《表2 算法对比数据：自适应变异的量子花授粉算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应变异的量子花授粉算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

各种算法的测试结果，见表2。其中，Best为最优解、Worst为最差解、Mean为解的平均值、Median为解的中间值、SD为解的标准差、Mean＿time为算法的平均运行时间，其单位为秒。算法的最优解、平均值与中间值，可反映算法的求解精度与搜索能力。通过表2的各个算法对比结果，可以看出，基于花授粉过程的FPA算法在整体上要优于模拟蝙蝠回声定位行为的BA算法，趋近于具有量子行为的PSO算法，但要比优化性能良好的ABC算法来得差。对于多蜂函数，FPA在Griewank与Ackley函数上也能得到较好的优化效果，但在Rastrigin、Schwefel与Schaffer函数上，则易于陷入局部最优而无法自拔，致使优化效果一般。而改进的AMQFPA算法，由于引入量子搜索机制，并对群体多样性进行了控制，增加了算法跳出局部最优和全局搜索能力，使得AMQFPA算法在5个多模测试函数上，均获得了很高的求解精度，不仅好于基本FPA算法，而且也优于其他比较的算法，特别是在Griewank与Rastrigin函数上，均求得了全局最优解，而在其他3个多模函数上，也几乎达到理论最优解，这也说明了AMQFPA算法具有优良的探索能力。在单峰函数方面，AMQFPA算法在tablet、sphere、zakharov与quartic4个函数上，取得了很好的优化效果，明显优于FPA等其他优化算法，说明AMQFPA算法也具有较强的开采能力。但对于全局最优值位于一个光滑、狭长的抛物线形山谷内的Rosenbrock函数，尽管AMQFPA算法也获得了较好的优化效果，优于FPA、QPSO与BA算法，但比基于随机维度操作的ABC算法要差，这也说明AMQFPA算法仍存有改进的空间。