【计算机科学】_萤火虫优化(gso)_期刊发文热词逐年推荐_20140725
【计算机科学】_神经网络学习_期刊发文热词逐年推荐_20140724
科研热词 神经网络 风险评估 集成学习 遗传规划 遗传算法 进化泛函网络 语音识别 粒子群 神经元函数 特征项 混合基函数 权重 敏感系数 支持向量机 小波神经网络(wnn) 小波分析 函数逼近 入侵检测 信息 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
2011年 科研热词 神经网络 特征抽取 深网入口 机器学习 预测误差 粗逻辑神经网络 粗糙集 粗糙神经元 短期负荷预测 模糊神经网络 模糊推理 数字识别 改进bp网络 安全态势 天气预测 l-m优化法 bp算法 推荐指数 4 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
科研热词 隐神经元 贡献因子 蛋白质二级预测 结构信息 离散hopfield 神经网络 特征提取 正交基函数 正交化 样本属性 权值与结构确定法 权值 最优结构 径向基网络 学习算法 奇异值分解 多输入 噪声数字识别 函数逼近 人脸识别 rbf神经网络 laguerre正交多项式
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
科研热词 集成学习 连续学习 软件可靠性早期预测 蚁群算法 矩阵伪逆 特征选择 混沌神经网络 泛函神经元 概率神经网络 时空总和 忆阻器 布尔函数 学习算法 奇偶校验问题 基函数 分类 二进神经网络 lvq神经网络 lasso回归方法 lars算法 bp神经网络 bagging
萤火虫算法优化最大熵的图像分割方法
萤火虫算法优化最大熵的图像分割方法吴鹏【摘要】为了提高图像的分割效果，提出一种萤火虫算法优化最大熵的图像分割方法。
获得最大熵法的阈值优化目标函数，采用萤火虫算法对目标函数进行求解，找到图像的最佳分割阈值，根据最佳阈值对图像进行分割，通过仿真实验对分割效果进行测试。
结果表明，该方法可以迅速、准确找到最佳阈值，提高图像分割的准确度和抗噪性能，可以较好地满足图像分割实时性要求。
%In order to improve the effect of image segmentation, this paper puts forward a novel image segmentation method based on firefly algorithm and maximum entropy method. Threshold optimization objective function of maximum entropy method is obtained, and then firefly algorithm is used to solve the objective function and find the optimal segmen-tation threshold of the image. Image is segmented according to the optimal threshold, and the performance is tested by simulation experiment. The results show that the proposed method can quickly and accurately find the optimal threshold value, and can improve the accuracy of image segmentation and anti-noise ability, so it can better meet the real-time require-ments of image segmentation.【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)012【总页数】5页(P115-119)【关键词】萤火虫算法;最大熵法;阈值;图像分割【作者】吴鹏【作者单位】淄博职业学院，山东淄博 255314【正文语种】中文【中图分类】TP3111 引言图像分割是指根据一定的分割原则，把图像分割成若干感兴趣的区域，是图像处理的关键和首要步骤，其分割结果优劣直接影响人们对图像的理解和使用，因此图像分割是计算机图像研究的热点和重要课题[1]。
基于改进萤火虫算法的多模函数优化
