应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估_潘文超

基于改进果蝇算法求解混合整数非线性规划问题朱志同;赵阳;李炜;郭星【摘要】在科学及工程系统设计中存在许多混合整数非线性规划MINLP(Mixed-Integer NonLinear Programming)问题,该类问题变量类型丰富且约束条件较多,难以求解,为此提出一种改进果蝇算法.该算法对不同类型变量的更新采取不同的策略,并采用周期性的步长函数指导果蝇的寻优,使其避免陷入局部最优.并通过与另外两种常用的算法在稳定性、收敛速度等方面进行了比较,实验结果表明该改进的果蝇算法效果较优,能有效地解决MINLP问题.%There are many MINLP problems in the design of science and engineering systems, which are rich in variables and have many constraints and are difficult to solve.Therefore, this paper proposes an improved fruit flies algorithm.The algorithm uses different strategies to update different types of variables, and uses the periodic step function to guide the optimization of FOA so as to avoid falling into local pared with the other two commonly used algorithms in terms of stability, convergence speed and so on, experimental results show that the improved fruit flies algorithm can effectively solve the MINLP problems.【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)006【总页数】6页(P262-266,308)【关键词】混合整数非线性规划;智能计算;果蝇算法【作者】朱志同;赵阳;李炜;郭星【作者单位】安徽大学计算智能与信号处理重点实验室安徽合肥 230039;安徽大学计算机科学与技术学院安徽合肥 230601;安徽大学计算智能与信号处理重点实验室安徽合肥 230039;安徽大学计算机科学与技术学院安徽合肥 230601;安徽大学计算智能与信号处理重点实验室安徽合肥 230039;安徽大学计算机科学与技术学院安徽合肥 230601【正文语种】中文【中图分类】TP301.6在科学及工程系统设计中存在许多问题都是非线性规划问题，其中混合整数非线性规划MINLP又是非线性规划的一个重要分支[1]。

修正浓度与适应步长的果蝇优化算法信成涛;邹海【摘要】基本果蝇优化算法在寻优求解时浓度值只能为正,无法对浓度为负时达到最优的问题进行寻优.另外基本果蝇算法在寻优求解时,步长是随机的,这就容易使算法早熟,陷入局部最优解,算法的求解精度也不高.针对基本果蝇算法的这些问题,提出了一种修正浓度与适应步长的果蝇优化算法.该算法对果蝇得到的浓度值进行了修正,使味道浓度分布在整个正负寻优区间.在迭代时,充分利用果蝇群体已经进行的全局影响因素,对果蝇个体的搜寻距离进行适应性改变.为了验证该算法的效果,选用了几个常用的测试函数对该算法进行实验验证,结果表明,该算法不仅可以有效避免陷入局部最优,在寻优精度上也有一定提升.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)007【总页数】6页(P48-52,187)【关键词】果蝇优化算法;修正浓度;适应步长;局部最优;寻优精度【作者】信成涛;邹海【作者单位】安徽大学计算机科学与技术学院,合肥 230601;安徽大学计算机科学与技术学院,合肥 230601【正文语种】中文【中图分类】TP301.61 引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是由台湾学者潘文超于2011年提出的一种新型的演化式与基于群体智能的寻优算法[1-2]。

