【CN110084316A】一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法【专

合集下载

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。

改进的萤火虫算法优化双支持向量机参数

改进的萤火虫算法优化双支持向量机参数顾佳鑫;贺兴时;杨新社【期刊名称】《微电子学与计算机》【年(卷),期】2022(39)11【摘要】针对原始萤火虫算法(Firefly Algorithm,FA)易陷入局部最优、求解精度低,双支持向量机(Twin Support Vector Machine,TWSVM)参数选择困难的问题,提出基于改进萤火虫算法(DEFA)的双支持向量机模型(DEFA-TWSVM).首先,对原始萤火虫算法进行改进,得到DEFA算法:在萤火虫位置更新公式中结合动态惯性权重,自适应地调整步长控制因子来快速搜索全局和局部最优解,对每次移动后的萤火虫群融入差分进化算法(Differential Evolution,DE)策略,保证种群迭代多样性,通过基准测试函数的仿真结果表明改进后的算法全局寻优能力强,不易陷入局部最优.其次,利用DEFA算法优化TWSVM的参数.最后,在UCI数据集进行测试,得到DEFA-TWSVM和其他模型的分类准确率.通过比较发现:DEFA算法可以在训练过程中自动确定TWSVM参数,解决了TWSVM参数选择盲目的问题,平均分类准确率相较其他模型提高了2到5个百分点.【总页数】8页(P11-18)【作者】顾佳鑫;贺兴时;杨新社【作者单位】西安工程大学理学院;密德萨斯大学科学与技术学院 701【正文语种】中文【中图分类】TP301.6【相关文献】1.一种改进的优化支持向量机参数的萤火虫算法2.基于改进人工鱼群算法优化参数的支持向量机研究——中长期电力需求预测应用3.萤火虫算法优化SVR参数在短期电力负荷预测中的应用4.改进UKF及其在双馈风力发电机参数辨识中的应用——基于遗传算法优化5.基于改进人工鱼群算法优化参数的支持向量机研究——中长期电力需求预测应用因版权原因，仅展示原文概要，查看原文内容请购买。

云计算下的基于萤火虫-遗传算法的资源调度

云计算下的基于萤火虫-遗传算法的资源调度随着云计算技术的发展，越来越多的企业和用户开始将自己的业务和数据迁移到云端，以便更好地利用云平台的高性能和强大的计算能力。

云计算平台在提供高效服务的同时，也面临着庞大的资源调度问题。

本文提出了一种基于萤火虫-遗传算法的资源调度策略，以优化云平台资源的利用效率。

一、云计算资源调度的瓶颈云计算的发展离不开云中的资源管理。

云计算平台通常由大量的计算节点和存储节点组成，这些节点需要在各种应用程序间进行资源共享，以实现资源利用率的最大化。

资源调度问题涉及到如何高效地分配系统资源，以保证业务的高效运行和用户满意度的提高。

云计算资源调度主要面临以下几个瓶颈：（1）负载均衡问题。

在云计算环境中，不同的用户和应用程序需要访问共享的计算资源，这就需要合理地分配资源，以避免某些节点负载过高，从而导致系统崩溃或效率低下。

（2）数据可用性问题。

云计算平台中存储节点的数据可用性直接影响了用户对系统的信任度。

数据可用性不足会导致数据丢失和应用程序崩溃，从而影响业务的稳定运行。

（3）可扩展性问题。

云计算平台需要能够快速地适应业务需求的变化，不断扩展资源规模以应对不断变化的工作负载。

二、基于萤火虫-遗传算法的资源调度策略为解决云计算中的资源调度问题，我们提出了一种基于萤火虫-遗传算法的资源调度策略。

该策略基于负载均衡、数据可用性和可扩展性三个方面，通过优化资源分配来提高云计算平台的效率和可靠性。

具体实现如下：（1）萤火虫算法萤火虫算法是一种模拟昆虫群体的优化算法，它在解决优化问题时具有较好的全局搜索能力和收敛速度。

该算法的基本思想是通过萤火虫之间的“引力”和“斥力”来模拟解空间中的搜索过程。

萤火虫之间的移动过程会受到适应度函数的制约，从而达到了寻找最优解的目的。

在云计算平台中，我们可以将萤火虫算法应用于资源分配问题。

具体地，在某一时刻下，每个萤火虫代表一个虚拟机节点，其亮度与节点负载成正比。

（参考）萤火虫算法及其应用研究

摘要萤火虫算法(Firefly Algorithm,FA)是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来。

