基于混沌和自适应搜索策略的GSO算法分析与优化

针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题，提出一种基于混沌和自适应搜索策略的萤火虫优化算法（CSAGSO）。利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解；运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力。采用动态步长的自适应搜索策略，并对寻优过程中静止不动的萤火虫个体位置进行更新，加快了算法前期收敛速度，减少了后期震荡现象发生。仿真实验结果表明，优化后的萤火虫算法参数较少并具有较好稳定性，同时在求解精度和收敛速度上都明显优于基本萤火虫群算法。     

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化（GSO）算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法（CSGSO）。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。     

自适应步长萤火虫优化算法

针对基本萤火虫算法优化多峰函数时求解精度不高和后期收敛较慢的问题,引入萤光因子以自适应调整萤火虫的步长,提出一种自适应步长萤火虫优化算法。通过8个标准测试函数测试,测试结果表明,改进后的自适应步长萤火虫算法比基本萤火虫算法具有较快的寻优速度和较高的寻优精度。     

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法（FA）收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法（UVFA）。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法（WSSFA）、可变步长萤火虫算法（VSSFA）和基于均匀局部搜索的萤火虫优化算法（UFA）,并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。     

基于改进萤火虫优化算法的多阈值彩色图像分割

为了提高彩色图像的分割效果,提出一种基于改进的萤火虫优化(IGSO)算法的彩色图像多阈值分割方法,该方法以Kapur熵为目标函数。针对基本萤火虫优化(GSO)算法进化后期收敛速度慢和求解精度低的问题,采用自适应步长和添加全局信息两种策略,提出了一种改进的萤火虫优化(IGSO)算法。IGSO算法根据步长和萤火虫的移动方向对萤火虫算法收敛性的影响,在萤火虫移动过程中引入全局信息,采用随着迭代次数和搜索空间维数自适应变化步长的策略,来提高收敛性能。实验结果表明,该方法能够较好地对彩色图像进行分割,其性能优于基本的萤火虫优化(GSO)算法、改进的量子行为粒子群优化算法(CQPSO)和改进的细菌觅食算法(MBF)。     

基于萤火虫算法的认知车载网络频谱分配

针对布谷鸟搜索算法在认知车载网中频谱分配收敛速度低的问题，提出了一种基于萤火虫算法的频谱分配方法。该方法考虑种群所获得的平均收益值，将频谱分配变量映射为萤火虫位置信息，并将车载网络的吞吐量转化为萤火虫的亮度值，采用萤火虫算法离散频谱分配变量并进行迭代寻优。数值结果表明，基于萤火虫算法的认知车载网络频谱分配方式的收敛速度快，且种群的平均收益值高于遗传算法和布谷鸟算法。     

改进蜉蝣算法求解认知车载网络频谱分配问题

针对传统认知车载网络频谱分配效率低、速度慢的问题,提出基于改进蜉蝣优化算法的频谱分配算法。以反向学习、动态惯性权重、多阶段动态扰动及正余弦优化交配机制提升标准蜉蝣优化算法的寻优性能;将频谱分配变量映射为蜉蝣个体位置信息,将网络吞吐量和接入公平性作为评估蜉蝣位置的适应度函数,利用改进蜉蝣算法搜索最优频谱分配方案。实验结果表明,改进算法的搜索精度和收敛速度都有所提升,能够更快得到频谱分配方案,车载用户收益和分配公平性方面也更有保障。     

基于改进萤火虫算法的多模函数优化

为了提高萤火虫算法GSO(Glowworm Swarm Optimization algorithm)多模函数优化性能,针对GSO峰值发现率低、收敛速度慢和求解精度不高的缺点,提出萤火虫个体可自适应搜索峰值且移动步长可变的改进萤火虫算法IGSO(Improved Glowworm Swarm Optimization algorithm)。IGSO引入尝试性移动策略以增强算法的搜索能力,同时,以邻域平均距离为参考,对个体移动步长进行调整。采用典型多模函数进行测试,实验结果表明,IGSO峰值发现率高,收敛速度快且求解精度高,比GSO具有更优的多模函数优化性能。     

增强寻优能力的自适应人工蜂群算法*

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题,提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化,并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为,从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

带交尾行为的混沌人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解全局优化问题存在易陷入局部极小值、收敛速度慢和求解精度不高等缺陷,首先对基本萤火虫优化算法采用混沌搜索技术进行初始化,使算法获得质量较高且分布较均匀的初始解,在此基础上再引入交尾行为,提出了一种带交尾行为的混沌萤火虫优化算法(MCGSO)。该算法在一定程度上防止了基本GSO算法易陷入局部最优,且能够获得精度更高的解甚至可达到理论最优解。最后,通过对8个标准测试函数进行测试,测试结果表明,带交尾行为的混沌萤火虫优化算法比基本萤火虫优化算法有更高的收敛速度和求解精度。