基于改进萤火虫算法的多模函数优化吴伟民;亢少将;林志毅;郭涛【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)001【摘要】In order to improve the performance of multimodal function optimisation with glowworm swarm optimisation (GSO),and to solve the problems of GSO in low peaks discovery rate,slow convergence speed and low computational accuracy,we propose an improved glowworm swarm optimisation (IGSO),in which the individual glowworm (agent)can adaptively search the peaks,and its moving step is variable.The IGSO introduces the tentative moving strategy to enhance the searching ability of the algorithm,and meantime it uses average neighbourhood distance as the reference to adjust agent’s moving step.The results of experiment on typical multimodal functions indicate that the IGSO is superior to GSO in multimodal function optimisation with high peaks discovery rate,fast convergence speed and high computational accuracy.%为了提高萤火虫算法GSO（Glowworm Swarm Optimization algorithm）多模函数优化性能，针对GSO峰值发现率低、收敛速度慢和求解精度不高的缺点，提出萤火虫个体可自适应搜索峰值且移动步长可变的改进萤火虫算法 IGSO （Improved Glowworm Swarm Optimization algorithm）。
萤火虫算法的改进及在运动平台洗出中的优化
萤火虫算法的改进及在运动平台洗出中的优化摘要：萤火虫算法是一种启发式算法，其具有良好的收敛性和全局搜索能力，已被广泛应用于多个领域。
然而，萤火虫算法在搜索速度和精度上仍有改进的空间。
本文提出了萤火虫算法的改进算法，并将其应用于运动平台洗出的优化问题中。
改进后的算法在实验验证中表现出更快的搜索速度和更高的搜索精度。
关键词：萤火虫算法；改进算法；优化问题；运动平台洗出1. 引言随着科技的发展，控制系统在各个领域中得到了广泛的应用。
其中，运动平台洗出是机器人技术中的一项重要应用。
为了实现运动平台的精确洗出，需要进行路径规划和优化。
传统的优化算法往往需要耗费大量的时间和计算资源，因此需要开发更高效的算法以满足实际需求。
萤火虫算法是一种基于自然现象的启发式算法，其独特的搜索机制和适应性能够使得其在全局优化问题中表现良好。
然而，萤火虫算法在搜索速度和精度上仍有待提高。
本文基于萤火虫算法提出了一种改进算法，并将其应用于运动平台洗出的优化问题中。
2. 萤火虫算法2.1 萤火虫算法原理萤火虫算法是一种基于自然现象的启发式算法，其灵感来源于萤火虫的交配行为。
该算法通过灯光的亮度和移动距离来模拟萤火虫的行为，从而在搜索空间中寻找最优解。
算法的基本过程如下：1. 初始化种群，设定灯光亮度和初始位置2. 计算灯光亮度及其变化3. 跟随其他萤火虫移动位置4. 更新灯光亮度和位置5. 调整步长和灯光亮度参考值6. 判断是否满足停止条件，若满足则输出最优解其中，灯光亮度是评估适应性的指标，移动步长则决定了搜索速度和精度。
经过多次迭代，萤火虫算法能够找到全局最优解或接近最优解的解集。
2.2 萤火虫算法存在问题尽管萤火虫算法具有优秀的收敛性和全局搜索能力，但其在搜索速度和精度上仍存在一些问题。
首先，灯光亮度和移动距离的计算中需要大量的计算资源，因此算法的效率较低；其次，灯光亮度和移动步长的参考值需要经过多次试验得到，无法自适应地调整。
【计算机科学】_xml_期刊发文热词逐年推荐_20140722
推荐指数 7 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
推荐指数 6 3 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
云计算 主题概括强度 不完全信息 xquery语言 xquery xnl强多值依赖弱范式 xml联合签名 xml签名 xml检索 xml查询 xml强多值依赖 xml安全视图 xml多方通信业务链 xml schema definition wf-net spread sheet pstp查询 pnml n次矩运算 livemesh
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
【计算机科学】_智能化_期刊发文热词逐年推荐_20140722
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