该算法受到果蝇觅食行为的启发，是对动物群体寻优的一种模拟[3-5]。

该算法实现简单，一经提出就得到了学术界的广泛关注，并在多个领域得到了应用[6-8]。

由于是新提出的算法，在某些方面还存在一定的缺陷，比如在易陷入局部最优和寻优精度不高[9-10]。

近年来，很多学者对该算法进行了一定的研究，被SCI收录的一种改进的果蝇优化算法（MFOA），提出将果蝇群体划分为相同数量的一些子群体并改变其估价函数，提高了种群多样性，使寻优结果得到了一定的提升，但无法求解浓度值为负时达到最优解的问题[11]；马巧梅等对味道浓度也进行修正，为了解决高维函数间维间互扰问题，在迭代过程中采取逐维扰动的方法并加入了收敛判断因子，但该算法的有效性需进一步的提高[12]；丁国绅等提出的V-FOA在迭代过程中将全局最优值的变化率纳入了权值的考虑范围，得到了很好的收敛速度和收敛精度，但在多维函数的寻优求解中得到的结果不是太理想[13]；桂龙等提出的改进步长与策略的果蝇优化算法（CCSFOA），该算法根据历史最优值的差值作为改变步长的依据，平衡了种群的全局与局部搜索的能力，但该算法的运行效率不高[14]。

２０１１年１２月第２９卷　第４期　太原理工大学学报（社会科学版）Ｊｏｕｒｎａｌ　ｏｆ　Ｔａｉｙｕａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ（Ｓｏｃｉａｌ　Ｓｃｉｅｎｃｅｓ　Ｅｄｉｔｉｏｎ）Ｄｅｃ．２０１１　Ｖｏｌ．２９　Ｎｏ．４应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估潘文超（中国科技大学企业管理系，台湾台北１０４） 摘要：近年来，台湾受到美国次贷风暴及欧洲债信的影响，许多大型企业瓦解的事件陆续发生，因此，公司管理阶层有必要好好地检视公司的财务状况，及早防范公司可能面临的经营风险。

文章按照财务五力搜集台湾企业财务比率资料，根据活动力、稳定力与收益力进行灰关联分析，再将分析结果按照灰关联度进行排序，以了解各企业的经营绩效排名；然后采用果蝇优化算法优化广义回归神经网络、一般广义回归神经网络与多元回归模型，进行企业经营绩效侦测模型的建构，以供研究人员及公司管理阶层参考。

分析结果显示，应用果蝇优化算法优化广义回归神经网络在企业经营绩效侦测模型的预测误差有很好的收敛结果，也有很好的分类预测能力。

关键词：果蝇优化算法；企业经营绩效；优化问题；广义回归神经网络中图分类号：Ｆ２７２．５ 文献标识码：Ａ 文章编号：１００９－５８３７（２０１１）０４－０００１－０５ 一、前言近年来，优化问题处理已经逐渐受到重视，例如物流业的最短路线问题［１］或是交通运输业的排班问题［２］等，都必须经由优化算法来加以处理。

到目前为止，经常被用来处理优化问题的算法包括了遗传算法［３］与粒子群算法［４］。

然而，这些算法的共同缺点就是计算过程复杂且初学者不容易了解。

有鉴于此，本文不同于以往学者，而是采用一种全新的果蝇优化算法（Ｆｒｕｉｔ　Ｆｌｙ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ａｌｇｏ－ｒｉｔｈｍ，简称ＦＯＡ）。

这种优化算法具有计算过程简单，容易将它的观念转换为程序代码而且非常容易理解等优点。

本文首先尝试以求得函数极大值的方式，测试此优化算法的功能；然后，进一步的按照财务五力中的活动力、安定力与收益力搜集台湾２００８、２００９年企业财务比率资料，根据活动力、安定力与收益力进行灰关联分析，再将二者的分析结果，按照灰关联度进行排序，以了解各企业的经营绩效排名，并且以二分法的方式分为绩效好与坏二类，然后以财务比率作为自变量（Ｘ），以绩效好坏作为因变量（Ｙ），再采用三种数据探勘技术，包括果蝇优化算法优化广义回归神经网络（Ｆｒｕｉｔ　Ｆｌｙ　Ｏｐｔｉｍｉｚａ－ｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｏｐｔｉｍｉｚｅｄ　Ｇｅｎｅｒａｌ　Ｒｅｇｒｅｓｓｉｏｎ　Ｎｅｕ－ｒａｌ　Ｎｅｔｗｏｒｋ，简称ＦＯＡＧＲＮＮ）、一般广义回归神经网络（Ｇｅｎｅｒａｌ　Ｒｅｇｒｅｓｓｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，简称ＧＲＮＮ）与多元回归模型（Ｍｕｌｔｉｐｌｅ　Ｒｅｇｒｅｓｓｉｏｎ，简称ＭＲ），进行企业经营绩效侦测模型的建构，以供研究人员参考。

