魏偉一，文雅宏

(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，甘肅 蘭州 730070)

一種精英反向?qū)W習(xí)的螢火蟲優(yōu)化算法

魏偉一，文雅宏

(西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，甘肅 蘭州 730070)

為了提高傳統(tǒng)螢火蟲算法的收斂速度和求解精度，提出了一種精英反向?qū)W習(xí)的螢火蟲優(yōu)化算法。通過反向?qū)W習(xí)策略構(gòu)造精英群體，在精英群體構(gòu)成的區(qū)間上求普通群體的反向解，增加了群體的多樣性，提高了算法的收斂速度；同時，為了避免最優(yōu)個體陷入局部最優(yōu)，使整個群體在搜索過程中出現(xiàn)停滯，提出了差分演化變異策略；最后，提出了一種線性遞減的自適應(yīng)步長來平衡算法的開發(fā)能力。實(shí)驗(yàn)結(jié)果表明，算法在收斂速度和收斂精度上有更好的效果。

螢火蟲算法；精英反向?qū)W習(xí)；優(yōu)化算法；精英群體；反向解；反向?qū)W習(xí)策略；差分演化變異；自適應(yīng)步長

螢火蟲算法(firefly algorithm，F(xiàn)A)是受自然界中螢火蟲發(fā)光特性的啟發(fā),由劍橋?qū)W者Yang于2008年提出的一種群體智能隨機(jī)優(yōu)化算法[1-5]。在多個科學(xué)與工程領(lǐng)域中，螢火蟲算法已得到成功的應(yīng)用[6-9]，雖然FA表現(xiàn)出了良好的性能，但在一些問題的優(yōu)化上，螢火蟲算法依然存在收斂速度慢、解的精度不高、容易陷入局部最優(yōu)等不足。近年來，很多學(xué)者已經(jīng)進(jìn)行了多角度的改進(jìn)。文獻(xiàn)[10]為了解決螢火蟲算法過早地收斂和陷入局部最優(yōu)的不足，利用廣義反向?qū)W習(xí)策略來優(yōu)化螢火蟲算法。文獻(xiàn)[11]采用正交學(xué)習(xí)策略改進(jìn)FA算法,利用精英螢火蟲來構(gòu)造指導(dǎo)向量,通過指導(dǎo)向量引導(dǎo)群體向全局最優(yōu)區(qū)域移動。文獻(xiàn)[12]提出基于蛙跳的螢火蟲算法,在原始的FA算法中引入蛙跳算法中的分群。同時，為了加強(qiáng)算法的局部開發(fā)能力，引入了模擬退火的思想。該算法對于高維多模態(tài)函數(shù)的優(yōu)化問題，表現(xiàn)得還不夠理想。文獻(xiàn)[13]提出了一種基于多種群學(xué)習(xí)機(jī)制的螢火蟲優(yōu)化算法，把螢火蟲分為不同的子群，同時，子群建立學(xué)習(xí)機(jī)制，實(shí)現(xiàn)不同子群間的信息交流，完成局部和全局的尋優(yōu)。文獻(xiàn)[14]引入模式搜索思想，把FA算法與模式搜索相結(jié)合，F(xiàn)A算法具有較強(qiáng)的全局搜索能力，模式搜索具有較好的局部搜索能力，利用兩者的優(yōu)勢來提高FA算法的性能。文獻(xiàn)[15]針對高維問題，提出了多維反向?qū)W習(xí)的螢火蟲算法，用反向?qū)W習(xí)策略初始化螢火蟲種群。同時，用基于多維的方法更新不同維度上螢火蟲的位置。算法在收斂速度和精度上比原始螢火蟲算法更優(yōu)。