科研热词 鲁宾斯坦讨价还价 重量均匀分布 软件故障诊断 货位分配算法 贝叶斯网 规则模糊认知图 虚拟装配 网格计算 网格网 粗糙集 立体仓库 知识发现 智能调度 数据分析 就近原则 定向挖掘 备件品种均匀分布 场景调度 启发型协调器 可达矩阵 可拓推理 双库协同机制 博弈 协商系统 动态二叉树 wcmf sfmea b2b agent
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
科研热词 群体"软件人" 智能弹性架构 摄影约束 摄影知识库 摄像机布局 多agent系统 多agent 协商控制 动画创作 入侵防御 入侵检测系统 入侵检测 免疫学原理 免疫agent 代理 web服务测试 web服务 agent
科研热词 辅助决策 网络安全 离散型制造 知识推理 物联网 权限改进 智能化状态转移 智能制造 数据挖掘 攻击图 应急指挥 序列模式 信息物理融合系统 以人为中心 交通事件 web访问 web日志挖掘 rfid prefixspan算法 cctv
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11
科研热词 远程数字医疗 自动化 机场 数据展示 工作流 体域网 云技术 云平台 jbpm5 it运维 android
推荐指数 1 1 1 1 1 1 1 1 1 1 1
萤火虫算法改进及其在公交线网优化设计中的应用
萤火虫算法改进及其在公交线网优化设计中的应用【摘要】萤火虫算法是一种新颖的群智能优化算法，在该类优化领域中的应用很少。
将萤火虫算法应用在公交线网优化问题中。
公交线网优化是一个复杂的多目标优化问题，是影响公共交通效率的关键问题。
根据算法和问题的特点，设计了基于矩阵的解表示方法。
为解决GSO算法优化精度底、收敛速度慢的缺陷，提出自适应调整荧光素挥发因子ρ的萤火虫算法，通过matlab编程仿真，结果表明改进后的算法能将多目标的优化问题收敛到Pareto最优解，并具有均匀分布的Pareto曲线，证明能有效的解决公交线网优化问题。
【关键词】萤火虫算法;公交线网;多目标优化;Pareto最优解1.引言公共交通一直是节能减耗和缓解交通堵塞的最好交通方式，城市公交网络设计的目标需要考虑公交运营企业的利益和用户的利益这对矛盾体。
线网优化以其自身的数学复杂性及约束条件复杂性，使得优化变的非常难。
文献[1]将禁忌搜索算法应用在公交线网的优化中，利用已有知识构造禁忌表，优化不能全面反应实际情况;文献[2]以公共交通效率最大为目标，利用遗传禁忌算法进行优化;文献[3]的多目标模型除了考虑出行总时间和公交运营企业年收益率，还考虑进污染排放率、乘客直达率等，并应用遗传蚁群算法进行优化，虽然全面，也增加了计算的复杂性，并且有的目标是重复的，像直达率与出行时间;文献[4]将蚁群算法应用在公交线网的优化中，分别考虑了乘客总出行时间和公交运营投入，本文在此基础上，将乘客利益和运营企业利益作为优化目标，通过混沌加权[5]求得在不同侧重方面下达到的公交效率最大的目标。
萤火虫算法（Glowworm Swarm Optimization，GSO）是Krishnanand和Ghose提出的一种新的群智能算法，已在函数优化领域得到成功应用，但在组合优化方面的应用还很少，尤其是针对大规模的多目标优化问题，本文将GSO算法用于公交线网问题的优化，不但丰富了公交线网问题的优化算法，也拓宽了萤火虫算法的应用领域。
一种基于混沌云模型的人工萤火虫优化算法
一种基于混沌云模型的人工萤火虫优化算法随着信息技术的发展以及数据量的增大，优化算法在工程优化、智能控制等领域得到了广泛的应用。
而人工萤火虫算法是一种基于生物萤火虫的行为模式模拟而来的优化算法。
人工萤火虫优化算法在目标函数非凸、具有多个局部最优解时具有较强的优化能力，但是针对复杂的优化问题仍有优化空间。
在此背景之下，研究人员提出了一种基于混沌云模型的人工萤火虫优化算法。
混沌云模型是一种包含混沌现象和随机性的新型数学模型。
它在解决一些复杂系统无法用传统的方法进行建模时，可以产生很好的效果。
该模型具有一定的不确定性，可以通过对混沌云模型参数的优化来处理不确定性。
而人工萤火虫算法则是一种基于仿生学的智能算法，它可以模拟萤火虫在交配、移动、互相吸引和排斥等行为中发生的优化过程。
人工萤火虫优化算法一般采用基于位置的搜索方法，在每个位置上计算适应度函数评价目标函数，并根据某些策略更新位置。
将混沌云模型引入到人工萤火虫优化算法中，主要步骤如下：（1）初始化：随机生成一群萤火虫，并根据随机数生成的位置和混沌云模型生成初始适应度。
（2）更新位置：处理萤火虫之间的互相吸引和排斥效应，并计算变化的适应度。
（3）选择：根据得分对萤火虫进行排序，并选择一定量的萤火虫进行下一步操作。
（4）交配：根据概率模型对已选择的萤火虫进行交配，通过产生新的位置和适应度函数来进一步提高优化结果。
（5）判断停止条件：循环执行步骤2~4，直到满足停止条件为止。
混沌云模型的引入为人工萤火虫优化算法的应用带来了显著的优化效果。
它可以通过优化混沌云模型参数，进一步提高优化效果，达到更优的优化结果。
