● 摘要
群智能优化算法是一类特殊的启发式优化算法，借鉴生物体或者自然现象的各种机理和原理，模仿自然和生物现象，同时具有自适应环境的能力。通过模拟自然现象或者生物群体的群体行为，具有复杂度低、运行效率高、求解精度高等特点。
果蝇优化算法是一种新颖的群智能优化算法，对果蝇的觅食行为进行了模拟，其寻优能力强、求解复杂性低等优点，由于果蝇优化算法提出较晚，国内外的研究研究成果还很少，尚处于起步阶段，目前仅仅应用于神经网络参数优化、财务数据分析、电路控制等方面。果蝇优化算法同其他全局优化算法类似，容易陷入局部极值、收敛速度低，目前主要应用到连续域的问题，在大数据分析方面尚未有成果，因此果蝇优化算法的相关研究迫切需要展开。
本文主要工作如下：
(1) 简要阐述了群智能算法的研究背景、原理和基本概念，重点介绍了2000年以后的群智能优化算法，如粒子群优化算法、细菌觅食优化算法、萤火虫群优化算法以及果蝇优化算法，然后着重对近年来新颖的群智能优化算法——果蝇优化算法的应用进行了综述。对主要的群智能优化算法进行了综述，包括其国内外研究现状、仿生机理、算法原理以及简要的操作步骤，并对函数优化、0-1背包问题以及聚类问题的国内外研究现状进行了综述。
(2) 针对基本的果蝇优化算法容易陷入局部极值和收敛速度低等缺点，引入Logistic混沌，提出了混沌果蝇优化算法(Chaotic Fruit Fly Optimization Algorithm, CFOA)。使得最优混沌果蝇和最优果蝇共同决定其最优位置，采用绝对距离的相似性度量，提高算法效率，缩短运行时间。采用Benchmark函数进行测试，仿真结果表明CFOA在收敛速度和求解最优值方面远远优于基本的果蝇优化算法，对于某些函数可以找到精确值。
(3) 针对0-1背包问题的求解，提出了离散化果蝇优化算法，摒弃了传统的采用SIGMOD函数进行离散化处理的方式，直接用浓度判别值得到果蝇位置，进而求得果蝇浓度。实验仿真结果表明，通过与采用SIGMOD的离散化粒子群优化算法、离散化细菌觅食优化算法比较，离散化果蝇优化算法的求解效率高且求解精度高。
(4) 将果蝇优化算法运用到UCI数据集聚类中，提出了求解UCI数据集聚类的果蝇优化算法。将果蝇的位置更新策略由仅靠最优位置替换为依靠自身信息和最优位置共同作用，果蝇浓度判别值由一维的欧氏距离改为多维的最优位置与自身位置的差异，并加入概率选择机制。仿真实验与粒子群优化算法、萤火虫群优化算法比较结果表明，求解UCI数据集聚类的果蝇优化算法可以取得很好的聚类效果。
(5) 针对传统聚类方法对蛋白质相互作用网络聚类效果不佳的问题，结合PPI网络拓扑特性，将果蝇优化算法应用到蛋白质相互作用网络聚类，通过合并蛋白质结点，自动获得聚类数目。仿真实验与Core-Attachment、CPM等算法进行比较验证所提出的算法可以获得较高的正确率。