对标准的萤火虫算法进行完整的说明，从概念到改进到应用，全方位带你了解该智能算法

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题，提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略，并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明，基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。

主动配电网为高渗透率分布式可再生能源接入提供了有效途径。针对风能等可再生能源所固有的间歇性、波动性与随机性引起的功率波动问题，在配电网中引入储能系统作为可控负荷，建立包含风能与储能系统的主动配电网调度模型，该模型以储能系统的出力为变量；分别以平滑混合毛功率和混合净功率为目标，有效避免可再生能源接入对配电网造成的冲击。提出改进萤火虫算法求解主动配电网优化调度问题。仿真算例验证了所提模型与算法的有效性。

算法思想源于模拟自然界中萤火虫在晚上群聚活动的自然现象而提出的，在萤火虫的群聚活动中，各只萤火虫通过散发荧光素与同伴进行寻觅食物以及求偶等信息交流。一般来说，荧光素越亮的萤火虫其号召力也就越强，最终会出现很多萤火虫聚集在一些荧光素较亮的萤火虫周围。人工萤火虫算法就是根据这种现象而提出的一种新型的仿生群智能优化算法。在人工萤火虫群优化算法中，每只萤火虫被视为解空间的一个解，萤火虫种群作为初始解随机的分布在搜索空间中，然后根据自然界萤火虫的移动方式进行解空间中每只萤火虫的移动。通过每一代的移动，最终使得萤火虫聚集到较好的萤火虫周围，也即是找到多个极值点，从而达到种群寻优的目的。

Enhancing firefly algorithm with courtship learning (FA-CL) 算法matlab代码

萤火虫算法（FA）是一种用于全局优化的元启发式算法，其灵感来自萤火虫昆虫的闪光行为。该算法由Yang Xin-She Yang在2008年提出。在本文中，我们将与您分享Firefly算法（FA）的开源MATLAB实现，

萤火虫算法优化支持向量机，可以实现故障特征向量的分类

萤火虫算法的MATLAB程序，可运行

基于二元萤火虫算法的多元生理信号特征选择与识别

作业车间调度问题是将多台机器安排处理多个工件的组合优化问题，使最大完工时间达到最小。应用传统萤火虫算法求解时，萤火虫个体到达最优解附近时，相对吸引力逐渐增强，导致局部搜索能力减弱，造成求解结果在最优解附近震荡，进而使求解精度下降。为改善解的质量，本文在萤火虫算法迭代过程中引入精英选择策略，保护进化过程中的优秀个体，避免最优解丢失；为提高算法收敛速度与求解精度，对萤火虫位置更新方法引入基于种群规模和迭代次数的动态自适应惯性权重；同时对每一代萤火虫种群最优个体引入禁忌搜索算法，提高局部搜索能力。仿真结果表明本文所提出改进算法在解决作业车间调度问题上的有效性与实用价值。