分段搜索的果蝇算法及其对纺织企业资源配置

白晓波，邵景峰，王铁山，李勃,2

1.西安工程大学 管理学院，西安710048

2.“一带一路”纺织发展研究院，西安710048

随着大数据和人工智能技术的日趋成熟，传统制造行业都在向智能化转型，但是，中国很多企业的自动化和信息化水平较低，智能化转型基础条件相对薄弱，缺人、缺技术、缺资金。尤其是纺织企业，区域间、企业间发展不均衡，长期以来利润较低，甚至处于亏损状态。而在制造业智能化转型的大趋势下，纺织企业的智能化转型也势在必行，在对可投入的各项资源有限的现实背景下，这些资源该如何调配，也是纺织学者必须研究的课题。

关于资源配置的研究，国内外学者均有涉及，一类是算法的应用研究，但是主要集中在计算机、电子科学与技术领域。如Yu等将深度强化学习算法应用于工业互联网（industrial Internet of things,IIoT）绿色资源分配问题。Shan等和Ning等分别将深度学习应用于移动边缘计算和移动区块链的智能资源分配。Liu等研究了智能边缘计算环境下的资源分配与调度。Das等研究了感知无线网络智能资源分配方案。Hui等将深度学习算法应用于无线网络的资源分配。另外一类是资源配置的模型或对策研究。王宏伟等和蔡渊渊等从作用机制、发展路径方面研究了企业的资源配置方案。欧伟强等研究了基于随机性的多主题创新资源配置模型。具体算法应用于资源分配中比较有代表性的是钱蓝提出的算法，将粒子群算法应用于机械工业生产供应链资源的均衡配置。模拟自然界生物活动的群体智能随机搜索算法用于解决生产企业资源配置的思想，为将类似的智能优化算法用于纺织企业智能化时资源的最优化配置研究提供了重要的借鉴意义。因此，本文选取相对易于实现，且依然保持较高研究热度，同样作为群体智能算法的果蝇算法（fruit fly optimization algorithm，FOA），研究了FOA 的不足和改进方法，并解决了纺织企业智能化时资源如何配置的问题。

FOA 是2012 年由中国台湾学者Pan提出的群体智能优化算法。由于其通用性强且计算机效率高的特性，众多学者对其进行了研究与改进，在知网检索近5 年“果蝇算法”共有633 条记录。在Web of Science 上检索近5 年“fruit fly algorithm”共有325 条记录。较多学者的研究促进了FOA 在解决很多行业问题时的应用以及理论发展。在这些研究中，主要集中解决的问题是如何提高FOA 的全局寻优能力，增加寻优结果的精度。从研究文献的思路分析，主要有三种方法：一是在FOA 迭代寻优时，对其步长的改进，提高全局搜寻能力，避免其过早陷入局部极值；二是改进种群的多样性，避免过早收敛；三是与其他优化算法混合，构成混合增强型算法。

在改进果蝇种群步长方面，主要思想是增强飞行距离的随机性，提高全局寻优能力。如周理等提出了自适应步长的果蝇算法，进而增强算法跳出局部最优的能力。谭晶晶提出了混沌步长的方法，基于混沌序列较强的随机性，进一步提升了FOA 跳出局部最优的能力，但又受混沌算法本身的参数取值的影响。Wang等利用仿射变换进化算法中的进化矩阵来更新种群的位置坐标。秋兴国等基于步长指数递减和分布扰动策略对果蝇算法的步长进行改进。Jiang等提出了基于多元自适应步长的FOA对广义神经网络进行优化。张伟等提出了基于混沌的正余弦FOA 更新果蝇位置。Zhang等提出了一种混合步长嗅觉搜索方法，以提高搜索效率。

在增加种群多样性方面：Zhang等利用全局协作机制增加果蝇种群的多样性和协作性，以避免早熟收敛，且有更多机会跳出局部极值；Tao等将种群分三个区域，采用不同搜索策略，控制种群的收敛速度和种群的多样性；Ge等为了提高改进算法的优化性能和种群多样性，采用K-means 算法求解初始解集，同时将局部果蝇优化算法（FOA）与遗传算法相结合；Zhao等提出了基于分层制导策略的果蝇协作学习优化算法，以保持种群的多样性；周佳伟等的种群分区的多策略自适应FOA（two phases fruit fly optimization algorithm，TopFOA），提升了算法的收敛性和全局寻优能力；于广天设计了多果蝇子种群协同进化机制，增加优化函数的信息互动，以改进种群多样性。

