大规模优化问题的改进花朵授粉算法

花朵授粉算法(FPA)寻优结构新颖,寻优能力良好,但求解高维优化问题易陷入"维数灾难"。为提高FPA求解大规模优化问题的性能,提出一种改进花朵授粉算法(IFPA)。采用反向学习策略增加种群多样性,充分搜索解空间,提高初始种群质量;在自花授粉阶段,发挥当代最优位置的牵引作用,减少算法迭代代价,提高搜索效率,提出避免维间干扰的方法,采用逐维随机扰动策略对花粉个体进行更新,整体评价后接受更优解,提高了算法局部迭代质量。IFPA仅需3~5个种群个体即可达到满意的优化效果,15个测试函数在100、1000和5000维下的仿真结果表明:IFPA的求解精度大幅提高,收敛速度明显加快,鲁棒性强,与FPA、PSO和BA的对比表明,改进算法在处理不同类型大规模优化问题上是具有竞争力的。