算法分析
具有群体智能的改进萤火虫优化算法
吴春琼
(阳光学院商学系福建福州350015)
摘要：分新了要火虫优化算(Glowwomswamoptimization,GSO)的全局收效性,针对其收数效率低的缺陪，提出了一种具有群体智能的改进萤火虫优化算法借鉴混合姓跳算法族群划分思想，在GSO算法引入了局部搜素及全局信息交换机制，改善了算法导优性能，并将GSO算法与混合娃跳算法融合，实现了两种群体共同进化,进一步提高了算法收效效率。最后,在仿真测试中引入经典测试函数来进行验证,其结果显示,在求解的精确度和收效建度两个方面，改进优化后的算法提升明显。
关键调：火虫优化算法混合性跳算法全局收效性
中图分类号：TP18 1GSO和SFLA
文献标识码：A
1.1要火虫优化算法
董火虫优化算法始于2005年，当时，是Krishnanand等人在借鉴群智能优化理论的基础上所提出的。在目标函数维解空间当中分布董火虫群体P=(x,(0)-,X,(0)-X(o)，且这种分布带有随机性，— 个解x,()=(",）由一个董火虫替代及代表，并同其所携带的荧光素4()和发光的强度存在一定的联系，萤火虫目标函数值[X,()]作用于荧光素，并两者呈现出正相关的关系，即越优的目标函数值表现为越大的发光亮度。GSO算法当中，在决策范围() 内，相比于个体组成领城集N，(0)，董火虫对于荧光素的选择要多，并进行领城集内个体的概率选择和转移。在初始时刻，董火虫的的
表1GSO与IGSO比较
Table1Comparison between GSO and IGSO
函数
GSO 子
1.3217e2 2.157e4 1.3621e2 6.7121
i/s 1.08 6.9 1.2 15.1
品美造城
e 0e
V/% 77 100 63 28
-050
na
光冰临
IGSO
了
2.1237e3 4.215e10 3.2217e4 1.4216
i/s 2.1 4.8 0.7 7.3
心品老教款自选
V/% 100 100 100 92
050 668
#代ae
图1和函数收敛曲线
必数收餐自
300 超气次教
400
通教收急自锁
图2和函数收敛曲线
文章编号：1007-9416(2015)07-0136-02
荧光素和决策范围均相同，在时刻，依据公式(1)来进行4()的更新：
4 (0)=(1p)4 (t1)+y[x, ())
(1)
公式中，Pe(0,1)代表挥发因子，7e(0,1)代表更新率。运用赌轮盘方式来确定萤火虫的位置，具体描述如下：
X (t+1)=X (0)+s[(x,(0)-X, (0)/x,()X(0)
P=((0)-1, (0)4
E4()-4()
(2)(3)
公式中，5代表移动的步长，当完成位置更新后，以公式(4)为依据，来进一步更新决策范围(0)：
(t+1)-min(.(0)+[N, N, (o)
(4)
公式中，β代表更新率，N,代表数量的阀值，N,()则代表领城集内的董火虫数量。
1.2混合娃跳算法
混合蛙跳算法属于启发式计算基数的范畴，其是以群体智能为基础而出现的，集聚了Memetic算法和粒子群算法的优势。在SFLA 中，每只青蛙为一个模因载体，算法通过不同青蛙个体间的交流实现模因进化。对于，维目标优化间题，随机生成F只青蛙群体 P={x,(),,X,(0),X,(0)k=1,2,,F，第k只青蛙的位置为 X,()=(x(0),x(0),，(0)，因此SFLA实现过程可以措述为：
Step1划分族群。依据目标函数值来对青蛙作降序排列，并在 m个族群当中进行平均的分配，这样，F=mx就代表各族群内的青蛙数量。如/群组内青蛙的数量用E,表示，就有了如下公式：
E,=(X(-n()eP|i≤/≤n),1s jSm
(5)
Step2局部搜索。对每个族群中目标函数值最差的解X()进行更新，其更新公式为：
X.()= X.(0)+r[x, (0)X, (0)
(6)
公式中，re[0,1]代表随机的数目，X,()代表具有最好适应度的族群解。相比于x.()，当目标函数值X.(0)更优时，则X.()被 X()所替代，如不替代，X()就要求被X,()替代，这样，就需要进行更新策略(6)的重新执行。如相比于X.(0)，X(0)不具备优势，则X,()由随机生成的青蛙来取代，局部搜索过程便会在全部族群中进行重复的执行，直至搜索次数达到一定值时停止。
Step3信息全局交换。待局部搜索在全部族群中作用完毕后，进行重新的青蛙粒子组合，得出青蛙群体P=(X,(t+1),"，
收稿日期：2015-06-26
作者简介：吴春(1979一)，女，汉，福建永定人,硕士，讲师，现就职于阳光学院商学系，主要研究方向：数据挖据、网络安全。 136
方方数据