以上文獻(xiàn)雖然對FA算法做了很好的改進(jìn)，但是在收斂速度和精度上還不夠理想，為了更好地提高FA算法的收斂速度和收斂精度，本文基于文獻(xiàn)[16]利用精英反向?qū)W習(xí)策略來改進(jìn)差分演化算法的思想，提出了一種精英反向?qū)W習(xí)的螢火蟲算法，在文獻(xiàn)[16]中，通過設(shè)置一個參數(shù)來選取精英個體，而本文根據(jù)原解和反向解適應(yīng)度值的大小選取精英個體，這樣能更充分地利用精英群體的良好信息，提高算法的收斂速度。同時，本文采用了差分演化策略(differential evolutionary mutation)來增強(qiáng)算法的局部搜索能力。最后，為了增強(qiáng)和平衡算法的開發(fā)能力，本文提出了一種線性遞減的自適應(yīng)步長。在5個標(biāo)準(zhǔn)測試函數(shù)上進(jìn)行實(shí)驗(yàn)，并和多個改進(jìn)的FA算法進(jìn)行實(shí)驗(yàn)對比。結(jié)果表明，本文算法在收斂速度和收斂精度上更好。

1 螢火蟲算法(FA)

FA是受自然界中螢火蟲個體通過發(fā)光來吸引同伴求偶或覓食行為的啟發(fā)而提出的一種元啟發(fā)式算法[1-2]，螢火蟲之間相互吸引以及位置迭代更新的過程是搜索和優(yōu)化的過程。尋找最亮螢火蟲的問題是求解最優(yōu)值的問題，不斷用最好的位置替換較差的位置來完成整個搜索過程。在一定的搜索區(qū)域內(nèi)所有發(fā)光弱的螢火蟲向發(fā)光強(qiáng)的螢火蟲移動，從而實(shí)現(xiàn)位置尋優(yōu)[17]。每個螢火蟲被看作一個個體，個體主要有“位置、亮度、吸引度”等屬性，有兩個重要的影響因子，即亮度I和吸引度β。亮度高說明其所處位置好，并吸引亮度低的個體向其靠近。吸引度高則螢火蟲移動的距離大。從FA開始,螢火蟲的個體隨機(jī)地分布在指定的局域內(nèi)，個體的亮度由目標(biāo)函數(shù)決定。

設(shè)I0表示螢火蟲個體的固有亮度，γ為介質(zhì)的光亮度吸收系數(shù)，rij為任意兩個個體i和j的相對距離(一般使用歐氏距離)，β0為螢火蟲個體固有吸引度，隨距離r變化的個體光強(qiáng)度I表示為

則螢火蟲i與螢火蟲j之間的相互吸引力計(jì)算公式為

設(shè)xi(t)和xj(t)分別表示螢火蟲i和j在t時刻的位置，則兩者之間的距離計(jì)算公式為

螢火蟲i向螢火蟲j移動，其位置更新方程為

式中：xi+1(t+1)表示螢火蟲i在t+1時刻的位置；α∈[0,1]，表示步長因子。

2 精英反向?qū)W習(xí)的螢火蟲算法

2.1 反向?qū)W習(xí)策略

反向?qū)W習(xí)策略是近年來計(jì)算智能領(lǐng)域出現(xiàn)的新概念[18-19]，其主要思想是對一個問題的可行解，求其反向解，并對原解和反向解進(jìn)行評估，從中選出較優(yōu)的解作為下一代個體。其中反向點(diǎn)和反向解的定義如下。

式中：a(t)=min(xij(t))，b(t)=max(xij(t))為當(dāng)前搜索區(qū)域的最小值和最大值，其隨著迭代的改變，而發(fā)生變化；i∈[1,n]，j∈[1,D]；n是種群大小；D是解空間的維數(shù)；k是介于0～1的隨機(jī)數(shù)。

2.2 精英反向?qū)W習(xí)

反向解的引入，可以擴(kuò)大算法的搜索區(qū)域，但對那些原解適應(yīng)度值大于反向解適應(yīng)度值的個體，對其進(jìn)行反向區(qū)域的搜索，浪費(fèi)時間，則應(yīng)加強(qiáng)其領(lǐng)域搜索。而對原解適應(yīng)度值小于反向解適應(yīng)度值的個體，對其進(jìn)行反向區(qū)域的搜素價值要高于其領(lǐng)域的開發(fā)價值。因此，本文將原解適應(yīng)度值小于反向解適應(yīng)度值的個體作為研究對象，求其反向解，既可以擴(kuò)大搜素區(qū)域，也能有效避免盲目搜索帶來的時間浪費(fèi)。

