基于标准萤火虫算法的改进与仿真应用

通过对一种智能优化算法——萤火虫算法的研究,在标准萤火虫算法中引入一种新型的自适应惯性权重来提高算法的收敛速度,并提出用虚拟萤火虫来加强萤火虫之间的相互协作和信息共享,进而改进了萤火虫的位置更新公式。针对算法中萤火虫位置的越界问题和边界早熟问题,引入一种对称边界变异,提高了改进后的算法的寻优率。对6个标准测试函数的实验结果表明:改进后的萤火虫算法的有效性、收敛速度得到了明显的提高。最后对两个经典工程优化问题进行了计算,运用改进后的算法所得的结果优于其它算法所得结果,也验证了萤火虫算法在改进后的适用性。     

基于改进萤火虫算法求解旅行商问题

鉴于TSP问题是古老的组合优化难题,而萤火虫算法在求解函数优化问题中表现出优良的性能,因此,本文利用改进的萤火虫算法求解TSP问题.首先,在分析了旅行商问题的特点后,采用整数编码的方式来表示萤火虫的位置.然后,在标准萤火虫算法的位置更新过程中引入了对数递减的惯性权重来影响萤火虫的迭代过程,同时结合了遗传算法中的选择,交叉,变异以及进化逆转操作来提高每一次迭代中种群的多样性及种群的搜索能力,并将改进的算法解决TSP问题.最后,通过Matlab仿真实验表明改进的算法在求解TSP问题时具有更好收敛速度和优化效果.     

基于模拟退火机制的多种群萤火虫算法

针对传统萤火虫算法(FA)中存在的过早收敛和易陷入局部最优解等问题,提出了一种基于模拟退火机制的多种群萤火虫算法(MFA_SA):将萤火虫种群平均分为参数不同的多个子种群。为了防止算法陷入局部最优解,利用模拟退火机制大概率接受较好的解,小概率接受较差的解。同时,在种群寻优的过程中引入可变的距离权重,通过萤火虫算法的迭代次数动态调整萤火虫的"视野"范围。利用5个标准测试函数对该算法进行了对比仿真测试,结果表明,该算法在4个测试函数中均能寻找到全局最优解,并且在最优值、平均值、方差等指标上均比对比算法高出多个数量级,验证了新算法的有效性。     

一种改进混沌萤火虫算法

萤火虫算法是一种新型的进化算法,虽然全局寻优能力较强,但是也存在后期收敛速度慢、易于早熟、求解精度低的缺陷.为了克服以上缺陷,利用混沌序列设计了两种新颖的混沌局部搜索算子,第一种混沌局部搜索算子针对种群中最优解进行局部搜索,第二种混沌局部搜索算子针对种群中较优解进行局部搜索,在此基础上进而提出了两种改进混沌萤火虫算法,并进行了一系列比较研究.仿真结果表明,两种改进算法均显著优于基本FA算法,与其它改进萤火虫算法相比也具有一定优势,是目前最优秀的改进萤火虫算法之一.     

一种新颖的改进萤火虫算法

为了克服萤火虫算法收敛速度慢和易于早熟的缺陷,本文提出了一种新颖的改进混沌萤火虫算法(Improved Chaos Firefly Algorithm,ICFA)。ICFA算法利用逻辑映射混沌序列设计了一种混沌局部搜索算子,试图提升算法的收敛速度;ICFA算法利用立方映射混沌序列设计了一种混沌替换算子,试图避免算法的早熟收敛:同时,本文将ICFA算法与目前最有竞争力的改进萤火虫算法进行了一系列的比较研究。6个高维多峰函数的测试结果表明,与其他高效的改进萤火虫算法相比,本文提出的混沌萤火虫算法具有收敛速度快、寻优能力强的优点,是目前最优秀的改进萤火虫算法之一。     

萤火虫算法收敛分析

为了系统地分析萤火虫算法(firefly algorithm,FA),首先对FA算法的收敛过程进行了分析,得出FA算法收敛的两个一般条件:随机扰动项的数学期望等于0;最大吸引度β0∈(0,2),通常取β0∈(0,1],并且β0越大,算法收敛速度越快。接着根据随机算法的收敛准则,证明了FA算法不具有全局收敛特性。然后应用数学归纳法,结合夹逼定理及反证法,从理论上证明了FA算法收敛于群体最优解,是一个局部收敛算法。最后对不同条件下的FA算法收敛性进行了仿真,实验结果与理论结果一致,佐证了理论分析的正确性。     

基于改进萤火虫算法的覆盖优化方法

针对无线传感器网络中目标区域仅部署静态节点和移动节点时,分别存在覆盖率低和成本高的问题,提出一种基于改进萤火虫算法的覆盖优化方法.首先,将静态和移动传感器节点随机部署在目标区域内,改进位置公式和步长因子,提高全局搜索能力,加快搜索速度;其次,利用改进萤火虫算法初步确定移动传感器节点的候选目标位置;最后,通过目标位置优化...     