它是由剑桥大学的Xin-She Y ang教授在2009年提出的，它作为一种新颖的仿生群智能优化算法，有较大的研究空间。

近几十年来随着越来越多的仿生群智能算法的提出，人们对于这些算法的认识和研究也逐步加深。

本文先介绍群智能优化算法的理论概念，然后着重通过对萤火虫算法仿生原理的了解，从数学的角度对萤火虫算法进行合理的描述和过程的定义，最后编写该算法的matlab代码实现对3个峰值函数进行仿真测试，得出其测试结果。

同时用遗传算法对同样的测试函数也进行仿真测试，得出其测试结果。

最后通过测试结果比较萤火虫算法和遗传算法分别在对峰值函数寻优结果的精确度。

在比较过程中，可以根据测试结果发现，萤火虫算法在对峰值函数的寻优结果的精确度优于遗传算法。

这表明了萤火虫算法在连续空间优化的可行性和有效性，同时也表明了萤火虫算法具有良好的应用前景。

关键词：萤火虫算法，仿生群智能优化算法，优化分析，遗传算法ABSTRACTThe Firefly Algorithm (FA) is affected by the nature of the Firefly exchange of information through a fluorescence inspired this kind of crowd behavior has evolved. It is made by Xin - She Y ang professor at the university of Cambridge in 2009, as a novel bionic swarm intelligent optimization algorithm, has a large research space. In recent decades as more bionic swarm intelligent algorithm is put forward, people also gradually deepen to the understanding and research of those algorithms.First，it is introduced in this paper theoretical concepts of swarm intelligence optimization algorithm, and then emphatically through the understanding of firefly algorithm bionic principle, from the perspective of mathematical descriptions of firefly algorithm is reasonable and the definition of the process, finally ,writes matlab code of the algorithm to realize the three peak function simulation test, to test results. At the same time with the genetic algorithm on the same test function, simulation test, to test results. Finally by comparing test results of firefly algorithm and genetic algorithm in the accuracy of the optimization results of peak function respectively. In the process of comparison, according to the result of test, it can shows that the firefly algorithm on the accuracy of the optimization results of peak function is superior to genetic algorithm. It shows that the feasibility and effectiveness of firefly algorithm in the continuous space optimization, but also shows that the firefly algorithm has a good application prospect.Keywords:firefly algorithm, The bionic swarm intelligent optimization algorithm, Optimization analysis, genetic algorithm目录摘要 (I)ABSTRACT (II)目录 ...................................................................................................................................... I II 第一章绪论 . (1)一、研究的背景及意义 (1)二、群智能优化算法的研究现状 (1)三、本论文的内容和结构 (2)第二章群智能优化理论 (4)一、群智能优化算法的概述 (4)二、模拟退火算法 (4)三、遗传算法 (5)四、蚁群算法 (7)五、粒子群优化算法 (8)六、人工萤火虫群优化算法 (9)七、人工鱼群算法 (11)第三章萤火虫算法 (13)一、萤火虫算法的概念 (13)二、萤火虫算法的国内外研究现状 (13)三、萤火虫算法的仿生原理 (14)四、萤火虫算法的数学描述与分析 (15)五、萤火虫算法的流程 (16)六、实现萤火虫算法的matlab代码 (16)第四章仿真实验与分析 (22)一、三个测试函数的介绍 (22)二、FA和GA对F1(x)的仿真测试 (22)三、FA和GA对F2(x)的仿真测试 (25)四、FA和GA对F3(x)的仿真测试 (27)五、测试结果分析 (30)结论 (31)致谢 (32)参考文献 (33)第一章绪论一、研究的背景及意义在现实生活中，许多优化问题要求人们不仅要计算出其极值，还要得出其最优值。

一种基于改进萤火虫步长因子的多级粒子滤波算法[发明专利]