同時，本文為了提高算法的收斂速度，首先在當(dāng)前解所構(gòu)造的空間中，求所有當(dāng)前解的反向解；然后，通過比較適應(yīng)度值，選出那些原解適應(yīng)度值大于反向解適應(yīng)度值的個體組成精英群體；最后，在精英群體構(gòu)造的新的搜索空間上，再求原解適應(yīng)度值小于反向解適應(yīng)度值的個體的反向解。如果算法能收斂到全局最優(yōu)解，則精英群體所形成的搜索區(qū)間必將收斂到最優(yōu)解所在的區(qū)域[16]，這樣充分利用了精英群體的有效信息，在精英群體所構(gòu)成的動態(tài)定義區(qū)間上生成反向解，引導(dǎo)搜索向最優(yōu)解靠近。

定義4 精英反向解(elite opposite solution)[18]。設(shè)xij為普通個體xi在j維上的值，則其反向解可定義為

式中：k是介于0～1的隨機(jī)數(shù)；aj(t)=min(N1j(t),N2j(t),…,Npj(t))；bj(t)=max(N1j(t),N2j(t),…,Npj(t))。[aj(t),bj(t)]為精英群體所構(gòu)造的區(qū)間，當(dāng)反向解越過邊界[aj(t),bj(t)]時，可以用下列方式進(jìn)行重置：

2.3 差分演化變異策略

在FA中，群體中的最優(yōu)個體xbest引導(dǎo)群體向最優(yōu)方向移動，如果xbest陷入局部最優(yōu)，群體的移動終止，即收斂到局部最優(yōu)，則群體無法到達(dá)全局最優(yōu)。因此，本文為了求得全局最優(yōu)解，引入差分變異策略，對xbest進(jìn)行變異操作，使其陷入局部最優(yōu)的概率減小。

本文要對最優(yōu)個體進(jìn)行變異操作，使其跳出局部最優(yōu)的概率增大，因此選擇“DE/best/1”作為變異操作，公式為

式中：xbest,j為最優(yōu)個體的第j維；F是縮放系數(shù)；n1、n2是[1,n]上兩個互不相同的隨機(jī)整數(shù)，代表不同個體的下標(biāo)；j是維度；cij是變異后的值。

將變異后的個體和父代個體進(jìn)行如下交叉操作：

2.4 自適應(yīng)步長

在原始螢火蟲算法FA中，步長因子α在每次迭代時保持不變。但是當(dāng)α取較大的值時，增強(qiáng)了算法的全局搜索能力，降低了算法的收斂速度和搜索的精度；當(dāng)α取較小的值時，有利于算法的局部搜索，提高了搜索精度和算法的收斂速度。在算法迭代前期，較大的α有利于算法的全局搜索；在后期，較小的α顯得更有利。因此本文對α采用動態(tài)遞減的方式，計(jì)算公式為

式中t為迭代次數(shù)。

2.5 EOFA算法描述

EOFA算法流程如下。

輸入目標(biāo)函數(shù)和搜索空間；

輸出全局最優(yōu)解和最優(yōu)位置 。

1)初始化參數(shù)m,n,T,α,β,γ，在[m,n]上生成初始種群xi(i=1,2,…,n)。

2)執(zhí)行EOFA算法搜索。

3)把xi(t)(i=1,2,…,n)帶入目標(biāo)函數(shù)，計(jì)算函數(shù)值，把目標(biāo)函數(shù)的值作為每個個體的亮度值Ii(t)。

5)用式(7)在精英個體構(gòu)成的區(qū)間[aj(t),bj(t)]上計(jì)算普通群體的反向解xi′(t)(i=1,…,n-p)。

6)精英群體和普通群體的反向解群體構(gòu)成當(dāng)前新種群，計(jì)算新種群的亮度，并進(jìn)行排序，選出最優(yōu)的個體xbest(t)。