同时，该算法具有较高的时间效率和稳定性，并可以广泛应用于各种优化问题的求解中。
综上所述，基于混沌云模型的人工萤火虫优化算法在实际应用中表现优异。
它能够对具有复杂结构、多局部最优解的优化问题进行高效、快速的求解，具有广泛的应用前景。
多智能体协同的混合二进制萤火虫优化算法
2020.29科学技术创新多智能体协同的混合二进制萤火虫优化算法吴舜裕蔡剑彪袁（国网浙江省电力有限公司杭州供电公司，浙江杭州310000）萤火虫算法(Firefly Algorithm ，FA)是2008年由剑桥大学Yang 等人模仿萤火虫通过其自身亮度吸收周边萤火虫的机制，所提出的一种人工仿生寻优算法[1-2]。
FA 算法通过模拟自然界萤火虫个体发光行为以及被光亮吸引的特征，即萤火虫趋向于更亮的区域进行飞行，实现算法最优解的求解[3]。
在实际应用过程中，FA 算法已被证明在算法精度以及稳定性等方面均优于粒子群等仿生优化算法，并被广泛进行应用。
随着求解目标的解空间复杂多样化，FA 算法求解精度受初始解空间分布影响较大，可能陷入局部最优。
针对现有萤火虫算法无法完全适应解空间形式多样化，以及对于复杂解空间求解精度稳定性方面的问题，提出兼容混合二进制解集的多智能体萤火虫算法（Multi-Agent Firefly Algorithm ，MAFA ）。
引入多智能体理论。
针对解空间类型多样化的需求，在求解过程中加入随机概率分布函数，通过约束萤火虫移动概率实现求解目标的0-1分布。
1传统萤火虫算法在FA 算法寻优过程中，萤火虫初始被随机分配到目标函数解空间。
若萤火虫所处位置目标函数越优，则其亮度与对外界吸引力越大。
考虑距离与传播介质影响并进行算法迭代，以实现目标优化函数的求解。
萤火虫对外界吸引力与萤火虫间的距离与传播介质成反比，因而定义萤火虫X m 与X n 之间吸引力为：(1)其中，为萤火虫之间的最大吸引力，其值与萤火虫X m 与X n 的目标函数值相关；为光强吸收系数，通常设为常数；r m n 为萤火虫X m 与X n 之间的距离。
进而有第t 次迭代中，萤火虫X n 被萤火虫X m 吸引形成位移后的位置可表达为：(2)其中，为满足均匀分布的随机步长因子。
2萤火虫优化算法图1所示为多Agent 机制下萤火虫移动路径示意图。
萤火虫算法在化工过程优化中的应用
萤火虫算法在化工过程优化中的应用摘要：近些年以来，以萤火虫算法为代表的群智能优化算法由于具有强大的寻优功能而得到了广泛的应用。
在化工生产的过程中，采用萤火虫算法和Matlab 语言对实际问题进行优化的同时还采用了苯-甲苯闪蒸过程对其进行了仿真计算。
仿真结果表明，气相产物中苯的产量在有效的调节温度、压力以及分流系数的条件下能够达到最大，不仅实现了苯-甲苯闪蒸过程的最优化，同时还充分证明了在解决化工生产过程的优化问题上采用萤火虫算法是有效的。
Abstract: In recent years, the swarm intelligence optimization algorithm represented by the firefly algorithm with powerful optimizationseeking function has been widely used. In the process of chemical production, the actual problems are optimized by firefly algorithm andMatlab language, at the same time, and the simulation calculation is carried out by benzene-toluene flash process. The simulation resultsshow that the output of benzene in the gaseous phase products can achieve maximum under the condition of effective regulation oftemperature, pressure, and shunt coefficient, which not only realized the optimization of benzene-toluene flash process, but also fullydemonstrated that it's effective to solve the optimization problem in the process of chemical production with the firefly algorithm.关键词：苯-甲苯；闪蒸过程；萤火虫算法；优化仿真Key words: benzene-toluene；flash process；firefly algorithm；optimization simulation中图分类号：TQ202 文献标识码院A 文章编号院1006-4311（2014）24-0303-020 引言许多化工过程中定态优化问题都属于非线性约束问题，在对其进行解决的时候通常采用常规经典数学方法，如广义梯度法和逐次二次规划法等。