基于果蝇算法优化广义回归神经网络的凝汽器真空预测葛晓霞;肖洪闯;嵇卫;蔡宁宁;缪国钧【期刊名称】《汽轮机技术》【年(卷),期】2018(060)003【摘要】针对凝汽器真空模型复杂而难以准确建立的问题,提出了基于果蝇算法优化广义回归神经网络(FOAGRNN)构建凝汽器真空预测模型的新方法.为了简化网络模型,通过计算平均影响值(MIV)筛选出对凝汽器真空影响较为重要的变量.采用果蝇算法对光滑因子进行优化选取,减少人为设置参数对预测效果的影响,提高广义回归神经网络(GRNN)的预测精度.将该方法应用于660MW火电机组凝汽器真空预测,并与未经变量筛选的GRNN及FOAGRNN预测结果进行对比.结果表明筛选变量过后的FOAGRNN模型的预测精度明显优于另外两种,平均相对误差为1.0925%,能够准确地预测凝汽器真空变化值.【总页数】5页(P208-212)【作者】葛晓霞;肖洪闯;嵇卫;蔡宁宁;缪国钧【作者单位】南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167;南京工程学院能源与动力工程学院,南京211167【正文语种】中文【中图分类】TK242【相关文献】1.应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估 [J], 潘文超2.基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模与预测 [J], 曹岩枫;徐诚3.基于果蝇优化广义回归神经网络的径流预测 [J], 林晓佳4.基于果蝇算法优化GRNN的生物氧化预处理温度预测 [J], 孔颜芳;南新元;石跃飞;苏比努尔·艾依来提5.基于改进蝙蝠算法优化广义回归神经网络的岩质边坡稳定性预测 [J], 杨雅萍;张文莲;孙晓云因版权原因，仅展示原文概要，查看原文内容请购买。

具有记忆的果蝇优化算法白露;王丽芳【摘要】针对基本的果蝇优化算法(FOA)在寻优进化过程中,极易陷入局部极值区域致使算法的收敛精度和收敛速度下降的缺点,提出了一种改进的果蝇优化算法PFOA.从微粒群算法(PSO)更新粒子的方法中得到启发,在果蝇优化算法中加入了个体经验信息和群体经验信息.PFOA使果蝇个体在寻优进化过程中充分地利用了种群历史信息来增加种群的多样性,从而使果蝇个体能够跳出局部最优解区域,提高算法收敛精度和速度.经过对标准测试函数的仿真实验,表明PFOA在收敛精度、收敛速度上比其他FOA具有明显的提高.%In order to overcome the problems of low convergence precision and easily relapsing into local optimum in the optimization process of the fruit fly algorithm (FOA),this paper presents an improved algorithm PFOA.Inspired by the Particle Swarm Optimization (PSO),the memory of each individual and the memory of the best individual are added into the new algorithm PFOA.In the optimization process,PFOA increases the diversity of fruit fly population and makes fruit fly escape from local optimum,thus improving the algorithm convergence accuracy and speed.The experiment results of standard test functions show that PFOA is better than the other FOAs in convergence accuracy and convergence speed,and the global convergence ability of population has been improved.【期刊名称】《太原科技大学学报》【年(卷),期】2017(038)003【总页数】6页(P172-177)【关键词】果蝇优化算法;微粒群算法;适应度值【作者】白露;王丽芳【作者单位】太原科技大学复杂系统与智能计算实验室,太原 030024;太原科技大学复杂系统与智能计算实验室,太原 030024【正文语种】中文【中图分类】TP18果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是由著名学者潘文超博士在2011年提出的一种全新的群智能全局优化算法[1-2],该算法思想来自果蝇种群自觉觅食的过程。

《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FFOA）是一种基于生物启发式的优化算法，灵感来源于果蝇在寻找食物过程中的行为。

该算法通过模拟果蝇的觅食行为，利用果蝇对果实的趋食性以及飞行过程中的随机性，进行全局搜索和局部搜索的平衡，从而找到最优解。

近年来，果蝇优化算法在多个领域得到了广泛的应用和研究。

本文将介绍果蝇优化算法的基本原理、特点、应用领域以及研究现状。

二、果蝇优化算法的基本原理果蝇优化算法的基本原理包括初始化、搜索、评估和更新四个步骤。

首先，算法随机生成一定数量的解作为初始解集，每个解代表一个果实的坐标。

然后，根据果实的“香味”（即目标函数值）进行搜索，寻找更优的解。

在搜索过程中，算法利用果蝇的趋食性和随机性，不断调整搜索方向和范围。

当找到更优的解时，算法会更新解集，并将该解作为新的起点进行下一轮搜索。

重复上述步骤，直到满足算法的终止条件（如达到最大迭代次数或解的改进幅度小于一定阈值）。

三、果蝇优化算法的特点果蝇优化算法具有全局搜索能力强、收敛速度快、鲁棒性好等特点。

由于算法利用了果蝇的趋食性和随机性，能够在搜索过程中平衡全局搜索和局部搜索，从而找到最优解。

此外，算法的参数设置相对简单，易于实现。

四、果蝇优化算法的应用领域果蝇优化算法在多个领域得到了广泛的应用，如函数优化、组合优化、图像处理等。

在函数优化方面，果蝇优化算法可以有效地解决复杂的多维函数优化问题。

在组合优化方面，可以应用于旅行商问题、作业调度问题等。

此外，果蝇优化算法在图像处理方面也有很好的应用前景，如图像分割、图像识别等。

五、研究现状与展望目前，果蝇优化算法的研究正在不断深入，越来越多的学者将其应用于不同领域的问题求解中。

未来，果蝇优化算法将进一步拓展其应用范围，并与其他优化算法进行融合，以提高求解效率和精度。

同时，对于算法本身的改进和优化也将成为研究的重要方向。

果蝇优化算法在边坡最小安全系数搜索中的应用贺子光;赵法锁;武斌;汪班桥;段钊【摘要】提出将果蝇优化算法结合简化Bishop 法对边坡最小安全系数进行搜索，针对基本果蝇优化算法局部寻优精度不高且易陷入局部最优的缺点，提出将果蝇优化算法和具有很强局部搜索能力的单纯型法相结合，并借鉴遗传算法中的杂交操作，以克服基本果蝇算法存在的不足。

算例计算结果表明：果蝇优化算法是一种简洁、高效的边坡最小安全系数搜索方法，改进后的果蝇优化算法具有更高的收敛精度和可靠性，为边坡最危险滑动面搜索和最小安全系数的计算提供了一种新的全局求解策略。

%A new method combining fruit fly optimization algorithm with simplified Bishop Method is presented to search minimum safety factor of slope.In order to overcome the shortcoming of easily relapsing into local optimal solution and low convergence precision,we propose combiningthe fruit fly optimization algorithm with simplex algo-rithm,and introduce the hybridization operation in genetic algorithms to form a mixed fruit fly optimization algo-rithm.Results of practical examples show that the fruitfly optimization algorithm is a simple and efficient method for searching minimum safety factor,and improved mixed method has higher convergence accuracy and reliability. Thus,a concise effective global strategy is provided for searching the critical slip surface and calculatingthe mini-mum factor of safety in slope stability.【期刊名称】《灾害学》【年(卷),期】2015(000)004【总页数】5页(P29-33)【关键词】边坡;果蝇优化算法;单纯型法;杂交操作;最小安全系数【作者】贺子光;赵法锁;武斌;汪班桥;段钊【作者单位】长安大学地质工程与测绘学院，陕西西安 710054;长安大学地质工程与测绘学院，陕西西安 710054; 西部地质资源与地质工程教育部重点实验室，陕西西安 710054;长安大学地质工程与测绘学院，陕西西安 710054;长安大学地质工程与测绘学院，陕西西安 710054;西安科技大学地质与环境学院，陕西西安 710054【正文语种】中文【中图分类】TU323;X43极限平衡法是当前国内外应用最为广泛的边坡稳定性分析方法。

