一种新的改进的混合蛙跳算法

针对混合蛙跳算法在优化过程中受初始值影响较大且容易陷入局部最优的缺陷,提出了一个改进的混合蛙跳算法,该算法利用基于对立学习的策略产生初始种群,提高了产生解的质量;在进化过程中,将差分进化有机地嵌入其中,维持了种群的多样性。数值结果表明,改进的混合蛙跳算法对复杂函数优化问题具有较强的求解能力。     

一种基于改进混合蛙跳的KFCM算法

针对核模糊C-均值（KFCM）聚类算法存在易陷入局部极小值,对初始值敏感的缺点。将混合蛙跳算法（shuffled frog leaping algorithm,SFLA）用于KFCM中,但在聚类数较大和维数较高时,聚类效果不理想,为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中,再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心,利用KFCM算法优化初始聚类中心,求得全局最优解,从而有效克服了KFCM算法的缺点。人造数据和经典数据集的实验结果表明,新算法与KFCM和FCM聚类算法相比,寻优能力更强,迭代次数更少,聚类效果更好。     

基于改进蛙跳策略的Map-Reduce作业调度算法

为提高智能算法在Map-Reduce作业调度问题中的求解效率, 提出一种基于改进蛙跳策略的调度算法。针对蛙跳策略在Map-Reduce作业调度中的应用, 算法具体设计了编码方案和进化算子; 同时, 为提高算法收敛性能, 对蛙跳策略进行改进：结合种群多样性指标增加逆转变异操作。仿真实验结果表明, 提出的改进蛙跳策略在Map-Reduce作业调度问题求解中, 收敛性能、作业总完成时间和平均完成时间三个方面均优于基本蛙跳策略和已有的智能调度算法, 是一种实用的Map-Reduce作业调度方案。     

An enhanced cost-aware mapping algorithm based on improved shuffled frog leaping in network on chips

The Journal of Supercomputing - Network on chip (NoC) has been of great interest in recent years. However, according to the recent studies, high communication cost has been raised as the one most...     

基于蛙跳算法的无线传感器网络节点定位

为减小测距误差对无线传感器网络定位精度的影响,将蛙跳算法应用到距离式定位算法的位置计算阶段中,提出了蛙跳定位算法。该算法在适应度函数设计中,根据节点间的测距信息对锚节点进行了加权处理,以降低测距误差对定位结果的影响。结合最小最大法构造初始种群,使其包含更多可行解,从而提高算法效率。仿真结果表明,与采用极大似然估计法或总体最小二乘法来进行位置计算的距离式定位算法相比,该算法有效降低了距离误差对定位精度的影响,具有较高的定位精确度和稳定性,是一种实用的无线传感器网络节点定位方法。     

基于改进混合蛙跳算法的移动机器人路径规划

针对混合蛙跳算法(SFLA)进行路径规划时易陷入局部最优且寻优效果较差的问题,提出一种改进的SFLA。改进算法在原算法的更新策略中引入欧氏距离和种群最优蛙,并提出一种带可调控制参数的产生新个体的方法代替原本的随机更新操作。把路径规划问题转换为最小化问题,基于环境中目标和障碍物的位置定义青蛙的适应度,机器人依次到达每次迭代中最好蛙的位置,从而实现最优路径规划。移动机器人仿真实验中,与其他算法相比,改进后的算法成功次数由82提高到98,规划时间由9.7s减少到5.3s。实验结果表明,改进算法具有较强的安全性和寻优性能。     

A discrete shuffled frog optimization algorithm

The shuffled frog leaping (SFL) optimization algorithm has been successful in solving a wide range of real-valued optimization problems. In this paper we present a discrete version of this algorithm and compare its performance with a SFL algorithm, a binary genetic algorithm (BGA), and a discrete particle swarm optimization (DPSO) algorithm on seven low dimensional and five high dimensional benchmark problems. The obtained results demonstrate that our proposed algorithm, i.e. the DSFL, outperforms the BGA and the DPSO in terms of both success rate and speed. On low dimensional functions and for large values of tolerance the DSFL is slower than the SFL, but their success rates are equal. Part of this slowness could be attributed to the extra bits used for data coding. By increasing number of variables and the required precision of answer, the DSFL performs very well in terms of both speed and success rate. For high dimensional problems, for intrinsically discrete problems, also when the required precision of answer is high, the DSFL is the most efficient method.     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

基于伪差分扰动的混合蛙跳算法研究

为了充分发掘混合蛙跳算法求解复杂优化问题的能力,提出了一种新颖的改进混合蛙跳算法.改进算法借鉴粒子群优化算法的速度更新方式,通过族群中随机个体、最优个体和最差个体间的位置关系来确定最差个体的更新步长;借鉴差分进化思想,通过伪差分变异产生虚拟个体来更新最差个体,以提高种群开拓能力.通过对四个典型测试函数的仿真实验表明,相比其他几种改进算法,改进算法以100％的概率找到了某些函数的理论最优值,寻优效果更好,收敛成功率更高.     

