arXiv 1602.078842016-02-25cs.NE

求解非连续变量优化问题的萤火虫算法综述与分析

Firefly Algorithm for optimization problems with non-continuous variables: A Review and Analysis

Surafel Luleseged Tilahun, Jean Medard T Ngnotchouye

摘要：

萤火虫算法是一种基于群的启发式算法，灵感来自萤火虫的闪烁行为。该算法是一种有效且易于实现的算法。它已经在不同学科的不同问题上进行了测试，并发现是有效的。尽管该算法是针对连续变量的优化问题提出的，但它已被修改并用于非连续变量的问题，包括二进制和整数值问题。在本文中，将讨论萤火虫算法的非连续变量问题的修改的详细审查。的优点和缺点的修改以及可能的未来工作将被提出。

英文摘要：

Firefly algorithm is a swarm based metaheuristic algorithm inspired by the flashing behavior of fireflies. It is an effective and an easy to implement algorithm. It has been tested on different problems from different disciplines and found to be effective. Even though the algorithm is proposed for optimization problems with continuous variables, it has been modified and used for problems with non-continuous variables, including binary and integer valued problems. In this paper a detailed review of this modifications of firefly algorithm for problems with non-continuous variables will be discussed. The strength and weakness of the modifications along with possible future works will be presented.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

萤火虫算法综述

A comprehensive review of firefly algorithms

萤火虫算法已经成为群体智能中一个越来越重要的工具，几乎已经应用于所有的优化领域，以及工程实践中。萤火虫算法及其变体已经成功地解决了来自各个领域的许多问题。为了使用该算法来解决不同的问题，需要对原萤火虫算法进行修改或杂交。本文对群体智能这门活的、不断发展的学科进行了全面的回顾，以表明萤火虫算法可以应用于实际中出现的每一个问题。另一方面，它鼓励新的研究人员和算法开发人员使用这种简单但非常有效的算法来解决问题。它通常保证所获得的结果将符合预期。

2013-12-23cs.NE

人工蜂群与萤火虫算法求解连续优化问题的效率比较

Evaluation the efficiency of artificial bee colony and the firefly algorithm in solving the continuous optimization problem

Islamic Azad University（伊斯兰阿扎德大学）

目前，元启发式算法在求解连续优化问题中得到了广泛应用。本文对人工蜂群算法和萤火虫算法进行了评价。为了进一步分析算法的有效性，并对解集有限且最优点接近的连续优化问题进行了测试。因此，本文给出了ABC算法和FA算法求解连续优化问题的效率，并从求解最优解的精度、求解时间和最优解的可靠性等方面对ABC算法和FA算法进行了研究。

2013-09-16cs.AIcs.NE

一种基于混合距离建模的混合变量优化萤火虫算法

A Firefly Algorithm for Mixed-Variable Optimization Based on Hybrid Distance Modeling

Univ. Lille, CNRS, Inria, Centrale Lille, UMR 9189 CRIStAL（里尔大学，法国国家科学研究中心，法国国家信息与自动化研究所，中央里尔高等电力工程学院，UMR 9189 CRIStAL）；Univ. Lille, Inserm, CHU Lille, U1286 – INFINITE（里尔大学，法国国家健康与医学研究院，里尔大学医院，U1286 – INFINITE）；Institut Universitaire de France (IUF)（法国大学研究院）

本文提出一种混合变量优化萤火虫算法，通过改进的距离吸引机制整合连续和离散变量，有效处理异构搜索空间，实验显示其在混合变量优化中表现优异。

2026-04-04cs.AIcs.LGcs.NE

回溯搜索优化算法最新进展的操作框架：系统综述和性能评估

Operational Framework for Recent Advances in Backtracking Search Optimisation Algorithm: A Systematic Review and Performance Evaluation

在以前的研究中进行的实验证明了BSA的成功性能和它对几种类型的优化问题的不敏感性。BSA的成功促使研究人员致力于扩展它，例如，开发其改进版本或将其用于不同的应用程序和问题域。然而，BSA缺乏文献综述，因此，系统地回顾上述修改和应用将有助于该算法的进一步发展。本文对BSA的相关研究和最新进展进行了系统的综述和荟萃分析。因此，这项工作的目标是双重的：（一）首先，提出了两个框架来描述BSA的主要扩展和用途。第一个框架是一个通用的框架来描述BSA的主要扩展，而第二个是一个操作框架来呈现BSA的扩展程序，以指导正在努力改进它的研究人员。（ii）其次，在这项研究中进行的实验公平地比较了BSA与其他四个竞争算法的分析性能：差分进化（DE）、粒子群优化（PSO）、人工蜂群（ABC）和萤火虫（FF）对具有不同初始控制参数（如问题维度和搜索空间）的基准函数的16个不同硬度分数进行优化。实验结果表明，BSA是统计优于上述算法在解决不同的群体的数值优化问题，如问题的硬度分数，问题的尺寸，和搜索空间的不同水平。

2019-12-02cs.NE

优化与大数据：一项调查

Optimization meets Big Data: A survey

本文回顾了大数据优化的最新进展，提供了这一新兴领域的最新进展。本文的主要重点是在大数据分析环境中应用的优化技术。回顾和讨论了非线性规划、坐标下降法、交替方向乘子法、模拟优化和元算法，如进化和遗传算法、粒子群优化、差分进化、烟花、蝙蝠、萤火虫和布谷鸟搜索算法的实现。讨论了大数据优化与信息工作流风格、软件架构和软件框架等软件工程主题之间的关系。重点介绍了在大数据优化环境中使用的平台的比较分析，以提供最先进的可能架构和拓扑。

