飞蛾扑火优化算法的研究及改进

汪雪莹，贺兴时

（西安工程大学理学院，西安 710600）

优化是工程数学问题，优化过程就是对特定问题找到最优解决方案的过程.群智能优化算法便属于随机优化方法的范畴.群智能算法一般来源于对自然界中一些生物群体行为的模仿，具有操作简单、易于并行处理、鲁棒性强等特点，已发展成为优化问题中的研究热点.比较典型的群智能算法有粒子群优化算法（Particle Swarm Optimization，PSO）［1］、萤火虫算法（Firefly Algorithm，FA）［2-3］、花授粉算法［4］（Flower Pollination Algorithm，FPA）、布谷鸟优化算法（Cuckoo Optimization Algorithm，COA）［5］、人工蜂群算法（Artificial Bee Colony Algorithm，ABC）［6］、人工鱼群算法（Artificial Fish Swarms Algorithm，AFSA）［7］等.

飞蛾扑火算法（Moth-Flame Optimization Algorithm，MFO）是Mirjalili［8］于2015年提出的一种新型智能优化算法.其灵感来源于一种特殊的导航机制—横向定位导航机制，该算法具有模型简单、参数少、局部搜索能力强、并行优化能力强、全局性优且不易落入局部极值的性能特征，因此在诸多领域有着其他智能优化算法不具备的潜力，也逐渐引起了学术界和工程界的关注［9］.飞蛾在晚上飞行时，因其与月亮相距较远，所以飞蛾与月亮保持固定的角度即可保证自己沿直线飞行.文献［10］通过引入混沌理论，利用Sinusoidal混沌函数对MFO算法的收敛因子进行调整，分析证明该策略可以更好地平衡算法的全局探索与局部开发能力.文献［11］中结合Levy飞行搜索策略提出了LMFO算法，Levy飞行搜索策略具有多数小步移动、偶尔大步移动的特点，使MFO的搜索范围扩大.文献［12］提出纵横交叉混沌捕焰优化算法，此算法运用了纵横交叉机制，使得火焰之间以及火焰的不同维度之间互相结合，并引入……