Question

firefly算法的标准移动公式如this：

x_i^{t+1} = x_i^t + \beta_0 e^{-\gamma {r_{i,j}^2}}(x_j^t - x_i^t) + \alpha \epsilon_i^t

虽然我理解算法的概念以及公式的单个组件应该做什么，但我无法将公式转换为工作实现。

具体来说：

1）beta0应该是“源头上的吸引力”，所以当将firefly i移向firefly j时，更高的beta0意味着将ffi向ffj移动更远。但是当执行最小化时，较高的适应度值表示更差的解决方案，因此ffi应该更少地向ffj移动。所以我想，beta0应该是从0到1的值，更接近于1以获得更好的解决方案。那么如何将最小化适应度值（包括负适应度值）映射到0-1比例？

2）每只萤火虫是否会朝向其他萤火虫移动，或者每只萤火虫是否只朝着它看到的最亮的萤火虫移动？大多数论文都提出了对所有人口成员的两个嵌套循环，但这也意味着走向更糟糕的解决方案（当然，beta0可以最大限度地减少向这种不良解决方案的转移）

3）如果你将每个萤火虫移向其他每个萤火虫，你是每次都添加随机值，还是每个萤火虫和迭代只添加一次？

基本上，我想要以下代码段进行移动：

void MoveFireFlies(double alpha, double gamma, double*** rand, double** NewPopulation, double** Population, double* Fitness, int populationSize, int dimensions)
{
    int i;
    for(i=0;i<populationSize;i++)
    {
        int j;
        for(j=0; j<populationSize; j++)
        {
            double beta0 = 1.0;
            double distance = [...] //euclidian distance between ffi and ffj
            double factor = exp(-gamma * distance * distance);
            int d;
            for(d=0;d<dimensions;d++)
            {
                NewPopulation[i][d] = Population[i][d] + beta0 * factor * (Population[j][d] - Population[i][d]) + alpha * rand[i][j][d];
            }
        }
    }
}

其中rand包含范围内的随机值（-0.5,0.5），而Population包含上一次迭代的解。提供了Fitness值，但目前未在任何地方使用。当然，此代码片段目前不会执行任何可行的优化。

非常感谢任何帮助，我正在研究这段时间并开始绝望。

关于萤火虫算法的论文：

Firefly Algorithm: Recent Advances and Applications

Answer 1

首先，光强度（亮度）和吸引力之间存在差异。用目标函数计算光强度。如果问题在于建立最大的全局最优值，则必须使光强度与目标函数的值成正比。否则，光强度必须与目标函数的值成反比。另一方面，吸引力与健身价值无关。 Beta0不被视为适用性，Beta0是必须在开头定义的参数以及Alpha和Gamma参数。如果您有一个最小化问题，并且您认为目标函数是适合度值，那么适合度值较高的萤火虫就会吸引到更少的人。
是的，每个萤火虫都向其他萤火虫移动，但是当您获得新的解决方案时，您必须在新旧萤火虫之间进行贪婪的选择，并且只保留其中的最佳。
是的，您每次都必须生成一个新的随机值。

萤火虫算法：如何理解运动公式

1 个答案: