增城登高车出租,  增城登高车租赁,  增城登高车公司     随机变步长系数飞行策略??          在基本萤火虫算法中，萤火虫每一步飞行向量需要乘一个系数，确定萤火虫的单步飞行距离，从而影响算法的局部寻优能力。基本萤火虫算法中采用固定步长系数不能适应不同的寻优问题，导致寻优精度差。在粒子群算法中，粒子的位置更新公式中移动向量的步长系数项中有两个因子，一个是常数，一个是从均匀分布在（０，１）之间的随机数。一个常数乘以一个均勻分布，仍然是一个均匀分布，因此，选取合适范围的均勻分布就可以同时起到粒子群算法中的常数和（〇，１）均勻分布乘积的作用。使用随着迭代次数增多而不断减小的步长系数能够增加算法的适应度值，说明算法的不同阶段需要采用不同大小的步长系数。所以，采用单一的均勻分布采样步长系数会限制算法的搜索精度和搜索效率。自然地可以使用两个不同大小范围的均匀分布，从中采样得到步长系数。然后根据适应度函数比较两个不同的步长系数的优劣，选择更优的步长系数。把采样得到的步长系数和毛分别带入上式的义进行计算，然后根据适应度函数选择更优的步长系数。因为采样的随机性和不同的采样宽度，步长系数能够适应不同大小的搜索空间，同时在大范围搜索和局部高精度搜索间取得了平衡。

      ＬＭ－ＦＡ实现步骤,   根据所提改进算法流程图，其算法步骤描述如下：步骤１：初始化参数和种群。设定最大迭代代数〇胃，种群个数５＞，搜索空间维度〇，两个均匀分布的上限Ｃ和Ｇ，随机项权重计算每只萤火虫的适应度。步骤２：计算萤火虫种群的平均适应度和位置向量的绝对值均值。步骤３：对萤火虫种群进行遍历，计算两只萤火虫间吸引度，对分布采样得到两个步长系数，计算萤火虫的飞行向量。步骤４：根据适应度函数比较两个飞行向量，选择更优的飞行方式，更新萤火虫位置。步骤５：判断是否等于最大迭代代数，如果等于，算法终止，如果不等于，重复步骤２。

        除了函数只有一个最优点容易优化外，其余测试函数均具有不同程度的欺骗性，对于算法的搜索性能要求较高。针对这几个测试函数，分别采用基本萤火虫算法（ＦＡ）、高斯萤火虫算法（ＧＦＡ）以及提出的位置均值萤火虫算法（ＬＭ－ＦＡ）进行寻优测试。使用函数用来检测算法在10维复杂优化问题中的表现，通过优化实验验证本文所提算法的寻优性能。

      增城登高车出租,  增城登高车租赁,  增城登高车公司  http://www.zhongshanludengchechuzu.com/

       本小节通过三种测试函数分别在ＦＡ、ＧＦＡ和ＬＭ－ＦＡ算法下的性能表现来证明算法的性能表现。针对每个测试函数，运行上述算法各３０次，分别记录算法的平均适应度值、最好适应度值、最差适应度值，和适应度值方差。

        （１）针对Ｓｐｈｅｒｅ函数，本文所提算法的平均适应度值以及最差适应度值都较ＧＦＡ和ＦＡ有明显改进，ＦＡ早熟收敛。ＬＭ－ＦＡ和ＧＦＡ收敛曲线相似，但是ＬＭ－ＦＡ性能更好。所提算法收敛速度较快，且无论是在平均适应度值上还是最好适应度值上好于ＧＦＡ和ＦＡ，但是最差值大于ＦＡ。ＦＡ前阶段好于ＧＦＡ和ＬＭ－ＦＡ，但是早熟收敛。

    （2）针对Ｒｏｓｅｎｂｒｏｃｋ函数，本文所提算法在平均适应度值以及最优适应度值都高于另两个对比算法。三种算法在搜索的开始阶段搜索速度类似，但是ＦＡ最先收敛。ＬＭ－ＦＡ算法比ＧＦＡ算法以更快的速度下降。

     （3）针对Ａｃｋｌｅｙ函数，本文所提算法在适应度值及最优适应度值上都好于ＦＡ和ＧＦＡ，且从收敛曲线上可以看到本文算法的收敛趋势要明显优于ＦＡ，在迭代的初始阶段，ＦＡ算法下降最快。ＦＡ收敛以后ＧＦＡ和ＬＭ－ＦＡ仍然在下降。

          增城登高车出租,  增城登高车租赁,  增城登高车公司