【正文】 id 函數(shù)中效果比較明顯，在相同的迭代次數(shù)下，目標(biāo)函數(shù)值精度大大提高。 SRFA 實(shí)驗(yàn)結(jié)果與 FA 算法相似，但由于對隨機(jī) 搜索范圍的限定，使得精度不高。本篇 畢業(yè)論文 的完成離不開你們認(rèn)真的指導(dǎo)與檢閱。 福建農(nóng)林大學(xué)本科畢業(yè)論文 12 參考文獻(xiàn) [1] 馬明惠，葉春明 .基于文化改進(jìn)的兵行粒子群算法 [J].計(jì)算機(jī)工程 ,2021,34(2):193195. [2] 彭喜元 ,彭宇 ,戴毓豐 .群智能理論及應(yīng)用 [J].電子學(xué)報(bào) .2021年 S1期 . [3] 李雪梅 ,張素琴 ,基于仿生理論的幾種優(yōu)化算法綜述 [J].計(jì)算機(jī)應(yīng)用研究 .2021年 06期 . [4] 螢火蟲算法百度詞條 .20210801. [5] 水文工具集 . [6] 隨機(jī)函數(shù)百度詞條 , 202101. [7] Metropolis [M],王強(qiáng) .北京 :清華大學(xué)出版社 ,. [8] . [9] 張波 ,陳睿君 ,路璐 ,粒子群算法在投資組合中的應(yīng)用 [J].系統(tǒng)工程 .2021年 08 期 . [10] Szymon Lukasik and Slawomir Zak. Firefly Algorithm for Continuous Constrained Optimization Tasks[A]., 2021,Lecture Noture in Artifical Intelligence[C].. [11] MingHuwi Horng,RenJean minimum cross entropy thteshold selection based on the firefly algorithm[J].Expert Ststems with Appplications,2021,38:1480514811. [12] MingHuwi quantization using the firefly algorithm fir image pression[J].Expert Systems with Applications,2021,10781091. [13] , mitment in deregulated power system using Lagrangian firefly algorithm[A]. IEEE Communication Control and Computing Technologies(ICCCCT),. [14] Yang XinShe. Firefly Algorithms for Multimodal Optimization[C].Proc of the 5th International Symposium on Stochastic Algorithms:Foundaations and Applications,. [15] 于飛 . 基于慣性權(quán)重的螢火蟲 優(yōu)化 算法 [J/OL].(202167)[202157]. 福建農(nóng)林大學(xué)本科畢業(yè)論文 13 致謝 本次畢業(yè) 論文 能順利完成，需要感謝我的指導(dǎo)老師林曉宇老師、我實(shí)習(xí)單位的同事朋友們、學(xué)校的同學(xué)朋友們以及這四年來所有教 導(dǎo)過我的老師們。 另外，在實(shí)驗(yàn)外還進(jìn)行了兩者的結(jié)合算法（ Normalization Preferred FireFly Algorithm，NPFA）， 確定螢火蟲搜尋半徑的（ Search Radius FireFly Algorithm， SRFA），基于慣性權(quán)重的（ Inertia Weight FireFly Algorithm， IWFA）， 基于對位置更新公式改進(jìn)的（ Location Update FireFly Algorithm， LUFA） 等 改進(jìn)算法 。在同一迭代次數(shù)下， 擇優(yōu)法 （ PFA）比傳統(tǒng)的螢火蟲算法 有著更高的精度 ，并且存在明顯的目標(biāo)值數(shù)量級關(guān)系。認(rèn)為改進(jìn) 只是粗略變形， 沒有達(dá)到預(yù)期的效果。 由圖表可知，上述實(shí)驗(yàn) 中擇優(yōu)法 （ PFA）在 Rastrigin 函數(shù)中效果不明顯，在相同的迭代次數(shù)下，目標(biāo)函數(shù)值屬于同一數(shù)量級， 收斂度與精度沒有明顯的提高。 對于螢火蟲吸引度過小的歸一化處理：在傳統(tǒng)螢火蟲算法的流程中的第 2 步 “ 計(jì)算螢火蟲吸引度 ” ，改進(jìn)吸引度中由于前期螢火蟲距離過大，導(dǎo)致吸引度趨于 0 的問題 。每一種改進(jìn)算法都是基于傳統(tǒng)的螢火蟲算法原理，配合實(shí)際過程中變量因子的合理改進(jìn)。 比較各個(gè)點(diǎn)之間的目標(biāo)值優(yōu)劣，明確劣勢點(diǎn)向優(yōu)勢點(diǎn)移動。 因?yàn)楸菊撐氖菧y試尋找最小值的 函數(shù)效率，所以函數(shù)目標(biāo)值越小的吸引度就越大，目標(biāo)值比較大的向目標(biāo)值比較小的方向吸引。 傳統(tǒng)的螢火蟲算法 利用其生物特性， 通過互相吸引、尋路，對每一個(gè)隨機(jī)分布進(jìn)行比較，達(dá)到尋找其最優(yōu)解得結(jié)果。反之，若目標(biāo)值屬于 同一數(shù)量級，則實(shí)驗(yàn) 驗(yàn)證 失敗，改進(jìn)算法對實(shí)際應(yīng)用不起影響。但這些方法在實(shí)際應(yīng)用中存在一定缺陷 ， 如精度不高 ， 時(shí)間耗費(fèi)多等等 ， 于是尋找更有效的算法仍是研究者們追求的目標(biāo) [1]。改進(jìn)其算法必須 分析 它的 仿生原理 ， 從數(shù)學(xué)角度對算法 進(jìn)行合理 優(yōu)化 與 過程 的 定義。 function optimization。根據(jù)這種 生物習(xí)性， 而 設(shè)計(jì)出的一種仿生算法，該算法在求解多極值函數(shù)優(yōu)化問題方面取得很好的效果。蟻群算法是對螞蟻群落食物采集過程的模擬， 已經(jīng) 成功應(yīng)用于許多離散優(yōu)化問題。并且根據(jù)不同的閃光進(jìn)行求偶、警戒，捕食等行為。 通過 在螢火蟲算法 反復(fù) 的 隨機(jī)實(shí)驗(yàn)，在 這種多次 隨機(jī)點(diǎn) 移動 的 過程 中 ，亮度與吸引度反復(fù)更新 ， 隨機(jī)分布的點(diǎn)也逐漸向某一最值點(diǎn)靠近，在一定的迭代次數(shù)下， 排除移動過程中的 位置比較劣勢的 點(diǎn) ， 優(yōu)化結(jié)果的取值， 從而 達(dá)到 尋求最優(yōu)位置 點(diǎn) 的效果，同時(shí)也比較了多種算法在相同的迭代次數(shù)下地優(yōu)劣 效率 。二維函數(shù)更新后的位置表達(dá)式為 x[j] * (1 beta) + x[i] * beta + alpha * (() )，其中 alpha * (() )為 隨機(jī) 干擾項(xiàng)，避免過早陷入局部最優(yōu)。 對螢火蟲位置更新公式的的條件判定： 在傳統(tǒng)螢火蟲算法的流程中的第 4 步“更新移動后的位置，并增加干擾項(xiàng)”， 加強(qiáng)了對傳統(tǒng)螢火蟲算法中的位置點(diǎn)更新 后目標(biāo)值 的 改進(jìn)。 仿真用的函數(shù) 福建農(nóng)林大學(xué)本科畢業(yè)論文 5 測試函數(shù)為： Rastrigin 測試函數(shù) Min F1(x) = ],[,]10)2c os (10[12 ???