在与其他优化算法结合方面。刘乐提出了群体协同与和声搜索的FOA。李冉等引入和声策略与FOA 构建了混合优化搜索。黄元元等提出了混合果蝇算法，使得FOA 的局部搜索和全局搜索达到平衡。陈中等提出了增强型果蝇算法，用于智能车移动路径规划。Saminathan等将FOA 和鲸鱼优化算法结合，构成混合优化算法。Kapila等将杂交果蝇和人工蜂群算法组合，对提取的图像特征进行优化。其他混合果蝇算法如Liu等和Balasubbareddy提出的算法。

通过文献回顾发现关于FOA 的改进主要集中在两方面：（1）种群迭代时对搜索半径的改进；（2）改进种群的多样性。这都在一定程度上提升了FOA 的搜索范围和准确度，为本文的研究奠定了重要基础。但是，部分改进导致算法的时间复杂度增大，尤其是为了增加种群多样性或者与其他优化算法结合使用，带来较大的时间开销，并不利于对系统实时性较高的环境使用。因此，在保证算法效率的前提下，探索利用Levy 飞行的优良特性，改进搜索步长，增加其全局寻优能力，进而设计了Multi-P-LevyFOA 算法，在建立纺织企业资源配置模型的基础上，实现各项资源的合理配置，为纺织企业在智能化建设提供参考。

1 纺织企业智能化资源配置模型

设纺织企业为了智能化，可投入的资源为={,,,}，表示人力资源，表示资金，表示时间，表示设备（以当前喷气涡流纺纱设备为主）。而为了达到在有限资源条件下，通过智能化转型，实现企业预期效益，就需要对这几种资源进行合理配置。

纺织业智能化效益的核心为竞争力和盈利能力。则，智能化效益可表示为=(,),为竞争力，为盈利能力。

式中，r表示第种资源的可用数量，表示第种资源的配置比例，为其他制约因素导致的不确定损失。

则，智能化效益用数学语言进一步刻画为：

从式（4）可以看出，其值越接近0 越好，越接近智能化最大效益。

2 基于Levy 飞行的果蝇算法

2.1 Levy 飞行改进FOA 原理

在FOA 中，更新果蝇的位置公式如下：

其中，的取值方式影响全局寻优效果。通常为[,]之间均匀分布的随机数。但是，这种方法非常容易导致在迭代初期陷入局部最优。最优化问题如果是单峰的，多次迭代后也会向极值收敛，影响并不太大。如果是多峰函数，就难以跳出局部极值。因此，需要将全局寻优能力和局部寻优能力合理结合。进而，对FOA 的改进思路是将整个迭代过程分为两个阶段，如下所述：

（1）Levy探索阶段。利用Levy 飞行良好的随机性，扩大搜寻范围，增加FOA 全局寻优能力，避免陷入局部极值。

（2）聚焦寻优阶段。利用随机下降的[,]之间均匀分布随机数在有限范围内进一步提高寻优精度。

2.2 Levy 飞行改进果蝇算法

将Levy 飞行改进FOA 的步骤如下：

初始化。最大迭代次数，种群规模，参数及参数维度，控制搜索步长的参数、和。初始种群的坐标、，表示初始随机位置，并假定为最优位置，也是每次迭代时最优值对应的种群坐标。

更新果蝇位置分两阶段进行：第一阶段Levy 飞行更新果蝇位置；第二阶段，基于迭代次数下降的均匀分布随机数更新果蝇位置。

（1）Levy 探索阶段。该阶段有以下两个子步骤。

①基于Levy 飞行更新种群位置。

式中，、为Levy 随机值，为探索空间长度。,=(,)计算公式为：

为服从(0,)随机数，的计算公式如下。

为服从(0,1)的随机数，通常=1.5，或者在[1,3]之间取值。为了计算简单起见，将()近似表示为Stirling 公式，即：

②父代信息向子代传递。

∈[0,1]为均匀分布的随机数，表示以哪种方式将父代信息传递给子代的阈值。

（2）聚焦寻优阶段。基于迭代下降的均匀分布随机数缩小搜寻范围。

为搜索阶段划分系数，为基于迭代次数下降控制搜寻范围的系数。

计算个体与原点的距离D和味道浓度S。

若参数取值范围大于0，用S=1/D；若参数存在取值小于0 的情况，则用S=1/D+×()，避免了标准FOA 只能在大于0 的范围寻找参数最优值的问题。

计算当前位置食物的味道浓度Smell，计算公式如下：

_为适应度函数。

记录种群中Smell最优的果蝇信息。

记录及其坐标、，其他个体向该位置聚集。

重复步骤2～6 到终止条件，输出最优值及最优值对应的参数。

2.3 Multi-P-LevyFOA 流程图

结合本文要解决的问题，下面对解决多参数多目标寻优的Multi-P-LevyFOA 进行详细介绍，Multi-P-LevyFOA 的详细步骤如下：

初始化。最大迭代次数，种群规模，参数个数及种群维度，初始种群的坐标_(,)，_(,)，(_(:,1)，_(:,1))表示所有种群第1 个参数的位置，即每个果蝇用一个两行列的二维数组表示。

进入迭代寻优。

遍历每个种群。

①更新种群位置。若迭代次数＜×，则进入Levy 探索阶段，利用式（6）～（10）更新果蝇(,:)和(,:)位置，表示第个果蝇。否则，进入聚焦寻优阶段，利用式（11）更新种群位置。

②处理超出边界的和坐标值。

③用式（12）计算味道浓度。

④处理味道浓度超边界的值。

⑤计算并记录适应度值()=()。

⑥若未遍历所有种群，返回步骤3。否则，进入步骤4。

找到当前迭代最优值及其最优值对应的位置。

若<（存放全局最优值），则=更新全局最优值、新的最优位置_和_。

若迭代次数＞，则终止寻优。否则，返回步骤2。

其流程图如图1所示，算法伪代码如算法1所示。

图1 Multi-P-LevyFOA 流程图Fig.1 Diagram of Multi-P-LevyFOA

Multi-P-LevyFOA 的伪代码

说明：表示最优值，表示最优值对应的参数，为适应度函数。

2.4 迭代阶段划分阈值SEP 的选择

在Multi-P-LevyFOA 中，将迭代分为两个阶段。这两个阶段该如何划分？实质就是阈值取多少能够在全局寻优和局部寻优之间找到平衡点。即在取得良好全局寻优效果下，局部寻优能力也不下降。对此问题的研究，需要在不同阈值下对算法的寻优结果进行对比分析，在此基础上确定划分阈值。

设迭代次数为=300，种群数=50，Levy 参数=1.0 分别选取阈值∈{0,1/2,1/3,2/3,1/4,3/4,1/5,2/5,3/5,4/5,1}，以多峰函数

[为例。

的参数维度=30，两个参数值在[-100,100]的三维效果图如图2 所示。

图2 F8三维效果图Fig.2 3D figure of F8

为了避免种群初始化时的随机性导致实验结果不准确，针对每个阈值独立运行程序100 次，计算寻优结果的均值、标准差、最优值和最差值并进行对比分析。运行环境：微型台式电子计算机，处理器IntelCorei5-7400 CPU@3.00 GHz，内存4.00 GB，操作系统64 位Windows10，以及Matlab 2017。运行结果如表1 所示。

表1 不同阈值SEP 对寻优结果的影响Table 1 Influence of different SEP on search results

对表1 的结果对比分析如下：

（1）阈值=0，相当于不使用Levy 飞行，算法退化为原FOA。虽具有较好的稳定性，但寻优精度最低。

（2）阈值=1，相当于只使用Levy 飞行，而不使用基于迭代次数递减的均匀分布随机数控制局部寻优范围，并不能取得最好的寻优效果。

（3）只使用Lvey 飞行，其效果也是优于标准FOA的，却又明显不及使用了Lvey 飞行和均匀分布的随机步长。从其均值变化规律来看，随着阈值>2/3，均值逐步变大，寻优效果反而变差。因此，需要在迭代的后期，放弃Levy 飞行，而改用基于迭代次数递减的均匀分布随机步长进行局部寻优，保证寻优精度。阈值从3/5 到4/5 时，寻优结果均值开始下降，但都取得了最优值-1 599.31 和-1 549.62。而取值为2/3 和4/5 时，标准差Std 较小，也较为接近，说明在2/3和4/5 时，算法具有更好的稳定性。因此综合考虑算法精度和稳定性两个因素，在[2/3,4/5]之间取值更好。为了算法在前期有足够的全局寻优次数且在迭代后期有足够的局部寻优能力，这里就选取了=2/3。而对于算法性能的影响分析，在本文的实验仿真中通过在22 个benchmark 函数上的实验进行了详细阐述。