萤火虫算法的研究进展
萤火虫算法的研究进展程春英【摘要】Glowworm swarm optimization is a new type of swarm intelligence optimization algorithm by simulating the fireflies in foraging and mating habits of each other due to the light and attract mobile behavior to solve the optimal problem of.The Glowworm swarm optimization has strong robustness and stochastic searching capability, has been widely used in function optimization,clustering problems, robot cooperation,and many other aspects.This article expounds the basic principles of Glowworm swarm optimization,the existing various kinds of improved algorithm is given,and put forward the development direction of Glowworm swarm optimization.%萤火虫算法是通过模拟萤火虫在觅食和求偶等生活习性中产生的因光而吸引移动的行为来解决最优问题的一种新型群体智能优化算法。
萤火虫算法因具有较强的鲁棒性和随机搜索性，已广泛地应用于函数寻优、聚类问题、机器人协作等多个方面。
本文阐述了萤火虫算法的基本原理，给出了现有的各种改进算法，并展望了萤火虫算法的发展方向。
【期刊名称】《电子测试》【年(卷),期】2015(000)013【总页数】4页(P44-47)【关键词】萤火虫算法;荧光素;感知范围;改进【作者】程春英【作者单位】内蒙古民族大学计算机科学与技术学院，内蒙古通辽，028043【正文语种】中文0 引言萤火虫算法(Glowworm Swarn Optimization, GSO)是2005年由印度学者Krishnanand和Ghose提出的一种基于生物群体智能的随机优化算法，它是继粒子群优化算法、蚁群优化算法、人工鱼群优化算法之后的又一种新型的群体智能优化算法。
基于萤火虫群优化支持向量机的网络入侵检测方法
基于萤火虫群优化支持向量机的网络入侵检测方法刘娜【摘要】为了解决支持向量机(SVM)方法应用于网络入侵检测中存在的参数设置和由样本不均带来的分类面偏斜问题,文章提出了一种基于萤火虫群优化支持向量机(GSO-SVM)的解决方案;算法在进行参数寻优的同时增加了修正因子,实现对分类面的修正,并采用萤火虫群算法进行求解,提高算法跳出局部最优的能力;在DARPA 数据集上的检测精度达到97.33％,优于SVM和SVDD方法;实验结果表明文章提出的方法能够有效提高入侵检测模型的泛化性,降低误报率和漏报率.【期刊名称】《计算机测量与控制》【年(卷),期】2014(022)011【总页数】4页(P3532-3535)【关键词】入侵检测;支持向量机;萤火虫群;分类面修正【作者】刘娜【作者单位】长沙民政职业技术学院,长沙410004【正文语种】中文【中图分类】TP3930 引言随着神经网络、支持向量机（SVM）等技术在网络入侵检测中的成功应用，以学习智能为核心的检测方法成为当前业界的研究热点［1－2］。
本文基于SVM 对入侵检测进行研究，SVM 应用于入侵检测主要存在两个问题，一个是参数设置问题，参数设置直接影响着检测模型的好坏，另一个是由于正常样本和入侵样本的不均衡带来的分类面偏差问题。
对于参数设置，目前的方法主要包括网格搜索和启发式算法搜索两种，网格搜索法结果好但是计算量太大，相较而言启发式搜索算法能够大大降低运算量，因而得到大量的应用［3－4］。
传统的优化算法，如粒子群、遗传等容易陷入局部最优，萤火虫算法是一种新型的启发式搜索算法，它具有实现简单、鲁棒性强、跳出局部最优解能力强等特点，能够很好解决参数寻优问题［5］。
对于分类面偏斜问题，主要思路包括3种：（1）通过调整数据结构，获得较为均衡的样本个数，解决样本数据不均衡带来的问题，例如文献［6］和［7］；（2）通过对不同种类的样本赋予不同的惩罚系数来调整数据不均衡带来的问题，例如文献［8］；（3）通过对获得的分类面的修正降低由于样本数据个数以及分布情况带来的泛化性降低问题，例如文献［9］和［10］。
具有全局收敛性的改进萤火虫优化算法_马小雨
智能优化研究与应用是目前学术界热点之一 ， 由于自然科学及工程技术领域的很多问题可以归 结为非线性全局优化问题， 因此寻求具有智能特征 并适用于大规模并行运算的群优化算法已成为重 要的研究方向