7)用式(3)計(jì)算每個個體i和最優(yōu)個體xbest(t)之間的距離Rij(t)。

9)用式(11)計(jì)算α(t)，并用式(9)、(10)對最優(yōu)個體進(jìn)行位置擾動。

10)算法搜索結(jié)束，輸出全局最優(yōu)解和最優(yōu)位置。

若種群的規(guī)模為n，空間維度為D,則種群初始化的時間復(fù)雜度為O(nD)；從迭代開始到結(jié)束的整個過程中，迭代的次數(shù)為t,其中3)是計(jì)算種群的亮度，復(fù)雜度為O(nDt)；4)～9)是建立新的種群，并進(jìn)行位置的更新，復(fù)雜度為O((6n-p)·Dt)，p(p≤n)是精英群體的規(guī)模。因此本文算法的時間復(fù)雜度為O(nDt)。

3 實(shí)驗(yàn)仿真及分析

3.1 測試函數(shù)

在仿真實(shí)驗(yàn)中，本文采用下列5個常用的標(biāo)準(zhǔn)測試函數(shù)對算法進(jìn)行測試。

1) Sphere 函數(shù)

Sphere 函數(shù)為多維單峰值函數(shù)，在點(diǎn)x=(0,0,…,0)處取得極小值0。

2) Rosenbrock 函數(shù)

xi∈(-2.048,2.048)

Rosenbrock函數(shù)為多維病態(tài)二次函數(shù)，在點(diǎn)x=(1,1,…,1)處取得全局極小值0。

3) Ackley 函數(shù)

xi∈(-32.7,32.7)

Ackley函數(shù)為多維多峰值函數(shù)，在點(diǎn)x=(0,0,…,0)處取得全局極小值0。

4) Griewank 函數(shù)

xi∈(-600,600)

Griewank函數(shù)為多維多峰值函數(shù)，在點(diǎn)x=(0,0,…,0)處取得全局極小值0。

5) Rastrigin 函數(shù)

xi∈(-5.12,5.12)

Rastrigin函數(shù)為多維多峰值函數(shù)，在點(diǎn)x=(0,0,…,0)處取得全局極小值0。

3.2EOFA算法的測試結(jié)果

實(shí)驗(yàn)環(huán)境為:Inter Core(TM) i5-2450M CPU@2.50 GHz，內(nèi)存4 GB，Window7操作系統(tǒng)，MATLAB 7.8.0版本。分別選取標(biāo)準(zhǔn)的FA算法[1]，LFA算法[20]，MFA算法[21]與本文提出的EOFA算法在5種標(biāo)準(zhǔn)的測試函數(shù)上進(jìn)行實(shí)驗(yàn)比較，種群規(guī)模n取40，初始α取值為0.98。維度D取10和30，γ=1，MFA算法中方向向量的個數(shù)m取30，其他參數(shù)分別取T=1 000,β=1。分別記錄4種算法迭代1 000次并在測試函數(shù)上獨(dú)立運(yùn)行40次的最優(yōu)值、最差值和平均值，結(jié)果如表1所示。

表1 4種算法的實(shí)驗(yàn)結(jié)果

FA是原始的螢火蟲算法。LFA是根據(jù)Levy分布來設(shè)置一種隨機(jī)步長對傳統(tǒng)螢火蟲算法進(jìn)行改進(jìn)，其主要優(yōu)點(diǎn)是算法收斂到局部最優(yōu)的概率降低。MFA算法是從隨機(jī)生成的方向向量中選擇使種群進(jìn)化到最優(yōu)的方向向量，方向向量的個數(shù)對算法的性能有很大的影響，數(shù)量越大，算法收斂性越好。由表1可知，EOFA、LFA和MFA算法在10維和30維函數(shù)上都優(yōu)于FA算法。本文提出的EOFA 算法在5種測試函數(shù)上的函數(shù)值都小于FA、LFA、MFA算法在測試函數(shù)上的值，即EOFA算法的收斂性更好，在每個測試函數(shù)上EOFA算法的求解精度比其他3種算法都高。

