+

(1.贵州大学 大数据与信息工程学院，贵州 贵阳 550025；2.贵州大学 机械工程学院，贵州 贵阳 550025)

0 引 言

群智能优化算法[1]是受自然界生物种群的运动、捕食等行为所启发而提出的一类算法，当前，国内外已经提出了大量的群智能算法，且根据没有免费的午餐(no-free-lunch，NFL)定理[2]，即过去、现在或未来都不会出现一种算法能够很好地解决所有的优化问题，因此只有不断地提出新的群智能算法才能够解决这些现实优化问题。近几年已经出现了较多新颖的群智能算法[3-7]，这类算法的使用简单方便、参数少、运行时间短等特点，为其能够广泛运用在实际问题上提供了先决条件。

飞蛾扑火优化(moth-flame optimization，MFO)[8]算法是Mirjalili等提出的新型群智能算法，其基本思想是受飞蛾在夜间飞行所启发，但同其它智能优化算法相似，MFO算法也具有收敛速度慢、求解的精度不高无法找到理论值、容易陷入局部最优不再随着迭代的进行向理论更优的位置搜索等问题。在MFO算法提出之后，不断的有研究者使用MFO算法对工程问题进行优化，文献[9]使用MFO算法优化认知无线电系统的参数；文献[10]用差分进化改进的MFO算法求解电力系统负荷经济调度；文献[11]使用差分进化改进的MFO算法进行特征选择。同时也有研究者在其原始算法基础上进行改进，如文献[12]将Lévy飞行引入飞蛾扑火优化算法以提高算法的收敛速度和求解精度；文献[13]将融合折射原理的反向学习引入MFO算法，提高种群的多样性跳出局部最优解；……