一种基于阈值选择策略的改进混合蛙跳算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (35): 19-21.

一种基于阈值选择策略的改进混合蛙跳算法

李英海,周建中,杨俊杰,刘力

华中科技大学水电与数字化工程学院，武汉 430074

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-11 发布日期:2007-12-11
通讯作者: 李英海

Modified Shuffled Frog Leaping Algorithm based on threshold selection strategy

LI Ying-hai,ZHOU Jian-zhong,YANG Jun-jie,LIU Li

College of Hydroelectric and Digitalization Engineering，Huazhong University of Science and Technology，Wuhan 430074，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-11 Published:2007-12-11
Contact: LI Ying-hai

摘要/Abstract

摘要： 混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法，具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述，针对算法局部更新策略引起的更新操作前后个体空间位置变化较大，降低收敛速度这一问题，提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略，减小了个体空间差异，从而改善了算法性能。数值实验证明了该改进算法的有效性，并对改进算法的阈值参数进行了率定。

关键词: 进化算法, 混合蛙跳算法, 优化

Abstract: Shuffled Frog Leaping Algorithm（SFLA） is a new meta-heuristic population evolutionary algorithm and it has fast calculation speed and excellent global search capability.Firstly，the paper introduces the principle of SFLA.Then，aiming at the problem of the individual large space gap between before and after update operation slowering the convergence speed because of the local update strategy，the paper raises a modified shuffled frog leaping algorithm based on the threshold selection strategy.If not satisfying the threshold constraint，the individual element does not update.The modified strategy reduces the individual space gap and improves the capability of the algorithm.Finally，the paper proves validity of the modified algorithm and rates the threshold parameter with numerical experiment.

Key words: evolutionary algorithm, Shuffled Frog Leaping Algorithm（SFLA）, optimization

李英海,周建中,杨俊杰,刘力. 一种基于阈值选择策略的改进混合蛙跳算法[J]. 计算机工程与应用, 2007, 43(35): 19-21.

LI Ying-hai,ZHOU Jian-zhong,YANG Jun-jie,LIU Li. Modified Shuffled Frog Leaping Algorithm based on threshold selection strategy[J]. Computer Engineering and Applications, 2007, 43(35): 19-21.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[5]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[6]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[7]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[8]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[9]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[10]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[15]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.