2.5 不同时刻的全局和局部寻优能力分析

为了分析Multi-P-LevyFOA 的全局和局部寻优能力，选择种群数=50，迭代次数=100，对()寻优，记录种群在寻优过程中的轨迹，每个种群维度30，为了便于图形化展示，每次迭代只记录两个种群第1 个维度上的和值。这里列出12 个比较有代表性的时刻，如图3 所示。

在图3 中，=1 为种群初始状态，为[-500,500]之间均匀分布的随机数。=2 时，经过一次迭代，种群向右上角集中。在=3 时，大多种群虽然都集中在上边界的右边，进入=6 时，种群逐步向下移动，同时，基于Levy 飞行有部分种群分布于其他区域寻优。在进入=41和=60 这个阶段，大多数种群继续向下移动。在＞67 时，开始聚焦寻优，提高搜索精度，且步长逐步递减。当=70 时，所有种群几乎凝聚于一点。整个寻优过程中，在Levy 探索阶段，主要体现为算法的全局寻优能力，而不是停留在=2或者=3 时的范围内，导致过早陷入局部极值。此后，直到进入聚焦寻优阶段，整个种群位置并未发生大的变化，因为采用逐次递减的均匀分布来控制其寻优范围，所有种群的位置变化很小而难以分辨。

图3 50 个种群在不同迭代次数时的搜索历史Fig.3 Search history of 50 fruit flies at different iterations

综上，利用Levy 飞行，对FOA 进行搜索步长改进，能够改善算法的全局寻优性能。但是，经过多次迭代，在没有发现新的最优解的情况下，更需要良好的局部寻优能力。为了进一步提高寻优精度，需要逐次缩小搜寻范围。

2.6 Multi-P-LevyFOA 时间复杂度

Multi-P-LevyFOA 整个流程分为两层循环，最外层循环用来控制迭代次数，内层循环用来遍历所有种群，寻找当前迭代的最优值，而Levy 飞行更新种群位置时，并不影响FOA 算法结构。因此，整个算法的时间复杂度就由这两层循环决定。设迭代次数为，种群数为，则整个算法时间复杂度为(×)，若在种群数等于最大迭代次数的情况下，时间复杂度为()。这里与同类改进算法的时间复杂度对比，如表2 所示。

表2 时间复杂度对比Table 2 Comparison of time complexity

2.7 Multi-P-LevyFOA 的收敛性

Multi-P-LevyFOA 整体分两大步骤，为了分析其收敛性，首先引入相关定义及性质。

设方阵∈R：

（1）如果a≥0，1 ≤,≤，则为非负的。

（2）如果a＞0，1 ≤,≤，则为全正的。

（3）如果A＞0，≥1，则为本原的。

（6）如果为随机的，且==…=a，即同列数据相等，则为稳定阵。

（7）如果是随机的，且每列中正数个数大于等于1，则为列容的。

若矩阵为本原随机阵，则Q就收敛到一个全稳定随机阵。

那么，在Multi-P-LevyFOA 中，设果蝇种群的坐标空间为，果蝇的坐标为，∈，为马氏链状态空间，=||=||是状态空间维数。

设Multi-P-LevyFOA 每次迭代的随机变量为()={X()|1 ≤≤,1 ≤＜∞}，为时间。()表示果蝇位置集合，由于是多参数优化问题，每个果蝇的坐标X()=(_(:,),_(:,))，为参数个数。每次迭代都基于上一步最优的果蝇位置信息，与果蝇的初始位置没有关系。因此，Multi-P-LevyFOA是一个马尔科夫过程。接下来，对其收敛性分步证明。

（2）果蝇种群迭代寻优。种群在迭代时，每个果蝇都以一定概率向当前最优值附近靠拢。因此，用表示果蝇向最优值移动的概率。那么，种群由状态到的概率就定义为=(m)。那么，两个状态和在相同的种群数Z下，m=ρ(1-)，为初始种群数。在Multi-P-LevyFOA 中，在迭代时，状态的变化并不影响种群数量的变化，因此，这里=Z，从而，m=(1-)，说明在迭代时的状态变化是一定会发生的。即为全正矩阵。