［1 ］
主要集中于算法性能分析、 算法改进策略及工程应 用等方面， 而与其相关的数学分析、 参数设置等方 面的文章极少。针对 GSO 算法收敛性， 文献 了算法的性能。 文献
［9 ］
。图 1 给出了 GSO 基本原理示意图。
T n
对于维数为 n 的目标函数优化问题， 其解空间 x2 ， …， xn ） ｝ R ， 为 S = ｛ X | X = （ x1 ， 随机生成 N 只萤火虫组成初始群体， 则第 t 代萤火虫群体可 …， X k （ t） ， …， X N （ t） ｝ k = 以描述为： P t = ｛ X1 （ t） ， 1， 2， …， N ，第 k 只 萤 火 虫 的 位 置 为 X k （ t ） = ｛ x k1 （ t） ， x k2 （ t） ， …， x kn （ t） ｝ 。 设第 k 只萤火虫的荧光
［5 ］
算法的全局收敛性， 针对基本萤火虫算法存在的缺 陷， 提出了 一 种 改 进 的 萤 火 虫 优 化 算 法 （ Improved Glowworm Swarm Optimization，IGSO） ： 借鉴 SFLA 族 群划分思想， 将萤火虫群体划分族群， 为了使得改 进 GSO 具有全局收敛性， 引入了萤火虫移动组元概 念， 并证明了改进算法以概率 1 收敛于全局最优， 并 采用混沌优化技术， 对萤火虫群体进行初始化。 仿 真结果表明 IGSO 算法在在收敛速度及求解精度上 有明显改善。
i ∈ N k（ t ）
2
改进萤火虫算法
基于混沌和自适应搜索策略的GSO算法分析与优化
基于混沌和自适应搜索策略的GSO算法分析与优化HUANG Yuda;WANG Yiran;NIU Sijie【摘要】针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题,提出一种基于混沌和自适应搜索策略的萤火虫优化算法(CSAGSO).利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解;运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力.采用动态步长的自适应搜索策略,并对寻优过程中静止不动的萤火虫个体位置进行更新,加快了算法前期收敛速度,减少了后期震荡现象发生.仿真实验结果表明,优化后的萤火虫算法参数较少并具有较好稳定性,同时在求解精度和收敛速度上都明显优于基本萤火虫群算法.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)003【总页数】7页(P147-153)【关键词】萤火虫群优化;Chebyshev混沌映射;优化;混沌扰动;动态步长;自适应搜索【作者】HUANG Yuda;WANG Yiran;NIU Sijie【作者单位】【正文语种】中文【中图分类】TP3011 概述目前，关于萤火虫算法的文献有两种版本，一种是由印度学者Krishnanand和Ghose于2005年提出的一种新型仿生群智能优化算法[1]，即萤火虫群优化算法（Glowworm Swarm Optimization，GSO）；另一种是由剑桥学者Yang于2008年提出的一种新型萤火虫进化算法（Firefly Algorithm，FA）。
这两种算法的仿生原理相同，都是通过模拟自然界中萤火虫发光行为而构造出来的随机优化算法，只是在算法具体实现方面有一些差异，比如：就每只萤火虫所代表的解决方案而言，前者是通过荧光素值来衡量方案优劣，荧光素值的计算与当前萤火虫位置有关，后者是通过萤火虫相对荧光亮度来衡量方案优劣，相对荧光亮度计算与相对空间距离有关；就移动范围而言，前者受邻域半径限制，后者为全局范围。
基于萤火虫算法修正的步长估计方法
基于萤火虫算法修正的步长估计方法步长估计是基于行人航迹推算室内定位中的关键因素，针对其累计误差会随着行人行走的距离和时间的增加随之变大，传统的粒子滤波在提高精度的同时会造成粒子贫化的问题，本文提出一种基于萤火虫算法修正的步长估计方法.该方法首先在传统的非线性步长估计模型中加入了加速度的平均值和行走时间，得到改进的步长估计模型.然后结合改进的萤火虫算法，通过粒子权重不断修正的方式得到动态步长.实验证明，该方法在一定程度上解决了粒子贫化问题，提高了步长估计的精度.标签：室内定位;行人航迹推算;步长估计;萤火虫算法;动态修正近年来，室内定位的研究受到国内外的广泛关注.智能手机的普及为室内定位带来了便捷，其中，行人航迹推算算法[1]因其受环境的影响较小，定位精度较高，因此得到广泛关注.它是在已知行人初始位置的前提下，通过智能设备中传感器测得的数据，得到行人的步频、步长和方向角，估计出行人的位置和运动轨迹.在行人航迹推算算法中，步长的估算起着关键性的作用，可以理解为步长精度的准确性直接影响着行人位置估计的准确性.常见的步长估计方法包括线性估计模型和非线性估计模型[2]，其中，非线性估计模型具有较高的准确性和实时性，因此被广泛使用.传统的非线性步长估计模型[3]利用行人的步长与行走时的加速度之间的非线性关系，建立数学估计模型来计算步长.