改进选择策略的烟花算法：增强全局搜索与收敛性能

"余冬华, 郭茂祖, 刘晓燕, 刘国军等人提出了一种改进选择策略的烟花算法(ISSFWA)，该算法针对原烟花算法(FWA)中存在的问题，如收敛效率低、收敛精度不高、对初值敏感以及容易陷入局部最优，进行了优化。在ISSFWA中，引入了峰值火花和探索火花的概念，通过$N-1$个峰值火花和1个探索火花来决定下一代$N$个烟花的选择，旨在平衡局部搜索和全局搜索能力。 烟花算法是一种基于群体智能的优化方法，模拟了烟花爆炸的过程，通过随机性和多样性来寻找问题的最优解。在FWA中，每个“烟花”代表一个解决方案，爆炸产生新的火花，然后根据适应度值选择优秀的火花进行下一次迭代。然而，原始的FWA在选择策略上可能会导致早熟收敛或局部最优的困扰。 在ISSFWA中，峰值火花是根据适应度值和相对位置选取的，确保了全局最优解和局部最优解在邻域内的保留，同时避免了选择相似搜索能力的火花，降低了对初始条件的依赖。另一方面，探索火花是基于最远距离选取的，它能有效地拓宽搜索范围，增强全局探索能力，从而提高算法跳出局部最优的能力。 通过10次标准测试函数和增加位置偏移的实验，ISSFWA在最优适应度值方面表现出优于粒子群优化（PSO）、遗传算法（GA）以及原版FWA的性能；在平均适应度值方面，ISSFWA优于PSO和FWA，但略逊于GA。这些实验结果证实了ISSFWA在寻找最优解、减少对初始条件敏感性以及提升搜索效率方面的改进效果。 此外，该研究还提到了其他与优化算法相关的文章，如考虑设施深度的过道布置问题的改进烟花算法、基于参数动态调整的多目标差分进化算法、采用高斯混沌变异和精英学习的自适应多目标粒子群算法、改进的全局粒子群优化算法以及基于种群特征反馈的布谷鸟搜索算法，这些都展示了在优化领域中，各种算法的不断改进和创新，以解决复杂问题的挑战。" 这个摘要介绍了群体智能优化方法中的一种重要改进，即改进选择策略的烟花算法，它通过独特的选择策略提升了算法的全局搜索能力和收敛性能，对于理解和应用这类优化算法具有很高的参考价值。