专利名称：一种基于改进萤火虫步长因子的多级粒子滤波算法专利类型：发明专利
发明人：于涵,王典,张敬权,滕明,刘财,赵军,李鹏,刘元骐
申请号：CN202011012994.0
申请日：20200923
公开号：CN112083494A
公开日：
20201215
专利内容由知识产权出版社提供
摘要：本申请公开了一种基于改进萤火虫步长因子的多级粒子滤波算法，该方法对萤火虫粒子滤波算法中的亮度公式以及位置更新公式进行修改，采用自适应步长萤火虫算法进行迭代更新，并对结果进行多级滤波。

本申请通过自适应步长萤火虫算法，驱使权值小的粒子向高似然区域移动，减弱了粒子退化问题，可以在使用较少粒子的情况下达到较高的滤波精度，节约了计算资源。

申请人：吉林大学
地址：130026 吉林省长春市前进大街2699号
国籍：CN
代理机构：北京嘉途睿知识产权代理事务所(普通合伙)
代理人：彭成
更多信息请下载全文后查看。

一种新颖的改进萤火虫算法

一种新颖的改进萤火虫算法
左仲亮;郭星;李炜
【期刊名称】《微电子学与计算机》
【年(卷),期】2017(34)9
【摘要】为了克服原始萤火虫算法(Glowworm swarm optimization,GSO)对于多峰函数寻优精度不高和后期收敛速度较慢的问题.为此,本文针对性的提出了一种改进的动态步长自适应的萤火虫优化算法.采用该算法的改进思想,能在一定的程度上避免算法因为过早的成熟而陷入局部最优,并且改进的算法比原始萤火虫算法有着更好的收敛精度.Matlab实验仿真表明,改进算法在一定程度上提高了收敛速度和寻优精度.
【总页数】5页(P15-19)
【关键词】萤火虫算法;多峰函数;动态步长;自适应
【作者】左仲亮;郭星;李炜
【作者单位】安徽大学计算智能与信号处理重点实验室;安徽大学计算机科学与技术学院
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种新颖的仿生群智能优化算法:萤火虫算法 [J], 刘长平;叶春明
2.一种改进的模拟退火萤火虫混合算法求解0/1背包问题 [J], 任静敏; 潘大志
3.一种基于深度学习的改进萤火虫频谱分配算法 [J], 苏慧慧; 彭艺; 曲文博
4.一种基于深度学习的改进萤火虫频谱分配算法 [J], 苏慧慧; 彭艺; 曲文博
5.一种新颖的萤火虫算法求解PID控制器参数自整定问题 [J], 顾忠伟;徐福缘因版权原因，仅展示原文概要，查看原文内容请购买。

面向多峰优化问题的萤火虫算法研究

面向多峰优化问题的萤火虫算法研究萤火虫算法（Firefly Algorithm）是一种基于自然界中萤火虫的交互行为而发展的优化算法，能够解决众多优化问题，特别是在多峰优化问题中表现出色。