但是随着行人行走距离和时间的增加，累积误差会随之变大.目前大部分的惯性传感器定位系统会使用粒子滤波来提高定位精度，例如采用粒子滤波算法[4]结合不同的定位数据（如地图信息）来修正定位结果.但是，当需要大量的粒子来保证跟踪的准确性时，粒子滤波算法会造成粒子贫化[5]问题，因而影响定位精度.针对上述问题，本文提出一种基于萤火虫算法修正的步长估计方法.本文结合改进的萤火虫粒子滤波算法[6]，通过粒子權重不断修正的方式来得到动态步长，一定程度上解决了粒子贫化问题，提高了步长估计的精度.1 基于萤火虫算法的动态修正步长方法1.1 行人航迹推算之步长估计由图1可看出，改进的萤火虫粒子滤波算法经过迭代寻优，比传统粒子滤波的状态预测精度较高，估计误差明显较小.为了对所提出步长估算方法的性能进行测试与分析，本文选取了计算机学院六楼走廊为测试场景，走廊长约45m.采用Android系统的智能手机做为整个实验的设备，其型号为Honor 10，版本为Android 9，用以采集实验所需的相关数据.然后借助Matlab平台计算完成本文方法和传统方法的对比试验，并进行数据分析.实验时，行人手持智能手机，以均刀的速度在走廊沿直线行走40m，采集到加速度计、陀螺仪和磁力计的数据，然后在Matlab中进行步长的估算.为了验证本文方法的有效性和可行性，利用同一组数据，用了两种对比方法分别做了10次实验.其中，PF步长估计代表基于粒子滤波算法的传统非线性步长估计方法，FA-PF步长估计代表本文基于萤火虫粒子修正的步长估计方法.经过实验，得到这两种算法的误差比较如图2所示：如图2所示，相比于基于粒子滤波算法的传统非线性步长估计方法，本文提出的基于萤火虫算法修正的步长估计方法，整体误差明显减小.进一步分析可得，10组定位实验的误差均值由原来的 4.6m减少到 2.2m.实验结果表明，该方法在一定程度上提高了步长估计的精度.3 结束语基于PDR的室内定位方法中，步长估计是关键因素，但是随着行人行走距离和时间的增加，累积误差会随之变大，传统的粒子滤波算法在提高精度的同时会造成粒子贫化问题.针对上述问题，本文提出一种基于萤火虫算法修正的步长估计方法.首先，本文在传统的非线性步长估计模型中加入了加速度的平均值和行走时间，得到改进的步长估计模型.然后结合改进的萤火虫粒子滤波算法，通过粒子权重不断修正的方式来得到动态步长.经过实验证明，该方法在一定程度上解决了粒子贫化问题，提高了步长估计的精度.参考文献[1]寇彩云，张会清，王普.基于惯性传感器的行人室内定位算法[J]. 传感器与微系统，2019，38（01）：143-146.[2]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）：2906-2916.[3]Kang W，Han Y. SmartPDR：Smartphone-Based Pedestrian DeadReckoning for Indoor Localization[J]. IEEE Sensors Journal，2015，15（5）：2906-2916.[4]林庆，王新.基于改进的粒子滤波算法的目标跟踪[J].信息技术，2017（10）.[5]Foo P H，Ng G bining the interacting multiple model method withparticle filters for manocuvring target tracking.IET Radar，Sonarand Navigation，2011，5（3）：234一255[6]Horng M H. Vector quantization using the firefly algorithm for imagecompression. Expert Systems with A pplications，2012，39（1）：1078-1091[7]Lundquist C，Karlsson R，Ozkan E，Gustafsson F. Tire radii estimation using a marginalized particle filter. IEEE Trans-actions on Inteligent Transportation Systerms，2014，15（2）：663-672[8]Zhou Tianrun，Ouyang Yini，Wang Rui，et al. Particle filter based on real-time compressive tracking [C]//Proc of International Conference onAudio.Piscataway，NJ：IEEE Press，2017：754-759.[9]YANG X S. Firefly algorithm，stochastic test functions and designoptimization [J]. International Journal of Bio-Inspired Computation，2010，2（2）：78-84.