萤火虫之间通过闪光来进行信息的交互,同时也能起到危险预警的作用。我们知道从光源到特定距离r处的光强服从平方反比定律,也就是说光强I随着距离 r 的增加会逐渐降低,此外空气也会吸收部分光线,导致光线随着距离的增加而变得越来越弱。这两个因素同时起作用,因而大多数萤火虫只能在有限的距离内被其他萤火虫发现。
萤火虫算法就是通过模拟萤火虫的发光行为而提出的,所以实际上其原理很简单。为了方便算法的描述,作者给出了三个理想化的假设:
所有萤火虫雌雄同体,以保证不管萤火虫性别如何,都能被其他萤火虫所吸引(每只萤火虫代表一个解,在实际问题中这和性别是没关系的,因此不必建模);
吸引度与它们的亮度成正比,因此,对于任何两只闪烁的萤火虫,较暗的那只会朝着较亮的那只移动。吸引力与亮度程度会随着距离的增加而减小。最亮的萤火虫会随机选择方向进行移动(规定了解的更新方式,较暗移向较亮的可以认为是全局搜索,而最亮的进行随机移动属于局部搜索);
萤火虫的亮度可受目标函数影响或决定,对于最大化问题,亮度可以简单地与目标函数值成正比(建立了算法与领域问题的关系,规定了如何将目标值表示亮度)。
%========================================================================== % 算法说明:荧火虫算法(GSO:Glowworm swarm optimisation:a new method for optimising mutlti-modal functions) % ========================================================================= clc clear;%清除变量 close all; % ================================初始化开始================================ domx=[-3,3;-3,3];%定义域 %domx=[-2.048,2.048;-2.048,2.048]; rho =0.4; %荧光素挥发因子 gamma =0.6; %适应度提取比例 beta =0.08;%邻域变化率 nt =5; %邻域阀值(邻域荧火虫数) s =0.01;%步长 iot0 =5; %荧光素浓度 rs =3; %3;%感知半径 r0 =1.5; %3;%决策半径 % ================================初始化结束================================ % ===============================分配空间开始=============================== m =size(domx,1); %函数空间维数 n =50; %萤火虫个数 gaddress =zeros(n,m);%分配荧火虫地址空间 ioti =zeros(n,1); %分配荧光素存放空间 rdi =zeros(n,1); %分配荧火虫决策半径存放空间 % ===============================分配空间结束=============================== figure(1); sign_first = 1; step_track = 0; x = -3:0.1:3; y = -3:0.1:3; [xx,yy] = meshgrid(x,y); j1=3*(1-xx).^2.*exp(-(xx.^2+(yy+1).^2)); j2=10*(xx./5-xx.^3-yy.^5).*exp(-(xx.^2+yy.^2)); j3=(1/3)*exp(-((xx+1).^2+yy)); zz=j1-j2-j3; figure(1); surf(xx,yy,zz); hold on % ===========================荧火虫常量初始化开始============================ %1.初始化地址 for i=1:m gaddress(:,i)=domx(i,1)+(domx(i,2)-domx(i,1))*rand(n,1); end gvalue = maxfun(gaddress); gbest_old = max(gvalue); % %可视化 plot3(gaddress(:,1),gaddress(:,2),gvalue(:),'b*'); drawnow; pause(1); % %2.初始化荧光素 ioti(:,1)=iot0; %3.初始化决策半径 rdi(:,1)=r0; iter_max=500;%最大迭代次数 t=1;%迭代累计 unchange = 0; % ===========================荧火虫常量初始化结束============================ % =============================iter_max迭代开始============================= while(t<=iter_max) && (unchange<60) %1.更新荧光素 ioti=max(0,(1-rho)*ioti+gamma*maxfun(gaddress)); %2.各荧火虫移动过程开始 for i=1:n %2.1 决策半径内找更优点 Nit=[];%存放荧火虫序号 for j=1:n if (norm(gaddress(j,:)-gaddress(i,:))<rdi(i))&&(ioti(i,1)<ioti(j,1)) Nit(numel(Nit)+1)=j; end end %2.2 找下一步移动的点开始 if length(Nit)>0 %先判断Nit个数不为0 Nitioti=ioti(Nit,1);%选出Nit荧光素 SumNitioti=sum(Nitioti);%Nit荧光素和 Molecular=Nitioti-ioti(i,1);%分子 Denominator=SumNitioti-ioti(i,1);%分母 Pij=Molecular./Denominator;%计算Nit各元素被选择概率 Pij=cumsum(Pij);%累计 Pij=Pij./Pij(end);%归一化 Pos=find(rand<Pij);%确定位置 j=Nit(Pos(1));%确定j的位置 %荧火虫i向j移动一小步 gaddress(i,:)=gaddress(i,:)+s*(gaddress(j,:)-gaddress(i,:))/norm(gaddress(j,:)-gaddress(i,:)); gaddress(i,:)=range(gaddress(i,:),domx);%限制范围 % %更新决策半径 rdi(i)=rdi(i)+beta*(nt-length(Nit)); if rdi(i,1)<0 rdi(i,1)=0; end if rdi(i,1)>rs rdi(i,1)=rs; end end %2.2 找下一步移动的点结束 end % %可视化 gvalue = maxfun(gaddress); gbest_new = max(gvalue); if gbest_new > gbest_old unchange = 0; gbest_old = gbest_new; else unchange = unchange + 1; end %plot(gaddress(:,1),gaddress(:,2),'b.','markersize',6);hold on; if mod(t,20) plot3(gaddress(:,1),gaddress(:,2),gvalue(:),'b*'); drawnow; pause(0.01); end %2.各荧火虫移动过程结束 %保存动态图gif f=getframe(gcf); imind=frame2im(f); [imind,cm] = rgb2ind(imind,256); if(sign_first==1) sign_first=0; imwrite(imind,cm,'track.gif','gif', 'Loopcount',inf,'DelayTime',0.02); else imwrite(imind,cm,'track.gif','gif','WriteMode','append','DelayTime',0.02); end %保存动态图gif t=t+1; end % =============================iter_max迭代结束============================= % =============================输出最优结果开始============================= gvalue=maxfun(gaddress);%求各个荧火虫的值 disp('最大值为:') num=find(gvalue==max(gvalue));%最大值序号 MaxValue=-max(gvalue) disp('最优解为:') BestAddress=gaddress(num,:); % =============================输出最优结果结束=============================