本文将针对面向多峰优化问题的萤火虫算法进行研究。

一、多峰优化问题多峰优化问题是指在最优解的搜索过程中，目标函数存在多个峰值，这些峰值之间可能存在相对较大的距离。

此时，传统的优化算法易陷入局部最优解，在达到局部最优解后无法跳出，进而找不到全局最优解。

因此，如何解决多峰优化问题成为了研究热点。

二、萤火虫算法介绍萤火虫算法于2008年提出，是一种模仿萤火虫的互相吸引和聚集行为的优化算法。

萤火虫聚集程度和亮度成正比，亮度越大的萤火虫被其他萤火虫吸引的概率越大。

在算法中，亮度可以看成目标函数的值，每个萤火虫会根据当前亮度和其他萤火虫的亮度变化不断调整自己的位置，以求达到某一个最优的位置。

三、萤火虫算法解决多峰优化问题的方法针对多峰优化问题，萤火虫算法有如下优势：1、全局搜索能力较强：传统优化算法容易被多峰问题限制，陷入局部最优解。

而萤火虫算法利用亮度作为确定吸引力的因素，使得全局搜索能力更强。

2、适应性强：在多峰问题中，萤火虫算法可以让亮度高的萤火虫吸引整个群体前往移动自己的位置，从而适应当前环境。

3、参数设置简单：相比其他优化算法，萤火虫算法的参数设置较为简单。

在使用萤火虫算法解决多峰优化问题时，应注意以下几点：1、初始位置的确定：初始位置的质量将直接影响算法的效果。

应考虑不同维度、不同区域之间的均匀分布，确保算法是全局性的搜索。

2、参数设置的合理性：萤火虫算法需要合理设置参数，包括亮度、吸引度、随机步长等。

合理设置这些参数可以提高算法的搜索效果，减少局部最优解的出现。

3、算法停止的条件：为避免算法迭代次数过多造成计算资源和时间的浪费，需要设置算法停止条件。

通常采用迭代次数或者目标函数值的变化率小于预设阈值为停止条件。

四、总结萤火虫算法的互相吸引和聚集行为能够很好地解决多峰优化问题。

一种基于模式搜索算子的人工萤火虫优化算法

一种基于模式搜索算子的人工萤火虫优化算法人工萤火虫算法（Artificial Firefly Algorithm，AFA）是一种智能优化算法，它的核心思想是通过模拟萤火虫的社交行为来优化问题。

萤火虫通过发出光信号来吸引伴侣，如果其他萤火虫对其发出的光信号更亮，则会向那个方向移动。

在算法中，每个萤火虫表示一个待优化的解，发出的光强度与目标函数值成正比。

然而，原始的AFA在一些问题上表现不佳，因为它的搜索算子单一，只能通过调整光强度来改变萤火虫位置。

为了克服这个缺陷，研究者们提出了许多改进版的AFA，其中一种被称为基于模式搜索算子的AFA（Pattern Search-based AFA，PSAFA）。

PSAFA的核心思想是引入了一种新的搜索算子——模式搜索算子。

这个算子可以跳出局部最优解陷阱，更好地保持全局探索能力。

在PSAFA中，萤火虫的移动不仅依赖于光强度，还依赖于一组随机生成的模式序列。

这些序列组成了问题的解空间，每个模式序列用于探索不同的搜索方向，从而增加了搜索算法的多样性。

具体来说，每个萤火虫的位置由当前位置和一个模式序列组成。

萤火虫将模式序列对应的解应用于目标函数，计算出光强度。

然后，通过比较当前萤火虫的光强度和相邻萤火虫的光强度，来调整模式序列以及移动方向。

如果当前位置上的光强度不是最大的，那么萤火虫就会通过调整模式序列和位置来向更优的位置移动。

PSAFA的优点在于更好的全局搜索能力和鲁棒性，在复杂的优化问题中表现优秀。

此外，PSAFA还具有可扩展性，可以通过添加新的模式序列进一步提高算法的性能。

虽然PSAFA的实现比原始AFA复杂，但应用广泛的算法库和优化问题库（如MATLAB Toolbox和Cec Benchmark）使得实现变得容易。

总的来说，PSAFA是一个非常有前途的优化算法，值得进一步研究和探索。

一种新颖的仿生群智能优化算法:萤火虫算法

一种新颖的仿生群智能优化算法：萤火虫算法刘长平;叶春明【期刊名称】《计算机应用研究》【年(卷),期】2011(028)009【摘要】萤火虫算法是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来.作为一种新颖的仿生群智能优化算法,分析了萤火虫算法的仿生原理,从数学角度对算法实现优化过程进行了定义.通过典型的函数优化和组合优化问题对算法进行了仿真测试,测试结果表明了萤火虫算法在连续空间和离散空间优化的可行性和有效性,具有良好的应用前景.%Inspired by social behavior of fireflies and the phenomenon of bioluminescent communication, firefly algorithm ( FA) is developed as a novel bionic swarm intelligence optimization method. This paper analyzed the bionic principle of firefly algorithm and defined the mechanism of optimization by mathematics. Tested the FA by benchmark functions and combinatorial optimization instances. Simulations and results indicate that the new bioinspired algorithm has better feasibility and validity for continuous space optimization and discrete space optimization.【总页数】3页(P3295-3297)【作者】刘长平;叶春明【作者单位】上海理工大学管理学院,上海 200093;淮阴工学院,江苏淮安 223001;上海理工大学管理学院,上海 200093【正文语种】中文【中图分类】TP301.6【相关文献】1.一种新颖的群智能算法:飞蛾扑火优化算法 [J], 李志明;莫愿斌;张森2.一种基于多目标的软件需求选择群智能优化算法 [J], 孙厚举;杨世达3.一种基于群智能仿生优化的WSNs节点调度方法 [J], 许慧雅;王大羽;柴争义4.一种新颖的萤火虫算法求解PID控制器参数自整定问题 [J], 顾忠伟;徐福缘5.一种新颖的改进萤火虫算法 [J], 左仲亮;郭星;李炜因版权原因，仅展示原文概要，查看原文内容请购买。

