萤火虫群算法的改进及其应用

萤火虫群算法(Glowworm Swarm Optimization ,GSO)是2005年由印度学者krishnanad和Ghose提出的一种新的群智能算法。该算法在解决连续型最优化问题方面表现出了良好的性能,已成功地应用到机器人协同合作,多极值函数优化,网络传感器布局,聚类分析等多个方面。尽管如此,我们通过分析发现,该算法在某些方面存在时间耗费多,精度不高,极值遗漏等问题,需要从理论和算法设计等方面对其进行改进,并扩展应用范围。 本文主要就上述问题开展研究,获得了一些较好的结果,主要包括: (1)针对多极值函数优化的萤火虫群优化算法在极值较多的情况下,时间耗费太多,精度不高的问题,提出了一种小规模多种群的萤火虫群优化算法。实验表明,改进后的算法在时间,精度上有了很大的提高。 (2)针对萤火虫群算法对边界极值点或两个相近极值点会遗漏的缺陷,提出了两个改进措施。根据GSO与PSO各自的优势,设计了萤火虫-粒子群混合算法,该算法具有精度高,速度快,稳定性好,不易陷入局部最优。 (3)针对萤火虫群算法在高维函数优化方面效率不高的问题,通过在位置更新公式中加入一个扰动项的方法,获得了一种带有扰动项的萤火虫群算法,仿真实验表明,改进后算法在有效性,可靠性,精确度,稳定性方面优于基本萤火虫群算法,尤其是在高维函数优化时,改进的萤火虫群算法优势明显。 (4)将萤火虫群算法应用于多约束QoS组播路由问题,提出QoS-GSO算法。实验表明,该算法可以有效地寻找一棵最优组播树,算法性能优于蚁群算法和遗传算法,且对于规模较大的QoS组播路由问题,本算法也可以很快地给出一组正确的组播树,有较好的实际应用前景。 (5)将萤火虫群算法应用于求解多目标优化问题,提出MOP-GSO算法。实验表明,该算法可以有效地求解多目标优化问题。与NSGA2算法比较,MOP-GSO在广度上优于NSGA2。