论文部分内容阅读
飞蛾扑火算法是一种新型群智能优化算法,目前已经应用于特征选择和图像分割等诸多领域。然而,传统的飞蛾扑火算法后期收敛速度不足且容易陷入局部最优,从而影响了算法的整体性能。为了提高飞蛾扑火算法的优化性能,提出了一种基于折射原理反向学习的飞蛾扑火算法(ROBL-MFO)。该算法首先在飞蛾的更新公式中引入历史最优火焰平均值,使火焰间的信息能够互相交流,提高算法的收敛能力;其次利用随机反向学习策略对解进行反向学习,扩大算法的搜索空间;最后使用折射原理对解进行折射操作,提高种群的多样性,帮助算法跳出局部最优。在六个标