Multi-P-LevyFOA 在迭代寻优时，能以概率1 全局收敛到最优解。

证明Multi-P-LevyFOA 每一次迭代的马氏链转移概率矩阵表示为=。

设=，=。因为为一个随机矩阵，所以的每行中至少有一个大于0 的元素，那么：

由此，＞0。且也是随机矩阵，则：

由定义1 可得是本原阵，根据引理1 可得果蝇最优位置不在马氏链极限分布中的概率为0，且涵盖果蝇最优位置的极限分布之和为1，从而定理1 得证。

3 实验仿真与结果分析

为了进一步说明算法的性能，需要对算法的收敛速度、寻优能力进行实践检验。为此，首先以Wang等中的22 个benchmark 函数为例（如表3～表6 所示），对Multi-P-LevyFOA 与其他文献的算法进行比较。然后，以本文要解决的纺织企业智能化资源配置方案为优化目标，进一步说明算法的可行性。测试环境为：微型台式电子计算机，处理器IntelCorei5-7400 CPU@3.00 GHz，内存4.00 GB，操作系统64 位Windows 10，以及Matlab 2017。

表3 普通单峰函数Table 3 Universal unimodal functions

表4 低维度单峰函数Table 4 Low-dimensional unimodal functions

表5 普通多峰函数Table 5 Universal multimodal functions

表6 低维度多峰函数Table 6 Low-dimensional multimodal functions

3.1 Multi-P-LevyFOA 与其他算法对比

（1）参数设定。Multi-P-LevyFOA 中，涉及主要的6 个参数：、、、、和。从理论上分析，这6 个参数对寻优结果都会产生影响。和，其中一个的增大或减小，影响迭代次数和种群分布范围，进而不仅影响寻优精度，还影响程序运行效率。、、和的取值，从直观上看是影响步长，本质上就是寻优范围，最终会影响到寻优精度。因此，这4个参数的取值至关重要，在本文的Multi-P-LevyFOA中，===/10,=1。为了和其他文献中的算法在相同情况下进行对比，将Multi-P-LevyFOA、CSFOA、TEFOA和HarmonyFOA的种群数、迭代次数以及每个算法单独运行次数设置为和QTFOA相同，即种群数=30，=3 000，=30。

（2）寻优效果对比。寻优效果的对比主要采用两个指标：①精度。为了避免算法中的随机性，采用每个算法运行30 次的均值Avg 来比较，均值越小说明算法的寻优精度越高。②算法稳定性。用各算法运行30 次的标准差Std 进行对比，Std越小，说明算法稳定性越好。对比结果如表7所示。

在表7 中，Multi-P-LevyFOA 与QTFOA 全面优于其他算法。Multi-P-LevyFOA 与QTFOA 持平的有10个，优于QTFOA 的有8 个，比QTFOA 差的有4个。详细分析结果如下：

表7 Multi-P-LevyFOA 与4 个算法结果对比Table 7 Multi-P-LevyFOA compared with 4 algorithms

（1）8 个普通的单峰函数中，Multi-P-LevyFOA 在6 个函数上的结果和QTFOA 相同，在、上的寻优效果没有QTFOA 好，但好于其他算法。

（2）2 个低维单峰函数中，Multi-P-LevyFOA 均优于其他算法，只是在的稳定性上弱于QTFOA。

（3）7 个普通的多峰函数中，Multi-P-LevyFOA在和上和QTFOA 的效果相同，在和上，效果低于QTFOA，在和上，寻优精度高，但是在稳定性上弱于CSFOA 和QTFOA。

（4）5 个低维度多峰函数中，Multi-P-LevyFOA在上均优于其他算法，在上与HarmonyFOA相同，但优于其他算法。在上与QTFOA 相同，但优于其他算法。在和上寻优精度高于其他算法，但稳定性低于HarmonyFOA和TEFOA。

3.2 参数SEP 对Multi-P-LevyFOA 的影响

Multi-P-LevyFOA 的主要思想是通过将整个寻优阶段分成前后两部分，其取值对寻优效果的影响需要深入分析。因此，继续以表3～表6的benchmark函数为测试对象，分别测试在不同取值时的寻优效果。=50，=300，=20，求均值Avg和标准差的均值Std，测试结果如表8 所示。