2021-02-03cs.DBcs.NEcs.SE

迭代算法及其在工程中的应用

A survey on dragonfly algorithm and its applications in engineering

该算法于2016年开发。它是研究人员用来优化各种领域中广泛的一系列用途和应用的算法之一。有时，与最知名的优化技术相比，它提供了更优越的性能。然而，这种算法面临着一些困难时，它被用来提高复杂的优化问题。该工作解决了该方法解决现实世界的优化问题的鲁棒性，以及其改善复杂优化问题的不足之处。本文综述了工程领域中的迭代算法的全面研究。首先，概述了该算法进行了讨论。此外，我们还研究了算法的修改。该算法的合并形式与不同的技术和修改，已经做了，使算法执行更好的解决。此外，还介绍了该算法在工程领域的应用情况。所利用的工程应用是在机械工程问题、电气工程问题、最优参数、经济负荷分配和降低损耗领域中的应用。通过粒子群优化算法和萤火虫算法对算法进行了测试和评价。为了评估该算法和其他参与算法的能力，使用了一组传统的基准测试（TF1-TF23）。此外，为了检查算法优化大规模优化问题的能力，使用了CEC-C2019基准测试。算法和其他元启发式技术之间的比较，以显示其能力，以提高各种问题。

2021-08-28cs.NE

更多相关论文收起更多论文

人工鱼群算法家族回顾：最新进展与应用

A Review of the Family of Artificial Fish Swarm Algorithms: Recent Advances and Applications

人工鱼群算法（AFSA）是受自然界鱼类集群的生态行为启发而提出的，捕食、群集和跟随行为。由于一些显着的属性，其中包括灵活性，快速收敛，并对初始参数设置不敏感，AFSA的家庭已经成为一个有效的群体智能（SI）的方法，已被广泛应用于解决现实世界的优化问题。自2002年引入人工鱼群算法以来，许多改进的和混合的人工鱼群算法模型已经被开发出来，以解决连续、二元和组合优化问题。本文的目的是提出一个简明的评论连续人工鱼群算法，包括原来的ASFA，其改进和混合模型，以及它们的相关应用。我们专注于自2013年以来发表在高质量期刊上的文章。我们的审查提供了深入了解AFSA参数修改，程序和子功能。这些增强的主要原因和与其他混合方法的比较结果进行了讨论。此外，混合动力，多目标和动态人工鱼群模型，已提出解决连续优化问题进行了阐述。我们还分析了可能的AFSA增强功能，并强调了未来的研究方向，以推进基于AFSA的模型。

2022-05-12cs.NE

烟花算法研究综述

Review of research on fireworks algorithm

焰火算法是一种新型的智能优化算法。由于它具有收敛速度快、易于实现、爆炸性、多样性、简单性和随机性等优点，近年来在许多研究领域受到越来越多的关注。介绍了焰火算法的产生背景、组成、改进思路（算子的分析与改进、混合算法的改进），以及焰火算法在连续优化、离散优化、单目标优化、多目标优化等领域的应用。最后总结了烟花算法未来的研究方向，包括理论分析、算子分析与改进、混合算法研究和算法应用。

2022-02-28cs.NE

纳米载体合成在药物输送系统中应用的建模和优化

Modelling and optimization of nanovector synthesis for applications in drug delivery systems

Tecnologico de Monterrey（蒙特雷科技大学）；Hospital Zambrano-Hellion（赞布拉诺-赫利翁医院）

基于纳米结构物质如纳米颗粒（NPs）的纳米载体（NVs）已被证明是优异的药物递送系统。然而，由于各种各样的潜在的纳米粒子，包括纳米粒子材料及其功能化，除了过多的分子，可以运输，这个领域提出了一个巨大的挑战，在资源方面找到最佳的物理化学性质，如粒径和载药量，其中大部分的努力依赖于试错实验。在这方面，人工智能（AI）和元启发式算法分别提供了最先进的建模和优化的效率。这篇评论的重点是，通过系统的搜索，使用人工智能和超启发式算法的纳米粒子合成药物输送系统。主要调查结果如下：神经网络比线性回归算法和响应面方法更好地建模NV属性，比较AI或元启发式算法的研究数量非常有限，并且没有关于样本量计算适当性的信息。基于这些发现，多层感知器人工神经网络和自适应神经模糊推理系统的建模性能进行了测试与NV数据集，发现后者的更好的算法。对于元启发式算法，分别用布谷鸟搜索、萤火虫算法、遗传算法和共生体搜索对基准函数进行优化，发现布谷鸟搜索和共生体搜索的性能最好。最后，方法来估计适当的样本量的AI算法进行了讨论。

2021-11-10cs.LGcs.NE

蚁群优化算法的发展--一个简要的文献综述

Evolution of Ant Colony Optimization Algorithm -- A Brief Literature Review

SEECS-NUST（国立科技大学电气工程与计算机科学学院）

蚁群优化算法（Ant Colony Optimization，ACO）是Marco Dorigo在1991年提出的一种基于生物蚂蚁行为的启发式算法。信息素铺设和最短路径的选择与信息素的帮助启发第一蚁群算法的发展。自从第一个这样的算法提出以来，许多研究人员在这一领域进行了工作并发表了他们的研究。虽然最初的结果并不那么乐观，但最近的发展使这种元启发式算法成为群体智能中的一个重要算法。这项研究提出了一个简短的概述，最近的发展进行了ACO算法的应用和算法的发展。在应用方面，提出了多目标优化、连续优化和时变NP难问题。在回顾基于算法开发的文章时，已经研究了杂交和并行架构。

2019-08-27cs.AIcs.NE