群智能算法改进机制学习

前言

正如“没有免费的午餐（NFL）”定理指出，没有哪个优化器可以被视为所有类型问题的普遍最佳赢家。因此，在文献中有各种各样的进化和基于群体的优化算法。事实上，一个好的优化器甚至在为一个问题获得精确的最优结果的同时，在处理另一类问题时。他也可能会收敛到具有局部最优解或错误解。这并不意味着总是要从头开始开发一个新的优化器，以达到更高质量的解决方案。NFL定义的结果鼓励我们进一步改进现有优化器对特定问题类的操作，以减轻其核心缺点，变成一个更稳定的变体。

本文提出一种基于前哨机制的多种群优化算法。在传统的FOA中嵌入了前哨和多种群机制；

通过观察果蝇的觅食行为，我们发现在觅食过程中，即使果蝇找到最佳值，一些果蝇将继续搜索最优位置的随机方向和距离，并且如果一个果蝇发现更好的解决方案将尝试更新当前位置；

前哨机制

前哨机制由贪婪选择和高斯变异两部分组成，主要用的提高算法的收敛速度；具体包括两个步骤：

一、果蝇将当前适应值与最后一次迭代值进行比较。如果当前迭代过程的适应度值较优，则将果蝇的位置更新到当前位置，否则果蝇会停留在次优位置。

• 指果蝇的位置；

二、果