一种新型的改进果蝇优化算法戈涛; 张馨【期刊名称】《《现代计算机（专业版）》》【年(卷),期】2019(000)029【总页数】5页(P16-20)【关键词】果蝇优化算法; 全局优化; 多峰值函数; 随机策略【作者】戈涛; 张馨【作者单位】合肥市现代职业教育公共实训中心合肥 230012; 安徽大学计算机科学与技术学院合肥 230601【正文语种】中文0 引言果蝇优化算法是台湾学者潘文超在2011 年提出的新型群体智能优化算法[1-2]，主要是模拟果蝇搜寻食物的过程，果蝇有着优于其他物种的敏感嗅觉器官，能够嗅到漂浮在几十公里外空气中的各种食物味道，当靠近食物位置时又能通过其敏锐的视觉找到食物和同伴，并向味道浓度最大的方向飞去。

果蝇算法就是通过模拟此过程并不断迭代寻优以求得问题的最优解。

果蝇优化算法自诞生之日起就以其算法简单、调整参数少、易实现等优点而受到广大学者的青睐，现已被广泛应用与求解函数优化[3]、PID 控制参数优化[4]、最小二乘支持向量机参数优化[5]、置换流水线调度[6]、LSSVR 干燥速率建模[7]、多维背包问题[8]等。

随着对果蝇优化算法的不断深入研究，算法本身也暴露出了不可忽视的缺点。

果蝇优化算法在求解单峰值函数时尚能表现出良好的寻优效果，但是在求解多峰值或者高维度的复杂优化问题时很难达到理想的效果。

为了解决原始果蝇优化算法自身存在的收敛速度慢、寻优精度低、易陷入局部最优等问题，本文提出了一种新型的果蝇优化算法，将本文方法与原始果蝇优化算法及改进的果蝇算法DS-FOA 和LGMS-FOA 进行仿真对比，实验结果表明，本文所提出的算法在收敛效果和寻优速度上有了明显提高且具有更高的稳定性。

1 基本果蝇优化算法介绍1.1 FOA算法描述在基本果蝇优化算法中，每只果蝇个体会被随机的分布在一个N 维的特定搜索空间，其搜索步长固定不变，搜寻食物的方向具有随机性，每个果蝇个体都携带有味道浓度，该值与味道浓度判定值有关，由于在初始阶段不知道食物的具体位置，因此把每个果蝇个体与原点距离的倒数作为判断味道浓度判定值的依据，将该值代入目标函数以求得果蝇个体的味道浓度值，味道浓度值越小的果蝇距离食物源的位置越近（适用于最小优化问题），记录下果蝇群体中味道浓度值最小的果蝇位置，其他果蝇凭借敏锐的嗅觉飞往该位置，最后通过迭代不断更新果蝇群体中的最佳位置，直到迭代结束找到问题的最优解。

《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的优化算法，它以果蝇觅食行为为灵感，通过模拟果蝇的寻食行为来寻找最优解。

