求解0-1背包问题的烟花算法

为了克服现有方法在求解0-1背包问题时存在的缺陷,提出了一种改进的烟花算法.在给出0-1背包问题的数学模型后,利用Kent混沌映射对基本烟花算法的解初始化以使初始位置分布更加均匀,同时引入Sigmoid函数得到渐变的爆炸半径使得算法的求解精度与搜索速度达到某种平衡,用改进的烟花算法来对其进行求解.通过对典型测试函数和0-1背包问题的求解结果说明了所提出的改进烟花算法求解精度更高,性能更加稳定.     

基于Lévy flight的自适应动态增强烟花算法

为综合解决传统烟花算法爆炸半径可能为零导致资源浪费以及增强烟花算法引入的最小爆炸半径检测机制导致局部搜索能力较弱的问题,针对增强烟花算法提出了两种改进策略：引入自适应动态半径调整策略改进爆炸半径,根据不同阶段的启发式信息,即当前最优烟花距离其他烟花位置的信息,动态调整爆炸半径的大小,来平衡全局和局部搜索能力,该策略可以使算法后期爆炸半径缩小到较小值进行细致的局部搜索;引入具有较强随机性的莱维飞行策略改进爆炸产生火花位置的方式,增强局部搜索的多样性。采用12个标准测试函数及其偏移函数进行实验,相比增强烟花算法,改进后的算法提高了标准函数及其偏移函数的寻优精度,在高维复杂的优化问题上具有较好的收敛能力。     

烟花算法中爆炸半径的改进研究

烟花算法是最近出现的一种优化算法,分析了算法中一个关键参数即爆炸半径。分析表明,由最优烟花所产生的火花由于其爆炸半径趋于0,所以在计算中几乎是无用的,而且增加了计算代价。为此,给出了一个改进的爆炸半径的算法,实验表明,改进算法在收敛速度和精度方面都优于原始算法。     

基于烟花算法的非合作博弈Nash均衡问题求解

提出一种求解N人有限非合作博弈Nash均衡的群体智能算法—烟花算法(FWA)。烟花爆炸后产生爆炸火花和高斯变异火花,根据火花的适应度值的好坏产生下一代烟花,适应度值较好的火花在较小范围内产生较多的爆炸火花,反之,适应度值较差的火花在较大范围内产生较少的爆炸火花。通过高斯变异火花增加种群的多样性,这种爆炸搜索机制对较好火花附近的区域搜索更加彻底并且避免过早陷入局部寻优。实验结果表明,烟花算法在求解N人有限非合作博弈Nash均衡问题上优于免疫粒子群算法。     

混合储能微电网并网调度多目标灰熵烟花算法

针对混合储能微电网调度优化问题,建立并网状态下经济收益、污染处理费用的混合储能微电网多目标优化模型.以基本烟花算法为框架,结合灰熵并行分析理论,提出一种多目标灰熵烟花算法.所提算法通过分配给模型的两个目标不同的熵值权重,有效处理不同目标间的冲突性.以灰熵并行关联度作为烟花算法的适应度选择优秀烟花个体,引导其向更优区域进化搜索.仿真结果表明,所提多目标灰熵烟花算法的性能要优于基于随机权重和基于Pareto支配的烟花算法,且优于经典的NSGA-Ⅱ多目标算法,验证了所建多目标模型及所提多目标算法的有效性.     

一种带反向学习机制的自适应烟花爆炸算法

针对烟花爆炸算法全局优化能力不足、容易早熟收敛的缺陷,将反向学习机制引入其中,通过产生反向种群拓展算法的勘探范围;另外,基于种群内个体适应值的差异,提出一种自适应调整烟花弹爆炸半径的计算方法。以上策略有机结合形成了一种带反向学习机制的自适应烟花爆炸算法。将新算法与另4种代表性群智能优化算法一同在12个经典测试函数上进行对比实验,结果表明新算法具有显著的性能优势。     

带有动态爆炸半径的增强型烟花算法

为了解决烟花算法（FWA）在求解过程中对最优点不在原点或原点附近的目标函数寻优能力差的缺点,提出带有动态爆炸半径的增强型烟花算法（EFWA-DER）。通过改进算法的基本算子并加入爆炸半径动态调整的策略,以提高算法的优化性能。9个标准测试函数和4个偏移测试函数的实验结果表明,EFWA-DER比FWA和标准粒子群优化（SPSO2011）有更好的寻优性能。     