為了更好地驗(yàn)證EOFA算法的有效性，本文用圖描述4種算法的收斂性，由于受篇幅的限制，僅給出4個代表性的函數(shù)收斂曲線圖，結(jié)果如圖1、2所示。

(a)f1:Sphere函數(shù)

(b)f2:Rosenbrock函數(shù)

(c)f3:Ackley函數(shù)

(d)f4:Griewank函數(shù)圖1 維度為10時算法收斂曲線對比Fig.1 Comparison of convergent graphs for a dimensionality of 10

(a)f1:Sphere函數(shù)

(b)f2:Rosenbrock函數(shù)

(c)f3:Ackley函數(shù)

(d)f4:Griewank函數(shù)圖2 維度為30時算法收斂曲線對比 Fig.2 Comparison of convergent graphs for a dimensionality of 30

由圖1、2可以看出，對于每一個測試函數(shù)，EOFA算法總比其他3種算法表現(xiàn)出更好的收斂性，因?yàn)樗鼧?gòu)建了動態(tài)的精英反向解區(qū)間，同時，精英群體的規(guī)模自適應(yīng)的改變，使普通個體向最優(yōu)個體移動的速度加快。對于函數(shù)f1、f4，當(dāng)函數(shù)維度為10和30時，F(xiàn)A、LFA、MFA這3種算法出現(xiàn)了早熟，而EOFA算法繼續(xù)收斂，且收斂速度比其他3種算法都快。對于函數(shù)f2、f3雖然4種算法都出現(xiàn)了早熟，但EOFA算法解的精確度比其他算法更好。當(dāng)維數(shù)從10增加到30時，4種算法的性能都有所下降，但EOFA算法的性能優(yōu)于其他3種算法。EOFA算法具有較優(yōu)性能的原因是：首先EOFA算法采用反向?qū)W習(xí)策略，構(gòu)造精英群體和普通群體，擴(kuò)大了搜索范圍，通過生成每個個體的反向解，增加解的多樣性來提高種群多樣性。同時加入了差分演化變異策略，使其跳出局部最優(yōu)的概率增大。最后，為了增強(qiáng)算法開發(fā)能力，采用遞減的自適應(yīng)步長。

4 結(jié)束語

本文提出的精英反向?qū)W習(xí)螢火蟲算法(EOFA)，通過精英反向?qū)W習(xí)策略生成當(dāng)前解的反向解，評估當(dāng)前解和反向解，構(gòu)建精英群體和普通群體，增加了群體的多樣性；在動態(tài)的精英區(qū)間上求普通群體的反向解，提高算法的收斂速度。差分演化變異策略對最優(yōu)個體進(jìn)行變異操作，對其領(lǐng)域空間進(jìn)行搜索，增強(qiáng)了EOFA的局部開采能力。同時，采用自適應(yīng)步長，提高和平衡算法的開發(fā)能力。通過實(shí)驗(yàn)結(jié)果得出，EOFA算法在解的精度和收斂速度上都表現(xiàn)出更好的性能。本文只考慮了最優(yōu)個體對每個個體的影響，下一步工作是將個體鄰域的信息加入，進(jìn)一步提高算法性能。

[1]YANG X S. Firefly algorithms for multimodal optimiz-ation[C]//Stochastic Algorithms: Foundations and Applic-ations. Sapporo, Japan, 2009, 5792: 169-178.

[2]朱書偉,周治平,張道文. 融合并行混沌螢火蟲算法的K-調(diào)和均值聚類[J]. 智能系統(tǒng)學(xué)報(bào),2015,10(6):872-880.

ZHU Shuxin, ZHOU Zhiping, ZHANG Daowen. Kharm-onic means clustering merged with parallel chaotic firefly algorithm[J]. CAAI transactions on intelligent systems,2015,37(2):342-347.