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。

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。

一种基于自适应搜索策略的改进萤火虫算法

小值优化函数且全局最优解均为零。
测试函数 1：
= F1( X )
∑ [ ] D i =1
xi2
,
xi ∈
−100,100
(7)
测试函数 2：
∑ ∏ [ ] ( ) F= 2 X
x D
i=1 i
+
D i =1
xi
,
xi ∈
−10,10
(8)
测试函数 3：
( ) ∑ ∑ [ ] ( ) = F3 X
D
i
3) 算法实现过程
Begin
Initialise the population;
while the stopping condition is satisfied do
Update the step factor according to equation (4);
for i = 1 to N do
=i 1=j
1xj
2
,
xi ∈
−100,100
(9)
测试函数 4：
= F4( X ) ( maxi xi ,1 ≤ i ≤ D), xi ∈[−100,100]
(10)
测试函数 5：
( ( ) ) = F5( X )
∑ [ ] ( ) D−1 100 i =1
xi − xi2
2
+
xi −1 2
,
xi ∈ −30,30
(11)
测试函数 6：
F= 6( X )
∑D i =1
ixi4
+
rand
( 0,1) ,
xi ∈[−1.28,1.28]
(12)
测试函数 7：

基于萤火虫算法的参数优化方法、装置、设备及存储介质[发明专利]

专利名称：基于萤火虫算法的参数优化方法、装置、设备及存储介质
专利类型：发明专利
发明人：张聪,曹文琪,陈方,张俊杰
申请号：CN202010401176.3
申请日：20200512
公开号：CN111582430A
公开日：
20200825
专利内容由知识产权出版社提供
摘要：本发明涉及模型优化技术领域，公开了一种基于萤火虫算法的参数优化方法、装置、设备及存储介质，所述方法包括以下步骤：建立预设神经网络模型，获取所述预设神经网络模型中的目标参数，通过萤火虫算法根据所述目标参数生成萤火虫种群个体，获取所述萤火虫种群个体的位置信息，并基于预设适应度原则从所述位置信息中获取最优位置信息，从所述最优位置信息中提取优化后的目标参数以改进萤火虫算法，并将改进后的萤火虫算法运用到神经网络的参数优化上，有助于神经网络获得符合期许的初始参数值，从而缩短神经网络的训练时间，提高神经网络的收敛精度，进一步地，提高基于所述神经网络建立的数据预测模型的预测精度。

申请人：武汉轻工大学
地址：430023 湖北省武汉市东西湖区常青花园学府南路68号
国籍：CN
代理机构：深圳市世纪恒程知识产权代理事务所
代理人：张婷
更多信息请下载全文后查看。

一种精英反向学习的萤火虫优化算法

一种精英反向学习的萤火虫优化算法魏伟一;文雅宏【期刊名称】《智能系统学报》【年(卷),期】2017(12)5【摘要】To increase the convergence speed and solution accuracy of the traditional firefly algorithm, in this paper, we propose a firefly optimization algorithm that utilizes elite opposition-based learning. Using an opposition-based learning strategy, we constructed an elite group and, in the interval of the elite group, we solved the opposite solutions of the ordinary groups. This strategy could increase group diversity and improve the convergence speed of the algorithm. To prevent the optimal individual from falling into the local optimum, which could cause stagnation of the whole group during the search process, we introduce a differential evolutionary mutation strategy. Finally, we propose an adaptive step size with a linear decrease to balance the development ability of the algorithm. Experimental results show that the proposed algorithm can increase convergence speed and accuracy.%为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法.通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力.实验结果表明,算法在收敛速度和收敛精度上有更好的效果.【总页数】7页(P710-716)【作者】魏伟一;文雅宏【作者单位】西北师范大学计算机科学与工程学院,甘肃兰州730070;西北师范大学计算机科学与工程学院,甘肃兰州730070【正文语种】中文【中图分类】TP309.2【相关文献】1.一种精英反向学习的粒子群优化算法 [J], 周新宇;吴志健;王晖;李康顺;张浩宇2.具有Lévy飞行和精英反向学习的果蝇优化算法 [J], 杨菊蜻;张达敏;张慕雪;朱陈柔玲3.基于扰动的精英反向学习粒子群优化算法 [J], 李俊;汪冲;李波;方国康4.基于精英反向学习的萤火虫k-means改进算法 [J], 汤文亮; 张平; 汤树芳5.应用精英反向学习的飞蛾扑火优化算法 [J], 李志明; 周加全; 黄秀芳; 谢永盛; 吴柳强因版权原因，仅展示原文概要，查看原文内容请购买。