基于维度加权的改进萤火虫算法

萤火虫算法是一种基于生物群智能的仿生优化算法,具有概念简明、需要设置的参数少、容易实现等特点。但标准萤火虫算法容易陷入局部最优,尤其是针对高维优化函数时更甚。文献[1]提出了一种基于对偶和维度的改进算法,在种群初始化和算法迭代等方面给出了改进。基于维度加权的方法对文献[1]中提出的算法给出新的改进。算法综合考虑了当前最优萤火虫信息和部分萤火虫信息。实验结果的比较表明,改进后的算法体现了较为突出的优越性。     

自适应步长萤火虫优化算法

针对基本萤火虫算法优化多峰函数时求解精度不高和后期收敛较慢的问题,引入萤光因子以自适应调整萤火虫的步长,提出一种自适应步长萤火虫优化算法。通过8个标准测试函数测试,测试结果表明,改进后的自适应步长萤火虫算法比基本萤火虫算法具有较快的寻优速度和较高的寻优精度。     

基于混沌理论的动态种群萤火虫算法

针对萤火虫算法在全局寻优搜索中收敛速度慢、求解精度低,易陷入局部极值区域等缺陷,提出一种基于混沌理论的动态种群萤火虫算法。首先,该算法采用立方映射产生的混沌序列对萤火虫位置进行初始化,为全局搜索的多样性奠定基础; 其次,通过对种群的动态监测,每当算法满足预设条件时,基于混沌序列生成部分新的个体,以提高算法的收敛速度; 最后,对每一代产生的全局最优解,适时采用高斯扰动进行变异操作,使算法更具有跳出局部极小的能力。通过对6个复杂Benchmark函数进行测试,实验结果表明,该算法提高了全局搜索能力、收敛速度和解的精度。     

基于模拟退火的混合萤火虫Memetic算法

针对标准萤火虫算法（FA）,首先,从数学理论上分析并揭示了其存在的种群过早收敛、容易陷入局部最优等不足,然后提出一种基于模拟退火的混合萤火虫Memetic算法。该算法利用标准萤火虫算法对上一代种群进行全局搜索以保持种群的多样性和算法的全局探索能力;使用模拟退火算子对当前种群中的部分个体进行局部搜索,以一定概率接受适应度较差的个体以避免算法陷入局部最优,该算法同步进行萤火虫吸引过程和模拟退火过程以降低算法复杂度。最后,对该算法在10个标准测试函数上进行对比仿真实验。实验结果表明,该算法在6个测试函数中均能找到最优解,最优值、平均值、方差等指标比对比算法高出一定数量级,在4个复合函数中效果均优于萤火虫算法。     

基于萤火虫算法的自适应花授粉优化算法

花授粉算法是一种新的启发式算法,由于存在易陷入局部最优且演化后期收敛速度慢等缺陷,导致算法的寻优能力受到限制。针对该算法存在的不足,在局部授粉过程中引入自适应的变异因子,并对花授粉算法中的转换概率进行自适应调整后,将其与萤火虫算法相结合,提出了一种基于萤火虫算法的改进花授粉算法;最后,通过经典的标准测试函数对新提出的算法与DE-FPA、PSO-FPA做比较实验。实验结果表明,改进后的算法比基本花授粉算法具有更高的收敛精度和稳定性。     

基于萤火虫算法的无线传感器网络节点重部署策略

节点部署是无线传感器网络研究的重要问题之一.针对节点部署过程中的能量空洞问题,提出了一种基于萤火虫算法(FA)的节点重部署(NRBFA)策略.首先,在节点随机部署的传感器网络中,利用k-means算法进行分簇并引入冗余节点;然后,利用FA移动冗余节点,以分担簇头(CH)负载并均衡网络中节点的能耗;最后,再次利用FA寻找...     

基于改进多目标萤火虫算法的模糊聚类

针对传统的模糊聚类算法大都针对单一目标函数的优化,而无法获得更全面、更准确的聚类结果的问题,提出一种基于改进多目标萤火虫优化算法的模糊聚类方法。首先在多目标萤火虫算法中引入一种动态调整的变异机制以获得更加均匀分布的非劣解,其中以动态减小的概率选择个体并采用类似于差分进化算法中变异算子的策略对其进行变异,通过自适应调整收缩因子以提高变异效率。然后当归档集中的最优解集充满时,从中选取一定量的解与当前种群组合进行下一次进化,使得算法具有更高的效率。最后将其运用到模糊聚类问题中,通过同时优化两个模糊聚类指标的目标函数并从最终的归档集中选取一个解确定聚类结果。采用5组数据进行实验的结果表明,相对于单目标聚类方法,所提方法对各种数据集的聚类有效性指标提高了2到8个百分点,具有更高的聚类准确性和更好的综合性能。     

Wind turbine micrositing by using the firefly algorithm

Traditionally energy has been a burning issue of mankind, however, this trend has changed with the advent of clean technologies such as wind power. It is common knowledge that wind turbines need to be installed in an open, unobstructed area to obtain the maximal power output. This document attempts to solve the problem of optimization of the layout of large wind farms by the use of nature inspired algorithms. Particular reference is made to the use of the firefly algorithm. A good comparison is made with the past approaches of the use of spread sheets and GA's for optimization.     

基于Levy飞行的萤火虫模糊聚类算法

针对模糊C均值（FCM）聚类算法易受初始聚类中心影响而陷入局部最优问题,提出了一种基于Levy飞行的萤火虫模糊聚类算法（LFAFCM）。该算法改变萤火虫算法的随机移动策略,以平衡算法局部搜索和全局搜索能力;萤火虫位置更新过程中引入Levy飞行机制,以提高全局寻优能力;根据迭代次数和萤火虫位置动态调整每个萤火虫的尺度系数,以限制Levy飞行可搜索范围,并加快算法收敛速度。利用5个UCI数据集对算法进行实验验证,实验结果表明,该算法有效避免了陷入局部最优并具有较快的收敛速度。     

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法（FA）收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法（UVFA）。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法（WSSFA）、可变步长萤火虫算法（VSSFA）和基于均匀局部搜索的萤火虫优化算法（UFA）,并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。