该算法具有简单易行、收敛速度快、全局搜索能力强等优点，因此在众多领域得到了广泛的应用。

本文将介绍果蝇优化算法的基本原理、特点及在各领域的应用研究。

二、果蝇优化算法的基本原理果蝇优化算法的基本原理是模拟果蝇在寻找食物过程中的行为。

算法首先随机生成一组解，然后根据一定的评价函数计算每个解的适应度。

接着，算法通过果蝇的嗅觉和视觉机制，逐步向最优解逼近。

在寻优过程中，果蝇会根据食物源的气味和亮度信息不断调整其飞行方向和速度，以寻找更优质的食物源。

当果蝇找到更优质的食物源时，会利用其嗅觉和视觉机制与其他果蝇共享信息，使得整个群体逐渐向最优解靠拢。

三、果蝇优化算法的特点果蝇优化算法具有以下特点：1. 简单易行：算法实现简单，易于理解和操作。

2. 收敛速度快：算法具有较快的收敛速度，能在较短的时间内找到较优解。

3. 全局搜索能力强：算法通过模拟果蝇的觅食行为，具有较强的全局搜索能力，能够找到更好的解。

4. 鲁棒性好：算法对初始解的依赖性较小，具有较强的鲁棒性。

5. 易于与其他算法结合：果蝇优化算法可以与其他优化算法相结合，形成混合优化算法，进一步提高优化效果。

四、果蝇优化算法的应用研究果蝇优化算法在众多领域得到了广泛的应用，如函数优化、组合优化、图像处理等。

下面将分别介绍这些领域中果蝇优化算法的应用研究。

1. 函数优化：果蝇优化算法可以用于求解各种函数的最优解。

例如，可以通过果蝇优化算法求解多元非线性函数的极值问题，以获得更优的解。

2. 组合优化：果蝇优化算法也适用于解决组合优化问题。

例如，在路径规划、网络流等问题中，可以利用果蝇优化算法寻找最优路径或最优网络结构。

3. 图像处理：果蝇优化算法还可以用于图像处理领域。

《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的优化算法，它以果蝇觅食行为为灵感，通过模拟果蝇的寻食行为，实现对复杂问题的优化求解。

