花都登高车,  花都登高车出租,  花都登高车租赁     基于整定双控制器参数位置均值的萤火虫算法??      将位置均值和随机变步长系数机制引入到基本萤火虫算法中，提出基于位置均值的营火虫算法。经过四个典型测试函数的寻优实验，验证本文所提算法的有效性。本文提出双位置控制器，使用吊车的当前位置确定两个控制器的权重。提出新的基于ＩＴＡＥ的控制目标函数，对二维登高车进行仿真实验，使用本文提出的ＬＭ－ＦＡ算法整定双控制器参数，验证本文提出的双控制器和优化算法的有效性。

     萤火虫算法包括：萤火虫发光强度、萤火虫间吸引度和萤火虫飞行模式。萤火虫发光强度和萤火虫间吸引度的计算公式只有一个比例常数，并且萤火虫发光强度在算法结构中仅存在概念意义，所以可以将萤火虫发光强度和萤火虫间吸引度视为同一个要素。因此，萤火虫算法的算法结构可以筒化为萤火虫间吸引度和萤火虫飞行模式，都体现在萤火虫的移动公式中。萤火虫间吸引度由两个参数控制移动步长，分别为距离衰减系数和飞行步长系数；Ｉ。距离衰减系数配合指数衰减函数决定搜索空间内两只萤火虫间的吸引度的强弱，能够影响算法的搜索精度和搜索效率；飞行步长系数在萤火虫确定飞－行向量以后决定飞行步长，也能够影响算法的搜索精度和搜索效率。萤火虫飞行模式中引进了随机项，萤火虫飞向更亮的萤火虫的过程中会有随机扰动。随机扰动系数决定算法中随机项的权重，随机性能够增加萤火虫种群在搜索空间中的搜索范围。学者们基于此对萤火虫算法进行了改进。现有的针对萤火虫算法的改进在对萤火虫的编码方面和随机扰动项的改进方面效果比较显著，但是针对萤火虫算法的控制参数的取值和萤火虫间的吸引度计算的改进仍然存在一些缺陷。本文针对基本萤火虫算法进行改进，采用随机变步长系数代替原来的固定步长系数。本文提出新的萤火虫间的适应度值计算方法，使用反比例函数计算吸引度，使用曼哈顿距离来代替欧式距离，并且考虑到萤火虫位置向量绝对值的均值的约束。基本的萤火虫算法没有利用萤火虫的绝对亮度信息，我们期望两只萤火虫间亮度相差越大，萤火虫的飞行步长越大。因此在计算萤火虫间吸引度时加入绝对亮度差项。因为萤火虫的绝对亮度是根据待解决问题的适应度函数计算，所以适应度值的大小也是不确定的，提出的算法需要对不同大小适应度值的适应度函数具有适应性。

    花都登高车,  花都登高车出租,  花都登高车租赁  http://www.zhongshanludengchechuzu.com/

     基于位置均值的萤火虫算法,   基于位置均值的吸引度根据萤火虫算法的假设，两只萤火虫间的吸引度和各自的发光强度以及两只萤火虫间距离相关。一只萤火虫Ｘ具有适应度為，另一只萤火虫不具有适应度。两只萤火虫间吸引度应该负相关于名和不的距离以及正相关于之差。基本萤火虫算法是这一规则的具体实现。给定两只萤火虫的空间坐标后，可以有多种方法来衡量距离，基本萤火虫算法使用欧氏距离。基本萤火虫算法使用带系数的指数函数是考虑到光在空气中传播会被不断吸收，亮度不断减弱，并且吸收过程可以近似的使用高斯函数来描述。指数函数会随着距离快速衰减。在萤火虫算法的控制参数给定的条件下，萤火虫的搜索尺度在求解不同的问题时大小是不变的。在求解搜索空间很大或者很小的问题时，基本萤火虫算法由于萤火虫间吸引度太大或者太小，搜索效率会比较低。由于基本萤火虫算法中距离衰减系数和飞行步长系数没有考虑到搜索空间的大小和适应度函数的复杂性，导致算法的适应能力比较差。使用反比例函数代替指数函数计算吸引度。实验表明使用反比例函数寻优效果好于指数函数。基于指数函数的吸引度计算对于搜索空间的大小过于敏感，并且容易遭遇数值稳定问题，使用反比例函数能够避免。但是基于反比例函数的吸引度值对于搜索空间很大的优化问题，每一步的飞行步长系数都会很小；相反，对于搜索空间很小的优化问题，每一步的飞行步长系数都会很大。因此反比例函数的吸引度计算方法需要进一步改进。另外，基本萤火虫算法在计算吸引度时没有使用萤火虫适应度值，没有充分使用已知信息，导致种群多样性降低。因此，可以在计算萤火虫间吸引度时考虑两只萤火虫的绝对吸引度。其实两只萤火虫间的距离是一个度量，萤火虫间的亮度差也是一个度量，所以可以使用同样的计算方式计算亮度差对吸引度的贡献。根据萤火虫算法的假设，吸引度和萤火虫间的亮度差呈正相关，本文直接将亮度差作为吸引度函数的系数。考虑到算法的后续改进和计算效率，两只萤火虫间的距离计算使用曼哈顿距离，曼哈顿距离相比欧式距离计算效率更高。为了在式中体现搜索空间的大小，可以显式地将搜索空间信息整合在吸引度公式中。

     花都登高车,  花都登高车出租,  花都登高车租赁