蛙跳算法

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。
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
，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
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。
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。
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
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 )
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。
蛙跳算法（SBiblioteka BaiduLA）
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的memetic算法和以社会行 为为基础的粒子群优化算法的优点。
蛙跳算法的原理