进化信息引导的烟花差分混合多目标算法

烟花算法是一种有效启发式群智能算法,但基本的烟花算法只能解决单目标问题,个体间缺乏信息交流,进化过程中有用信息没有得到充分利用。为提高烟花算法的综合性能,并使其能够应用在多目标优化问题(multi-objective optimization problems,MOPs)上,提出一种基于粒子进化信息引导的自适应多目标烟花差分混合进化算法(multi-objective hybrid optimization algorithm of fireworks and differential guided by evolutioninformation,MOHFWDE)。利用Pareto前沿个体的进化信息引导种群进化,加快算法收敛速度;在烟花算法中引入差分算法的变异算子、交叉算子替换原有高斯变异算子,增强个体间的信息交流。与其他算法进行对比仿真实验,结果表明MOHFWDE具有良好的收敛性、分布性和逼近性。     

面向交通出行服务的多目标优化选择方法

随着交通信息化和服务多元化的发展，选择满足约束条件下的交通出行服务是一个难题。针对服务的多目标选择问题，给出基于改进多目标算法的服务优化选择方法。该方法对交通出行服务中的服务质量和事务属性进行分析，将烟花爆炸算法、启发式的差分进化算法相结合。该多目标优化算法通过烟花爆炸与变异算子实现了局部搜索，同时利用启发式的差分进化算法保证了种群多样性，淘汰了劣质个体。实验结果表明：该方法针对交通出行服务组合的多个参数进行优化，求得满足服务质量和事务约束的最优解，保证了服务选择的质量。     

烟花算法求解JSP问题的研究

烟花算法是一种新型智能优化算法,该算法模拟烟花在空中爆炸产生火花这一过程。烟花算法的求解过程包含两种机制：产生爆炸火花,从而实现算法的局部和全局寻优过程;产生高斯变异火花,从而增加种群的多样性以便将优良个体遗传到下一代。通过设计四个参数实验,分析了主要参数对算法求解能力的影响,找出求解作业车间调度问题的较优参数。最后通过对作业车间调度的标准问题进行仿真对比实验,证明了烟花算法求解作业车间调度问题的有效性和稳定性。     

基于差分变异算子的烟花算法

烟花算法是受到烟花爆炸的启发而提出的群智能算法。在分析高斯变异算子不足的基础上,提出了一种基于差分变异算子的烟花算法（DEFWA）,并对最优烟花采用动态火花爆炸策略。在测试函数集上的实验表明,DEFWA算法在求解精度和收敛速度上优于多种改进型烟花算法。     

烟花爆炸优化算法

本文受烟花爆炸现象启发,提出一种新的并行弥漫式搜索的优化算法(FEO),为解决优化问题提供了一种新的基础算法。该算法在搜索空间中生成一定数目的烟花弹,对每个烟花弹执行爆炸操作,使得爆炸产生的大量火星形成在原烟花弹(炸点)的一定邻域范围内,并采用局部保优的策略逐代控制进行爆炸的烟花弹数。同时,通过调整烟花弹爆炸的最大半径,可以均衡算法的全局探索和局部搜索能力。为了研究FEO算法的性能,文中对一些标准的测试函数进行了验证。大量的实验结果表明,FEO算法具有快速的收敛过程和高精度的寻优能力,并且稳定性好,过程简单,易于实现。     

改进的烟火爆炸优化算法及其收敛性分析

本文在分析了烟花爆炸优化算法(FEO)的优越性与不足的基础上,借鉴了PSO算法中交流算子的思想,提出了改进的烟花爆炸优化算法(FEO)算法。算法详细论述了交流算子的构造方法,给出了算法的具体操作流程,并重点证明了改进的烟花爆炸优化算法能以概率1收敛到全局最优解。最后,对3个标准测试函数进行仿真实验,并同其他智能优化算法进行比较,比较发现改进的烟花爆炸优化算法(FEO)算法取得了非常好的结果,具有明显的优势。     