该算法具有简单易实现、计算效率高、全局搜索能力强等优点，因此在众多领域得到了广泛的应用。

本文将对果蝇优化算法的原理、实现方法以及应用领域进行详细的研究和探讨。

二、果蝇优化算法的原理与实现1. 算法原理果蝇优化算法的基本思想是模拟果蝇的觅食行为。

在觅食过程中，果蝇会根据其感官系统感知到的气味浓度梯度信息，快速找到食物源。

FOA算法借鉴了这一特点，通过模拟果蝇的寻食过程，实现对问题的优化求解。

2. 算法实现果蝇优化算法的实现主要包括初始化、寻优过程和结果输出三个步骤。

首先，算法需要初始化果蝇群体的位置和速度等参数；然后，通过模拟果蝇的寻食行为，不断更新果蝇的位置和速度，寻找最优解；最后，输出最优解及对应的果蝇位置。

三、果蝇优化算法的应用领域1. 函数优化问题果蝇优化算法在函数优化问题中具有较好的应用效果。

通过对不同维度的函数进行优化求解，可以验证FOA算法的优化能力和全局搜索能力。

2. 机器学习领域果蝇优化算法可以应用于机器学习领域的特征选择和参数优化等问题。

通过对特征进行选择和参数进行优化，可以提高机器学习模型的性能和泛化能力。

3. 物流与路径规划问题果蝇优化算法还可以应用于物流与路径规划问题中。

通过对物流网络和路径进行优化，可以提高物流效率和降低成本。

四、案例分析以函数优化问题为例，介绍果蝇优化算法的应用。

假设我们需要求解一个二维函数的最大值问题。

首先，我们初始化果蝇群体的位置和速度等参数；然后，通过模拟果蝇的寻食行为，不断更新果蝇的位置和速度，寻找最优解；最后，输出最优解及对应的果蝇位置。

通过实验验证，果蝇优化算法能够快速找到该函数的最大值，且具有较好的全局搜索能力。

五、结论与展望果蝇优化算法作为一种新型的优化算法，具有简单易实现、计算效率高、全局搜索能力强等优点。

基于果蝇优化广义回归神经网络的径流预测林晓佳【摘要】针对水文径流的不确定性特点,提出一种新的径流预测模型.该模型在广义回归神经网络的基础上,采用了果蝇优化算法.通过该模型对四川省万源市后河径流进行了预测,结果显示改进后的模型预测精度明显提高.【期刊名称】《重庆科技学院学报（自然科学版）》【年(卷),期】2016(018)006【总页数】3页(P84-86)【关键词】果蝇优化算法;广义回归神经网络;径流预测【作者】林晓佳【作者单位】福建对外经济贸易职业技术学院信息技术系,福州350016【正文语种】中文【中图分类】TP393径流是一个涉及水文、气象及水力学等理论的复杂过程，包括降水、产流及汇流等阶段在内，受到地形、地貌、下垫面及人类活动等因素影响的复杂非线性系统[1]。

人们针对径流预测作了大量研究，优化算法在径流预测中的应用普遍而广泛[2-5]。

本次研究采用了一种全新的优化算法——果蝇优化算法(Fruit Fly Optimization Algorithm，简称为FOA算法)，验证果蝇优化算法在径流预测中的参数优化特性。

在多种径流预测方法当中，广义回归神经网络(GRNN)在学习速度和函数逼近能力上有较强的优势[6-7]，需调整的参数较少(只有1个分布常数)，可以迅速找到合适的预测网络。

基于以上考虑，对GRNN的参数通过果蝇优化算法进行优化，将改进后的广义回归神经网络(FOAGRNN)模型应用于径流预测，分析该方法的径流预测参数优化预测效果及预测精度。

1.1 果蝇优化算法简介果蝇优化算法由台湾著名学者潘文超于2011年率先提出[8-9]。

该算法与蚁群优化算法有相似之处，根据果蝇觅食行为来实现全局寻优，具有计算简便和结果精确等优点。

果蝇本身具有非常发达的感官，其视觉与嗅觉更是优于其他物种。

通过嗅觉确定食物源方向，然后通过视觉发现食物的位置，最后到达该位置。

果蝇优化算法模拟了果蝇利用嗅觉和视觉进行觅食的过程，基本步骤如下：(1) 随机设置果蝇群体的初始位置(InitXaxis，InitYaxis)。

《果蝇优化算法及其应用研究》篇一一、引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的优化算法，它通过模拟果蝇的觅食行为来寻找最优解。

