蛙跳算法

每组memeplex中，每只青蛙收到其他青蛙想法 的影响，通过memetic进化，是的每只青蛙朝目 标位置逼近。 接下来是每个memeplex中memetic进化的详细步 骤：
标准蛙跳算法步骤
局部搜索
Step4-0：设定最大进化次数N，iN=0为进化次数变量，
子群个数m，im=0为子群计数变量。在每个memeplex中 Pb和Pw分别表示性能最好和最坏的青蛙，Pg表示整个种 群中最好的青蛙。在每一轮的进化中，改善最坏青蛙Pw 的位置。注意，并非对所有青蛙都优化。
标准蛙跳算法步骤
全局搜索
Step0：初始化。选择m和n，m表示子群的数量，
n表示每个子群中的青蛙的数量。种群规模 F=m*n
Step1：生成一个初始种群。在可行解空间生成F
个青蛙U(1),U(2),…..,U(F)，每个青蛙当前的位置 对应于优化问题解空间的一个候选解：
2 d U (i) (U1 , U ,...., U i i i )
成为m个memeplex：Y1，Y2,…Ym。每个memeplex中 包含n个青蛙。规则如下：比如m=3，那么第1只青蛙进 入memeplex1，第2只青蛙进入memeplex2，第三只青蛙 进入memeplex3，第4只青蛙进入memeplex1，….以此 类推。
标准蛙跳算法步骤
全局搜索
Step4：将每组memeplex执行memetic进化。在
标准蛙跳算法步骤
全局搜索
Step5：青蛙在memeplex之间跳跃。在每个
memeplex中执行了一定的memetic进化之后， 将各个子群Y1，Y2，….Ym合并到X，将X重新 降序排列，并更新种群中最好的青蛙Pg。
Step6：检查终止条件。如果迭代终止条件满足，
则停止；否则，重新执行Step3.一般情况下，当 执行了一定次数的循环进化，代表最好解的青蛙 的位置不再改变的时候，算法停止。
，其中d表示解的维度。
计算出U(i)的性能f(i).
标准蛙跳算法步骤
全局搜索
Step2:对青蛙划分等级。将F只青蛙按照性能的好坏依次
排列，生成数组：
X {U(i), f(i).i 1, 2,..., F};
这样，i=1表示这只青蛙的位置最好，记录种群
中最好青蛙位置px=U(1)
Step3:将青蛙分组，放入不同的memeplex。将数组X分
蛙跳算法（SFLA）
制作人：吴兵海
蛙跳算法简介
蛙跳算法（Shuffled Frog Leading Algorithm）是一 种启发式算法，通过启发式函数进行启发式搜索， 从而找到组合最优问题的解。 他结合了以遗传为基础群优化算法的优点。
蛙跳算法的原理
蛙跳算法的算法流程图
蛙跳算法流程图
参数设置
种群规模F，子群数量m，每个子群进化的代数N， 允许青蛙移动的最大距离Dmax，允许种群进化 的最多代数Iter。
标准蛙跳算法步骤
局部搜索
Step4-4：如果上述过程能够使得青蛙有一个更好的位置，
即能产生一个更好的解，那么就用新的位置青蛙取代原 来的青蛙；否则，用Pg代替Pb，重复上述过程。
Step4-5：如果上述方法仍不能生成更好的青蛙，那么就
随机生成一个新解取代原来最坏的青蛙Pw。
Step4-6：如果iN<N,那么执行4-2. Step4-7：如果im<m，那么执行4-1，否则青蛙跳跃，重 新执行全局搜索。
在SFLA中，种群被分为若干个子 群（memeplex），每一个子群包括 一定数量的青蛙。不同的memeplex 具有不同的文化，分别进行局部搜索。 在每个子群中，每只青蛙都有自己的 想法，并且受到其他青蛙想法的影响， 通过memetic进化来发展。这样经过 一定的memetic进化以及跳跃过程， 这些想法思路就在各个memeplex中 传播开来，然后，据需局部搜索和跳 跃，知道收敛或满足标准为止。
Step4-1：im=im+1； Step4-2：iN=iN+1； Step4-3：调整最坏青蛙的位置，方法如下：
青蛙移动的距离 Di=rand()*(Pb-Pw)
新的位置 Pw=Pw（当前位置）+Di,（Dmax>=Di>=-Dmax） 其中rand()是0-1之间的随机数，Dmax是青蛙移动的最大距离。