自适应爆炸半径的改进烟花算法

为充分利用被丢弃的爆炸火花个体的信息,对烟花算法进行优化,提出具有自适应爆炸半径特性的改进烟花算法。利用全局最优烟花个体gBest以及每个烟花所产生的最优爆炸火花个体的集合sparkpBest来构造新的爆炸半径,使其能够自适应地调整步长;在寻优过程中,对gBest进行高斯扰动来增加种群的多样性,避免烟花种群过快陷入局部最优。与其它群智能算法(粒子群算法PSO、带有高斯扰动的粒子群算法GPSO、蝙蝠算法BA、烟花算法FWA、自适应烟花算法AFWA以及增强烟花算法EFWA)对比,通过仿真可知,提出的改进烟花算法总体性能优于其它6种对比算法。     

基于烟花爆炸优化算法的测试数据生成方法

针对面向路径覆盖的测试数据生成问题,提出基于烟花爆炸优化算法的测试数据生成方法。首先使用关键点路径表示法表示路径,由理论路径、易覆盖路径和不可行路径得出难覆盖路径,并记录难覆盖路径邻近的易覆盖路径及其测试数据。这些测试数据将作为部分初始烟花以利用其提供的启发信息,其余初始烟花则随机生成。接着根据个体的适应度值设计自适应策略的爆炸半径以提高收敛速度,对爆炸产生的越界火花则使用边界值测试的思想进行修正。与加了启发信息的自适应爆炸半径的烟花算法（NFEO算法）、烟花爆炸优化（FEO）算法、F-method、NF-method等七种基于优化的测试数据生成算法进行了仿真对比实验,实验结果表明：所提算法在测试数据生成时间和迭代次数上都最优。     

一种基于改进烟花算法的MBD产品信息轻量化方法

MBD产品信息轻量化要求满足在保留产品语义信息的前提下实现几何信息轻量化.传统的产品信息轻量化方法实现CAD模型简化的同时无法保留产品的非几何语义信息,难以满足M BD产品信息轻量化要求.本文以STEP AP242为研究对象,提出了一种基于改进烟花算法的MBD产品信息轻量化方法.首先针对STEP AP242构建统一的产品语义模型,实现了非几何信息与几何信息的统一表达,并进行关键特征语义的简化分配;然后在构建的产品语义模型基础上引入了改进的烟花算法对几何信息进行轻量化,通过对爆炸半径的优化和动态更新种群进化维数,对简化模型的关键特征精度可控,提高了简化后模型的质量,降低了算法的时间开销;最后实例分析验证有效性和可行性.     

锦标赛精英学习与协方差变异的烟花算法

针对传统烟花算法收敛精度低,收敛速度慢,容易陷入局部最优等问题,提出一种基于锦标赛精英学习与协方差变异的烟花算法（GLFWA-CM）。该算法在爆炸算子过程中利用核心烟花更新信息确定核心烟花在每一维上的爆炸半径,并引导核心烟花在更新方向上产生更多的爆炸火花,提高了核心烟花的搜索能力;在变异算子中用协方差变异代替原来的高斯变异,充分利用爆炸火花的信息,有效平衡了算法的局部搜索和全局搜索能力;在烟花选择过程中提出了一种基于锦标赛的精英学习策略,有效加快了算法收敛速度。在CEC2015测试函数上做仿真实验,结果表明,与多种经典烟花算法相比,该算法在收敛性和稳定性上都具有较好表现。     

An improved fireworks algorithm for the capacitated vehicle routing problem

The capacitated vehicle routing problem (CVRP), which aims at minimizing travel costs, is a wellknown NP-hard combinatorial optimization. Owing to its hardness, many heuristic search algorithms have been proposed to tackle this problem. This paper explores a recently proposed heuristic algorithm named the fireworks algorithm (FWA), which is a swarm intelligence algorithm. We adopt FWA for the combinatorial CVRP problem with several modifications of the original FWA: it employs a new method to generate "sparks" according to the selection rule, and it uses a new method to determine the explosion amplitude for each firework. The proposed algorithm is compared with several heuristic search methods on some classical benchmark CVRP instances. The experimental results show a promising performance of the proposed method. We also discuss the strengths and weaknesses of our algorithm in contrast to traditional algorithms.