![](https://csdnimg.cn/release/download_crawler_static/88706296/bg4.jpg)
J. Nayak
等人
/
工程科学与技术,国际期刊
19
(
2016
)
197
FIREFLY算法
步骤1:随机生成萤火虫的初始种群X
X ={w
1
,
w
2
,
步骤
2
:通过使用目标函数
f
(
w
i
)计算每个萤火虫的亮度,
B = {
B1
,
B2
步骤
3
:设置光吸收系数
λ
。第
4
步:
While
(
max
迭代
)
对于i=1到n
对于j=1到i
如果(
I
j
> I
i
)
使用eq将萤火虫i移动到萤火虫j。(6).
End if
吸引力随距离r变化,公式为:
评估新的萤火虫和更新亮度使用方程。(三)、
End for结
束
t = t+1
结束,同时
第五步:根据萤火虫的适应度对它们进行排名,并找到最好的一
个。步骤6:如果达到停止标准,则转到步骤7。
否则转到步骤4。
步骤7:停止。
2.3.
遗传算法
遗传算法是由密歇根大学的
John Holland[71]
和
Goldberg[72]
引
入的进化和随机搜索技术。与梯度搜索方法相比,遗传算法在局
部最优处表现良好,并且在局部最小值位置捕获的机会较小。基
本上,
GA
是基于达尔文根据染色体群体的随机选择,
GA
总是允许
最合适的染色体在群体中的一些连续世代中存活。染色体也可以
选自已知样品。染色体将通过三个基本步骤如选择、交叉和突变
进行迭代循环。每个染色体都代表了问题的一个单一的可想象的
解决方案
[74]
,并将竞争资源和配偶。最强的成功染色体将能够
产生更多的后代比弱性能染色体
.
表现良好的染色体将在整个群体
中传播基因,对于两个好的亲本染色体,将产生比它们自己更好
的后代,并且下一代将更好地适应环境。
2.4.
粒子群优化算法
Kennedy
和
Eberhart[75]
开发了基于鸟类行为的它是一种流行的
PSO
主要基于动态稳定性理论
[76]
,由于其快速收敛特性,具有处
理大型多维问题的能力粒子群优化算法的参数调整次数少,计算
复杂度低,在搜索空间内搜索最优解。
PSO
的发展原理是假设一个
没有质量或体积的位置,像鸟一样在多维空间中飞行,不仅调整
自己的位置,而且根据自己的早期经验和邻居的经验交换关于搜
索空间中当前位置的信息
[77]
。鸟类、昆虫和鱼类等的出现表明
了它们之间不冲突的性质的一个独特标志,当它们通过调整它们
的位置和速度来成群旅行以获得食物或住所时。在这种机制中,
群的成员交流他们的信息,并根据群当前运动中出现的最佳位置
使用他们的组信息修改他们的位置和速度
[79]
。的
遗传算法伪码
1.
随机生成染色体种群
2.
计算每个染色体的适应度。
3.
选择足够数量的染色体进行繁殖。
4.
执行交叉染色体的繁殖。
5.
如果达到最大迭代或其他指定的停止标准,则转到步骤6。
否则转到步骤2。
6.Stop.