[3]趙杰, 雷秀娟,吳振強(qiáng). 基于最優(yōu)類中心擾動的螢火蟲聚類算法[J]. 計(jì)算機(jī)工程與科學(xué), 2015, 37(2): 342-347.

ZHAO Jie, LEI Xiujuan, WU Zhenqiang.A clustering al-gorithm for Fireflies based on optimal class center pert-urbation[J]. Computer engineering amp; science,2015, 37(2): 342-347.

[4]莫愿斌, 馬彥追, 鄭巧燕.單純形法的改進(jìn)螢火蟲算法及其在非線性方程組求解中的應(yīng)用[J]. 智能系統(tǒng)學(xué)報(bào), 2014, 9(6): 747-755.

MO Yuanbin, MA Yanzhui, ZHENG Qiaoyan. Improved firefly algorithm based on simplex method and its appli-cation in solving non-near equation groups[J]. CAAI tr-ansactions on intelligent systems,2014, 9(6): 747-755.

[5]HORNG M H. Vector quantization using the firefly al-gorithm for image compression[J]. Expert systems with applications, 2012, 39(1): 1078-1091.

[6]MARICHELVAM M K, PRABAHARAN T, YANG XS.A discrete firefly algorithm for the multi-objective hy-brid flow shop scheduling problems[J].IEEE transactio-ns on evolutionary computation, 2014, 18(2): 301-305.

[7]YANG X S, HOSSEINI S S S, GANDOMI A. Firefly algorithm for solving non-convex economic dispatch pr-oblems with valve loading effect[J].Applied soft com-puting, 2012, 12(3): 1180-1186.

[8]SENTHILNATH J, OMKAR S, MANI V. Clustering using firefly algorithm: performance study[J]. Swarm and evolutionary computation, 2011, 1(3): 164-171.

[9]FALCON R, ALMEID M, NAYAK A. Fault identification with binary adaptive fireflies in parallel and distrib-uted systems[C]//2011 IEEE Congress on Evolutionary Computation(CEC).New Orleans, USA, 2011: 1359-1366.

[10]YU S, ZHU S, MA Y, et al. Enhancing firefly algorit-hmusing generalized opposition based learning[J]. Com-puting, 2015, 97(7): 741-754.

[11]周凌云, 丁立新, 何進(jìn)榮. 精英正交學(xué)習(xí)螢火蟲算法[J]. 計(jì)算機(jī)科學(xué), 2015, 42(10): 211-216.

ZHOU Lingyun,DING Lixin, HE Jinrong. Elite-orth-ogonal learning firefly algorithm[J].Computer science, 2015, 42(10): 211-216.

[12]李洋．蛙跳螢火蟲算法及其在含風(fēng)電場的電力系統(tǒng)調(diào)度中的應(yīng)用[D]. 上海： 華東理工大學(xué),2013.

LI Yang. Leapfrog firefly algorithm and application in di-spatch of power system containing wind farm[D]. Shanghai: East China University of Science and Technol ogy,2013.

[13]符強(qiáng),童楠, 趙一鳴．一種基于多種群學(xué)習(xí)機(jī)制的螢火蟲優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2013, 30(12): 3600-3603.

FU Qiang,TONG Nan, ZHAO Yiming. Firefly algorithm based on multi-grouplearning mechanism[J]. Application research of computers, 2013, 30(12): 3600-3603.

[14]FISTER I, JR F, YANG X S, et al. A comprehensivereview of firefly algorithms[J]. Swarm and evolutionary computation, 2013, 13(1): 34-46.

[15]VERMA O P, AGGARWAL D, PATODI T. Opposition and dimensional based modified firefly algorithm[J].Ex-pert-systems with applications an international journal,2016, 44(C): 168-176.

[16]汪慎文,丁立新,謝大同.應(yīng)用精英反向?qū)W習(xí)策略的混合差分演化算法[J].武漢大學(xué)學(xué)報(bào): 理學(xué)版, 2013, 59(3): 111-16.