云计算下的基于萤火虫-遗传算法的资源调度

云计算下的基于萤火虫-遗传算法的资源调度单好民【期刊名称】《计算机系统应用》【年(卷),期】2016(025)005【摘要】如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一。

首先建立云计算环境下的资源调度模型，将萤火虫算法中的个体与云计算节点资源进行对应，其次在算法中个体初始化中引入遗传算法优化初始解，对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率；最后针对挥发因子的改进使得荧光素的值进行更新。

仿真实验表明，该算法能够有效的提高云计算中的资源调度性能，缩短了任务完成的时间，提高系统整体处理能力。

%How to give the fullest play to the efficiency of resource scheduling in cloud computing is a hot spot of current research. First of all, resource scheduling model in cloud computing is established and individuals in firefly algorithm and node resources in cloud computing are matched; secondly, the genetic algorithm is introduced into the initialization of individuals in the algorithm and sensory threshold of the updating of algorithm’s position is set to adjust the probability for individuals to choose the optimal path; finally, the volatile factor is improved to update the value of fluorescein. Simulation experiment shows that this algorithm can effectively improve the performance of resource scheduling in cloud computing, shorten the time to complete tasks and improve the system’s overall processing capacity.【总页数】5页(P187-191)【作者】单好民【作者单位】浙江邮电职业技术学院，绍兴 312000【正文语种】中文【相关文献】1.一种基于混沌人工萤火虫算法的云计算资源调度优化 [J], 崔学海2.基于改进混沌萤火虫算法的云计算资源调度 [J], 杨单;李超锋;杨健3.基于双适应度动态遗传算法的云计算资源调度 [J], 王欣欣;刘晓彦4.基于高斯变异的人工萤火虫算法在云计算资源调度中的研究 [J], 刘运;程家兴;林京5.基于混合萤火虫遗传算法的云计算中的任务调度优化 [J], 孟庆岩;王晶晶因版权原因，仅展示原文概要，查看原文内容请购买。

萤火虫算法优化支持向量机室内定位研究

萤火虫算法优化支持向量机室内定位研究
仲臣;余学祥;邰晓曼;韩雨辰;肖星星;刘清华
【期刊名称】《计算机工程与科学》
【年(卷),期】2022(44)11
【摘要】针对室内定位指纹库匹配冗余信息多造成定位浮动大,且数据库中样本数过多定位时效性差等问题,提出一种基于萤火虫算法FA优化支持向量机SVM的室内定位算法FA-SVM。

利用奇异谱分析SSA预处理数据去除噪声,通过萤火虫算法优化支持向量机参数,建立室内定位回归模型。

实验结果表明,相对于目前其它室内定位算法,FA-SVM算法收敛速度快,提高了室内定位精度和稳定性。

【总页数】7页(P1969-1975)
【作者】仲臣;余学祥;邰晓曼;韩雨辰;肖星星;刘清华
【作者单位】安徽理工大学空间信息与测绘工程学院;安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室;安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心
【正文语种】中文
【中图分类】P228.4
【相关文献】
1.基于CloudSim的萤火虫算法优化与应用研究
2.采用混沌搜索技术对萤火虫算法优化研究
3.基于萤火虫算法优化的Gmapping研究
4.基于改进萤火虫算法优化
KELM的投标人画像评价研究5.基于改进萤火虫算法优化的电力光纤线路状态预测模型研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进萤火虫算法的 SVM 核参数选取