该算法具有简单易实现、搜索能力强、收敛速度快等优点，因此在许多领域得到了广泛的应用。

本文将介绍果蝇优化算法的基本原理、特点及其在各个领域的应用研究。

二、果蝇优化算法的基本原理果蝇优化算法的基本思想是模拟果蝇在寻找食物过程中的行为。

果蝇通过嗅觉和视觉感知周围环境中的果味和颜色等信息，然后根据这些信息选择最优的飞行路径，最终找到食物源。

在果蝇优化算法中，将待求解的问题转化为寻找最优解的过程，通过模拟果蝇的觅食行为来寻找最优解。

具体而言，果蝇优化算法首先初始化一定数量的果蝇，并在搜索空间中随机分布。

然后，根据果蝇的感知能力，计算每个果蝇与已知食物源的距离以及各个食物源之间的相对吸引力。

接着，根据这些信息，果蝇选择最优的飞行路径，向食物源飞去。

在飞行过程中，果蝇会不断更新自己的位置和速度，以适应环境的变化。

当果蝇到达食物源时，记录下该食物源的位置和价值，然后返回初始位置。

通过多次迭代，算法逐渐收敛到最优解。

三、果蝇优化算法的特点果蝇优化算法具有以下特点：1. 简单易实现：算法的思路清晰，易于编程实现。

2. 搜索能力强：算法通过模拟果蝇的觅食行为来寻找最优解，具有强大的搜索能力。

3. 收敛速度快：算法采用迭代的方式逐渐收敛到最优解，收敛速度较快。

4. 适用范围广：算法可以应用于多种类型的优化问题，如函数优化、组合优化等。

四、果蝇优化算法的应用研究果蝇优化算法已经广泛应用于许多领域，如函数优化、图像处理、网络安全等。

下面将介绍几个典型的应用研究案例。

1. 函数优化：果蝇优化算法可以用于求解各种类型的函数优化问题。

例如，通过优化函数的参数，使得函数值达到最小或最大。

与其他优化算法相比，果蝇优化算法具有更好的搜索能力和收敛速度。

一种基于混沌粒子群改进的果蝇优化算法刘晓悦;李朋园【摘要】针对基本果蝇算法在优化过程中收敛速度慢,无法解决复杂的优化问题,引入混沌搜索和粒子群算法(PSO)来修正基本果蝇算法(FOA).利用混沌搜索初始化果蝇群位置,提高了初始解的随机性和遍历性,从而提高FOA初始种群的多样性;引入PSO算法以减少最优解更新过程中的盲目搜索;选取5种不同的非线性函数作为测试函数,并将改进后的果蝇算法(IFOA)与其他算法相比较,实验结果表明,IFOA的鲁棒性较强,且收敛速度与收敛精度有了明显的提高.【期刊名称】《火力与指挥控制》【年(卷),期】2018(043)012【总页数】5页(P68-72)【关键词】果蝇算法;混沌搜索;粒子群算法;鲁棒性【作者】刘晓悦;李朋园【作者单位】华北理工大学电气工程学院,河北唐山063000;华北理工大学电气工程学院,河北唐山063000【正文语种】中文【中图分类】TP301.6;TJ010 引言果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）是一种新型的群智能全局优化算法，是近几年台湾学者潘文超于2012年以果蝇觅食行为为基础最新研究出的一种优化算法[1]，与以往的群智能算法（如粒子群算法[2]，蚁群算法[3]等）相比，果蝇算法寻优机制简单易懂，搜索过程仅包含嗅觉和视觉搜索，重要参数为种群规模和最大迭代次数，具有优良的全局优化能力[4]。

因此，一经提出就引起了国内外学者的广泛关注，目前已成功应用于函数优化[5]、神经网络[6]、企业经营效绩评估[7]等。

然而，由于FOA的优化过程具有较强的随机性，其在搜寻最优解时引入了一些盲目搜索，会造成收敛过早和计算速度较慢等问题，尤其在求解高维复杂函数的过程中，FOA易陷入局部极值而造成较大的误差[8]。

本文提出一种最新研究的改进果蝇优化算法，通过引入一些改进策略来提高其全局寻优能力及收敛速度。

改进策略如下：1）引入混沌映射中的Logistic映射来生成果蝇群体的初始位置，进而提高其初始种群的多样性。

基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散
射谱特
布里渊散射是一种非线性光学现象，可以通过光纤传输中产生，譬如光纤激光陀螺、光纤传感器等。

布里渊散射谱特征是布里渊散射光谱中特有的线宽与波长的关系，其特征是提供了大致的温度和形变信息。

因此，分析和研究布里渊散射谱特具有重要的应用价值和科学意义。

目前，基于广义回归神经网络进行布里渊散射谱特定量分析的方法已经成为主流。

这种方法通过构建广义回归神经网络模型，采用输入光谱特征，输出布里渊散射谱特特征的方法，实现布里渊散射特征的定量表征。

然而，神经网络模型存在着模型复杂度高、训练时间长等问题。

为解决这些问题，学者们提出了自适应变异果蝇优化算法，并基于该算法对布里渊散射谱特进行建模和分析。

该算法具有计算速度快、全局最优解能力强、不易陷入局部最优解等优点，能够更加准确地分析布里渊散射谱特的特征。

基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特分析方法，通过输入光谱的数值和波长，可以实现对布里渊散射谱的线宽与波长之间的关系的建模和分析，进而实现温度和形变等特征的测量和分析。

总之，基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特分析方法在光纤传感器等领域具有广阔的应用前景。

其中，自适应变异果蝇优化算法的应用将进一步优化建模
过程，提高模型的精度和效率，有望实现对光纤传感器等设备的精确测量和控制。