一种改进的混合蛙跳算法及其收敛性分析

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (22): 37-40.

一种改进的混合蛙跳算法及其收敛性分析

贺毅朝，曲文龙，许冀伟

石家庄经济学院信息工程系，石家庄 050031

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-01 发布日期:2011-08-01

Improved shuffled frog-leaping algorithm and its convergent analysis

HE Yichao，QU Wenlong，XU Jiwei

Information Engineering School，Shijiazhuang University of Economics，Shijiazhuang 050031，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-01 Published:2011-08-01

摘要/Abstract

摘要： 为了提高混合蛙跳算法（SFLA）求解函数优化问题的能力，借鉴PSO与DE的进化算子提出了一种改进的混合蛙跳算法（ESFLA），分析了ESFLA的时间复杂性，并基于有限Markov链证明了ESFLA的全局收敛性。对ESFLA、SFLA与ISFLA2的仿真计算结果表明，ESFLA比SFLA和ISFLA2更适用于求解复杂的函数优化问题。

关键词: 混合蛙跳算法, 粒子群优化, 差分演化, 全局收敛性, 函数优化

Abstract: To improve the ability of shuffled frog-leaping algorithm（SFLA） for solving function optimization problems，an improved efficiently shuffled frog-leaping algorithm（ESFLA） is proposed，which adopts the evolutionary methods of particle swarm optimization and differential evolution，and its time complexity is analysed.The global convergence of ESFLA is proved by using limit Markov chain.In order to test and verify the ability of ESFLA for solving the function optimization problems，the performance of ESFLA is compared with that of SFLA and ISFLA2.The experimental results indicate that the performance of ESFLA is superior to SFLA and ISFLA2，and it is more suitable for solving complex function optimization problems.

Key words: shuffled frog-leaping algorithm, particle swarm optimization, differential evolution, global convergence, function optimization

贺毅朝，曲文龙，许冀伟. 一种改进的混合蛙跳算法及其收敛性分析[J]. 计算机工程与应用, 2011, 47(22): 37-40.

HE Yichao，QU Wenlong，XU Jiwei. Improved shuffled frog-leaping algorithm and its convergent analysis[J]. Computer Engineering and Applications, 2011, 47(22): 37-40.

[1]	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.
[2]	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.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[6]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[7]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[8]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[9]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[10]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[11]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[12]	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法[J]. 计算机工程与应用, 2020, 56(10): 44-50.
[13]	谈庆，黄樟灿. 基于近邻套索算子的磷虾群算法[J]. 计算机工程与应用, 2019, 55(9): 124-129.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.