[10]Xian W M，Long B，LiM，Wang H J. Prognostics of lithium-ion batteriesbased on the verhulst model，particle swarm optimization and particle filter. IEEETransactions on In-strumentation and Measurement，2013，63（1）：2-17[11]程美英，倪志偉，朱旭辉.萤火虫优化算法理论研究综述[J].计算机科学，2015，42（4）：19-24.[12]Chen J，Ou G，Peng A，et al. An INS/Floor-Plan Indoor Localization System Using the Firefly Particle Filter[J]. ISPRS International Journal ofGeo-Information，2018，7（8）.。
萤火虫算法
萤火虫算法萤火虫算法是一种著名的算法，由美国数学家和数学大师帕森斯在1965年提出。
该算法是一个线性规划问题，其方法是先进行一个初始条件的求解，并将原始的求解结果，以“最小化函数”等形式保留下来。
此算法可用于各种数学计算领域，如：智能电网、自动驾驶等。
在传统优化问题中，人们一般采用的多项式权重方法存在计算时间长、结果不稳定、计算量大、不可预测等问题。
而萤火虫计算方法不但能够求得最优解，还能将每个变量之间的交互作用尽量控制在最小范围内。
1、先进行一个初始条件的求解，并将原始的求解结果以“最小化函数”等形式保留下来。
其中, x i (i=1)=0表示在初始条件下, i=1求最优解的平均路径长度, i=1求最优解的平均路径长度。
对于不同的种群，这种方法存在一定的差异：当一个种群没有达到某个状态时，其求解方法是先使用对这个种群影响最大的状态值(x i=1)来求解这一状态；如果种群的所有个体都处于这一状态时，则求解其最终状态为: x i=1求最优解的平均路径长度。
具体方法如下：其中b i=1为该种群的最小路径长度; c i=1表示该种群是一种具有适应能力的种群; d i=1表示种群适应能力相对较弱; e j (i为种群个体数）表示为当前种群的最小迭代次数; j为全局优化变量之间相互关联的权重因子; x i (i为种群状态值）表示该基因表达能力的全局相关系数或局部相关系数(x i— n)=1/2; z s为个体数。
2、然后通过随机抽取某些变量并将结果计算出一个可行值，该值与变量之间的交互作用最小，因此选取权重得到最优解；萤火虫算法是一种基于“数理”的优化方法，它在求解线性规划问题中有着广泛应用。
然而也正因为如此，有很多学者将该算法归为一类机器学习问题进行深入研究。
由于萤火虫算法是一种基于“数理”的优化方法，因此也有了许多其他学者将它归入机器学习、计算机科学、信息科学等领域。
但总体上来说，萤火虫算法仍然属于机器学习的范畴，而这与其复杂程度与广泛应用有着很大的关系。
具有群体智能的改进萤火虫优化算法
具有群体智能的改进萤火虫优化算法摘要：分析了萤火虫优化算（Glowworm swarm optimization，GSO）的全局收敛性，针对其收敛效率低的缺陷，提出了一种具有群体智能的改进萤火虫优化算法，借鉴混合蛙跳算法族群划分思想，在GSO算法引入了局部搜索及全局信息交换机制，改善了算法寻优性能，并将GSO算法与混合蛙跳算法融合，实现了两种群体共同进化，进一步提高了算法收敛效率。
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敛速度两个方面，改进优化后的算法提升明显。
关键词：萤火虫优化算法混合蛙跳算法全局收敛性1 GSO和SFLA1.1 萤火虫优化算法萤火虫优化算法始于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萤火虫群体，且这种分布带有随机性，一个解由一个萤火虫替代及代表，并同其所携带的荧光素和发光的强度存在一定的联系，萤火虫目标函数值作用于荧光素，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，相比于个体组成领域集，萤火虫对于荧光素的选择要多，并进行领域集内个体的概率选择和转移。
在初始时刻，萤火虫的的荧光素和决策范围均相同，在时刻，依据公式（1）来进行的更新：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。
对于维目标优化问题，随机生成只青蛙群体，第只青蛙的位置为，因此SFLA实现过程可以描述为：公式中，代表随机的数目，代表具有最好适应度的族群解。
相比于，当目标函数值更优时，则被所替代，如不替代，就要求被替代，这样，就需要进行更新策略（6）的重新执行。
如相比于，不具备优势，则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。