增强烟花互动的Fireworks算法优化研究

"本文主要探讨了增强烟花互动功能的Fireworks算法，旨在通过改进火工作用方式来提升优化性能。作者 Bei Zhang, Yu-Jun Zheng, Min-Xia Zhang 和 Sheng-Yong Chen 提出了一种新的高斯变异操作、规则爆炸操作与BBO迁移操作的集成以及一种新的种群选择策略，这三种策略的结合显著增强了火工作用的互动性，从而提高了解决方案的多样性和防止过早收敛。实验结果在CEC2015单目标优化测试问题上验证了该算法的有效性，并在高速列车调度问题上展示了其实用价值。" 详细解释： 火花算法（Fireworks Algorithm, FWA）是一种基于群体智能的新型元启发式算法，它在多种优化问题中表现出良好的性能。然而，为了进一步提高其解决复杂优化问题的能力，本研究关注于如何增强火工作用（即火花之间的互动）。 1) **新高斯变异操作**：传统的FWA中，火花通过随机变异生成新的解。新提出的高斯变异操作引入了学习机制，使得火花能够从更多的优秀解（exemplars）中学习，从而增加了搜索空间的探索效率，有助于发现更优解。 2) **规则爆炸与BBO迁移操作的集成**：规则爆炸操作是FWA的核心部分，用于生成新的火花。结合BBO（生物地理学优化）的迁移操作，可以增加信息共享，使得不同区域的优秀解有更多的机会传播到整个种群，进而提高全局优化能力。 3) **新的种群选择策略**：为确保高质量解有更高的概率进入下一代，而不增加计算成本，研究者设计了一种新的选择策略。这种策略允许优秀的解在种群中保持活力，避免了过早收敛，有利于维持种群的多样性。 通过对CEC2015单目标优化测试问题的数值实验，研究人员证明了这些改进策略的有效性，表明提出的增强火工作用的FWA在解决复杂优化问题时具有显著优势。此外，通过高速列车调度问题的应用，验证了该算法在实际问题中的实用性，展示了其在工程应用中的潜力。 这项研究通过创新性地增强火工作用的互动，提升了FWA的优化能力和适应性，对于解决复杂优化问题具有重要的理论和实践意义。