WANG Shenwen,DING Lixin, XIE Datong. A hybrid differential evolution with elite opposition-based learning[J]. Journal of Wuhan university: natural science edition, 2013, 59(3): 111-116.

[17]程美英, 倪志偉, 朱旭輝. 螢火蟲優(yōu)化算法理論研究綜述[J]. 計(jì)算機(jī)科學(xué), 2015, 42(4): 19-24.

CHENG Meiying, NI Zhiwei, ZHU Xuhui.Over-view on glow-worm swarm optimization or firefly algorithm[J]. Computer science, 2015, 42(4): 19-24.

[18]汪慎文, 丁立新, 謝大同. 應(yīng)用反向?qū)W習(xí)策略的群搜索優(yōu)化算法[J]. 計(jì)算機(jī)科學(xué), 2012, 39(9): 183-187.

WANG Shenwen,DING Lixin, XIE Datong. Group search optimizer applying opposition-based learning[J]. Computer science, 2012, 39(9): 183-187.

[19]周新宇, 吳志健, 王暉,等. 一種精英反向?qū)W習(xí)的粒子群優(yōu)化算法[J]. 電子學(xué)報(bào), 2013, 41(8): 1647-1652.

ZHOU Xinyu, WU Zhijian,WANG Hui,et al. A particle swarm optimization algorithm based on elite reverse learning [J].Sinica Acta electronica, 2013, 41(8):1647-1652.

[20]YANG XS. Firefly Algorithm Lévy flights and global optimization[C]//Research and Development in Intelligent Systems XXVI. London, Springer, 2010:209-218.

[21]TILAHUN S L, HONG C O. Modified firefly algorithm[J]. Journal of applied mathematics, 2012, 2012(12): 2428-2439.

魏偉一 ,男，1976年生，博士，副教授，CCF會員，主要研究方向?yàn)橹悄苄畔⑻幚怼?shù)字圖像處理。

文雅宏 ,男，1993年生，碩士研究生，主要研究方向?yàn)閿?shù)字圖像處理、智能計(jì)算。

Fireflyoptimizationalgorithmutilizingeliteopposition-basedlearning

WEI Weiyi， WEN Yahong

(College of Computer Science and Engineering, Northwest Normal University, Lanzhou 730070,China)

To increase the convergence speed and solution accuracy of the traditional firefly algorithm, in this paper, we propose a firefly optimization algorithm that utilizes elite opposition-based learning. Using an opposition-based learning strategy, we constructed an elite group and, in the interval of the elite group, we solved the opposite solutions of the ordinary groups. This strategy could increase group diversity and improve the convergence speed of the algorithm. To prevent the optimal individual from falling into the local optimum, which could cause stagnation of the whole group during the search process, we introduce a differential evolutionary mutation strategy. Finally, we propose an adaptive step size with a linear decrease to balance the development ability of the algorithm. Experimental results show that the proposed algorithm can increase convergence speed and accuracy.

firefly algorithm; elite opposition-based learning; optimized algorithm; elite group; opposite solutions; opposition-based learning strategy; differential evolutionary mutation; adaptive step size

10.11992/tis.201706014

http://kns.cnki.net/kcms/detail/23.1538.TP.20170831.1058.006.html

TP309.2

A

1673-4785(2017)05-0710-07

中文引用格式：魏偉一，文雅宏.一種精英反向?qū)W習(xí)的螢火蟲優(yōu)化算法J.智能系統(tǒng)學(xué)報(bào)， 2017, 12(5): 710-716.

英文引用格式：WEIWeiyi，WENYahong.Fireflyoptimizationalgorithmutilizingeliteopposition-basedlearningJ.CAAItransactionsonintelligentsystems, 2017, 12(5): 710-716.

2017-06-07. < class="emphasis_bold">網(wǎng)絡(luò)出版日期

日期：2017-08-31.

甘肅省科技計(jì)劃資助項(xiàng)目(1506RJZA130)；甘肅省高等學(xué)校科研項(xiàng)目(2014B-018).

文雅宏.E-mail:wwyahong@126.com.