对表8 的实验结果分析如下：

表8 SEP 对Multi-P-LevyFOA 的影响Table 8 Influence of value of SEP on Multi-P-LevyFOA

（1）=0。算法退化为FOA，在22 个函数上只有3 个取得最优值。的均值与其他取值相比在一定范围内波动。

（2）=1。完全采用Levy 飞行进行随机搜索，在11 个函数上取得了最优值，11 个没有获得最优值，但有4 个为波动状态。

（3）0<<1。随着取值的增加，获得最优值的函数数量呈递增状态，但是寻优效果处于波动的数量并未发生显著变化，也就说明的变化对函数、、、和的影响并不明显。=2/3 时，获得最优值的数量有了显著增加，波动数也达到7个。直到=4/5，获得最优值数量达到15 个，波动为6个。而=1，获得最优值数和波动数都出现下降。

综上，为了Multi-P-LevyFOA 具有更好的适应性，0<<2/3 或者=1，都不是最优选择，其取值范围在[2/3,4/5]更加合适。

3.3 参数β 对Multi-P-LevyFOA 的影响

测试数据选择了和本文优化目标相近的样本，而不是benchmark 标准函数，因为Multi-P-LevyFOA最终是为了解决多参数多目标寻优问题。

在Levy 飞行中，通常=1.5，但是，在实验过程中发现，同等条件下，该值的变化会引起寻优精度的改变，也符合前面的理论分析，但是影响的程度和规律怎样尚不清晰。因此，这里也作为重点分析的内容之一。测试数据如表9 所示。

表9 测试数据Table 9 Test data

表9 中的数据描述为多参数多目标的优化问题，即表9 的数据项为矩阵=(d)，结果为矩阵=(r)，需求得一个权值矩阵=(w)，通过×=，使得：

均方根误差（root mean square error，RMSE）最小。因此适应度函数就是求，在迭代寻优中，保留最小时的果蝇位置信息，味道浓度向量就为。为了分析参数对Multi-P-LevyFOA 的影响，选择={1.0,1.3,1.5}分别在相同种群和迭代次数下运行程序25 次，并计算均值，测试结果如表10所示。在不同迭代次数和种群数下对Multi-PLevyFOA 影响的变化趋势，如图4 所示。

图4 β 取值对Multi-P-LevyFOA 的影响Fig.4 Influence of value of β on Multi-P-LevyFOA

表10 β 对Multi-P-LevyFOA 的影响Table 10 Influence of value of β on Multi-P-LevyFOA

3.4 Multi-P-LevyFOA 求解本文优化目标

根据前面提出的纺织企业资源配置优化目标，以及对Multi-P-LevyFOA 的充分研究，设定迭代次数=300,=60,=1.0。

以陕西省某纺织企业智能化项目为例：最多可投入的资源有专业技术人员30 人，资金3 000 万，时间18 个月，智能化纺织设备70套。经过评估和协商有两种方案：

（1）专业技术人员20 人，资金1 000 万，时间12个月，智能化纺织设备35 套，期望增加的收益为：未来10 年年均增加300 万的利润。

（2）专业技术人员10 人，资金2 000 万，时间6 个月，智能化纺织设备30 套，期望增加的收益为行业竞争力提高60%。

作为企业领导层，更希望在有限资源投入下，实现两个目标的最大化。由于投入资源的计量单位不统一，首先将所有数据进行统一表征，将1 000 万表示为10.00E+06，300 万表示为30.00E+05，60%表示为60.00E-02。基于以上内容建立资源配置模型如下：

将以上结果带入式（18）得：

其含义为：在其他制约因素导致的损失(3.65,6.40)下，（1）投入10.8 人，880 万，3.72 个月，8.4 套智能化设备可达到年均增长280.7 万的利润；（2）投入5.4 人，1 760 万，6.0 个月，7.2 套智能化设备，可实现企业行业竞争能力增加25.66%。

4 结束语

本文针对纺织企业智能化建设时资源配置比例进行分析建模，并利用Levy 飞行产生的随机数，对果蝇算法中更新果蝇位置的步长进行了改进，设计了对多参数多目标进行优化的Multi-P-LevyFOA 算法。分析了算法时间复杂度，证明了其收敛性，并和其他文献的果蝇改进算法进行了性能对比。着重分析了寻优阶段拆分阈值对算法在benchmark 函数上的影响，并对Levy 飞行中参数对算法寻优性能的影响规律进行了探究。最后以陕西省某纺织企业智能化时资源的配置为例，进一步验证了算法在解决实际问题时的可行性。由于是多参数多目标优化，在种群和迭代次数增加时，难以避免带来时间开销的增大。未来，可以进一步研究其他群体智能优化算法在性能上的提升，并降低时间开销，而纺织企业智能化建设时资源的合理配置，也需要探索新的优化算法。