基于混洗蛙跳和粒子群优化算法的块自增纹理合成

针对基于样图的纹理合成技术,提出了一种基于混洗蛙跳和粒子群优化算法的块自增纹理合成方法。该方法在纹理合成过程中,通过选取尺寸按2的倍数不断增大的纹理块来提高纹理合成的速度,将混洗蛙跳算法和粒子群算法相结合,作为纹理块匹配的寻优策略,以提高纹理块的查找速度和全局搜索性能。实验结果表明,该方法在保证纹理合成质量的前提下,能够显著地提高基于样图的纹理合成速度,并能克服粒子群算法易陷入局部最优解的缺陷。     

一种基于改进混合蛙跳的聚类算法

聚类分析是一种无监督的模式识别方式,它是数据挖掘中的重要技术之一。给出了一种基于改进混合蛙跳算法的聚类分析方法,该方法结合了K—均值算法和改进混合蛙跳算法各自的优点,引入了K—均值操作,再用改进混合蛙跳算法进行优化,很大程度上提高了该算法的局部搜索能力和收敛速度。通过仿真对基于改进混合蛙跳的聚类方法与其他已有的聚类方法进行了比较,验证了所提出算法的优越性。     

基于蛙跳算法的DV-Hop定位改进

为减小DV-Hop算法在无线传感器网络节点定位中的误差,针对DV-Hop中平均每跳距离的计算方式进行了改进,利用蛙跳算法来求解平均每跳距离,使其更接近实际值,从而提高最终定位结果的精确度。仿真结果表明,改进DV-Hop算法在不增加硬件开销的基础上,能有效提高定位精确度,降低定位误差,具有较好的稳定性,是一种实用的无线传感器网络节点定位方案。     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。     

改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。     

混合蛙跳算法应用研究

混合蛙跳算法（SFLA）是一种模拟青蛙觅食行为的智能优化算法.算法具有设置参数少、简单易于理解、鲁棒性强等特点.由于该算法提出的时间不长,目前对此算法的研究成果并不多,该算法在理论和实践上还不够成熟,如该算法的鲁棒性、收敛性、稳定性等数学理论还未给出完整的数学证明,算法的适用范围目前还仅限于函数优化、组合优化、单目标优化、多目标优化等方面.本文重点分析研究了该算法的基本原理、应用前景、国内外的研究现状和主要研究内容,以及目前该算法研究过程中出现的问题.     

基于改进蛙跳算法的图像对比度增强方法

为改善图像对比度,提出了一种基于改进蛙跳算法的图像对比度增强新方法。该方法利用分段线性变换增强图像的原理,对蛙跳算法进行深入分析并进行改进后,将改进蛙跳算法与二维Otsu法相结合,利用蛙群的并行搜索机制自动选取图像的双阈值,然后再以图像的对比度作为改进蛙跳算法的适应度函数,自适应地搜索分段线性变换的斜率,并以之增强图像。实验结果表明,该方法有效改善原图像的对比度,且优于直方图均衡化法及基于基本蛙跳算法和人工鱼群算法的增强方法。     

一种改进的混合蛙跳和K均值结合的聚类算法

传统K均值聚类(KMC)算法过分依赖初始值的设置,容易陷入局部最优;混合蛙跳算法(SFLA)存在收敛速度和搜索速度较慢、局部和全局信息交流不全面等缺点。针对以上缺点,首先提出一种改进的混合蛙跳算法(MSFLA)。该算法根据粒子群优化和差分进化思想,在青蛙个体变异时,引入上一次移动距离的权重惯性系数和缩放因子,从种群中的最优位置和历史最优位置之间的随机点出发,以子群内的青蛙的平均值和最差位置差值为步长进行青蛙个体的更新操作。再将MSFLA与KMC算法结合提出MSFLA-KMC算法,有效地克服了KMC算法过分依赖初始值设置问题,同时降低了KMC算法陷入局部最优的可能性。实验结果表明,MSFLA具有较强的寻优能力,MSFLA-KMC算法则具有更好的聚类性能。     

基于选择和变异机制的蛙跳FCM算法

为了改进模糊C-均值(FCM)聚类算法对初始值和噪声数据敏感,且易陷入局部极小值的缺点,提出一种基于选择和变异机制的蛙跳FCM算法(SMSFLA-FCM)。该算法首先将线性递减的惯性权重引入蛙跳算法的更新策略中,按照一定的概率选择适应度值较优的青蛙代替较差青蛙,并对每只青蛙个体以不同的概率变异;再用改进后的蛙跳算法求得最优解作为FCM算法的初始聚类中心;然后利用FCM优化初始聚类中心;最后求得全局最优解,从而有效克服了FCM算法的缺点。人造数据和经典数据集的实验结果表明,SMSFLA-FCM与SF-LA-FCM和FCM聚类算法相比,提高了算法的寻优能力,且迭代次数更少,聚类效果更好。     

云计算环境中基于混合蛙跳算法的资源调度

提出云计算环境中基于改进混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）的保证QoS（Quality of Service）资源调度方案。根据任务和资源的特点提出SFLA两种编码结构及其对应更新方程;对调度方案的QoS给出定义;提出根据QoS值进行个体优劣选择的改进SFLA;在CloudSim平台对算法进行了仿真实验。实验结果证明所提出的计算方案有效。