基于改进萤火虫算法的 SVM 核参数选取杨海;丁毅;沈海斌【期刊名称】《计算机应用与软件》【年(卷),期】2015(32)6【摘要】支持向量机（SVM）是一种性能优异的机器学习算法，其核函数参数的选取对于建模精度以及泛化能力有着重要的影响。

提出一种基于改进萤火虫算法的SVM核函数参数选取方法，通过改进萤火虫位置更新公式并在移动过程中引入亮度特征从而确定最佳的 SVM核函数参数。

实验表明，该算法选取的 SVM核函数参数在保证分类器收敛性能的同时，提高了分类精度，取得了良好的优化效果。

%Support vector machine (SVM)is a machine learning algorithm with superior performance,the selection of its kernel function parameters greatly affects the modelling accuracy and generalisation ability.This paper proposes an SVMkernel function parameter selection method,it is based on the improved glowworm swarm optimisation (GSO).By improving the glowworm position update formula and introducing brightness feature to the process of moving,the method determines the optimal parameters of SVM kernel function.Experiment shows that the SVM kernel function parameters selected by the method improves classification accuracy while guaranteeing the convergence performance of the classifier,and thus achieves good optimisation effect.【总页数】4页(P256-258,287)【作者】杨海;丁毅;沈海斌【作者单位】浙江大学超大规模集成电路设计研究所浙江杭州 310027;西湖电子集团有限公司浙江杭州 310012;浙江大学超大规模集成电路设计研究所浙江杭州 310027【正文语种】中文【中图分类】TP3【相关文献】1.基于一种改进粒子群算法的SVM参数选取 [J], 史月俊;周大为;王玉光2.基于一种改进粒子群算法的SVM参数选取 [J], 史月俊;周大为;王玉光3.基于改进混沌粒子群的混合核SVM参数优化及应用 [J], KUANG Fang-jun;XU Wei-hong;ZHANG Si-yang4.基于改进萤火虫算法优化SVM的滚动轴承故障诊断 [J], 常梦容;王海瑞;肖杨;王椿晶;蒋朝云5.基于柯西变异改进的萤火虫算法优化SVM模型在光伏发电功率预测中的应用[J], 张仕清;韩新同因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于萤火虫算法的模糊聚类方法

一种基于萤火虫算法的模糊聚类方法林睦纲;刘芳菊;童小娇【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)021【摘要】针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷，提出了一种基于萤火虫算法的模糊聚类方法。

该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性，用萤火虫算法优化搜索FCM的聚类中心，利用FCM进行聚类，有效地克服了模糊C-均值聚类的不足，同时增强了萤火虫算法的局部搜索能力。

实验结果表明，该算法具有很好的全局寻优能力和较快的收敛速度，能有效地收敛于全局最优解，具有较好的聚类效果。

%For local optimum and initial sensitive problems with fuzzy C-means clustering, a new fuzzy clustering algorithm based on firefly algorithm is proposed. By incorporating the capacities of local and global search of firefly algorithm and FCM, taking the optimal clustering center of firefly algorithm as the initialized value of the FCM, and then clustering analysis is processed by FCM. The new algorithm overcomes FCM trapped local optimum and being sensitive to initial value effec-tively, and enhances the capacity of local search of firefly algorithm. The experimental results show that the new algorithm not only has better global search capacity and faster convergence speed but also has better clustering efficiency.【总页数】5页(P35-38,73)【作者】林睦纲;刘芳菊;童小娇【作者单位】衡阳师范学院计算机科学系，湖南衡阳 421008;南华大学计算机科学与技术学院，湖南衡阳 421001;衡阳师范学院计算机科学系，湖南衡阳421008【正文语种】中文【中图分类】TP391【相关文献】1.一种基于新的直觉模糊相似度的聚类方法 [J], 袁泽华;潘小东2.一种基于马氏距离的半监督模糊聚类方法及其应用 [J], 施伟民;杨昔阳;李志伟3.一种基于黑洞算法的模糊C均值文本聚类方法 [J], 柳玉辉;王伟超;孟磊4.一种基于模糊加权的改进文本聚类方法 [J], 刘海峰;姚泽清;刘守生5.一种基于粗糙均方残基的模糊双聚类方法 [J], 孙林;刘弱南;张霄雨;孙印杰;宋黎明因版权原因，仅展示原文概要，查看原文内容请购买。