算法流程图如下：

业分类-物理装置-一种童话夏夜萤火虫灯光时钟.zip

论文的完整名字A novel enhanced exploration firefly algorithm for global continuous optimization problems。2020年8月pdf版。

论文研究-融合粗糙集和二元萤火虫算法的雾霾关键影响因素预测方法.pdf,  雾霾对人类的日常生活带来极大的危害，因而分析产生雾霾的关键影响因素尤为重要.针对目前传统算法预测雾霾关键影响因素存在的缺陷，从一维细胞自动机入手，提出了一种以基于群落弱连接机制的二元萤火虫算法（CWLBGSO）为搜索策略，粗糙集为评价准则的混合方法.CWLBGSO基于自然界中萤火虫间协同进化的“弱连接”机制，划分搜索空间，为每个子空间分配相应的种群，各子种群中的次优个体相互交互产生新个体，从而保持种群的动态多样性，然后将CWLBGSO结合粗糙集，应用于北京，广州和上海三地雾霾关键影响因素的预测中，并结合10交叉验证和SVM算法对预测结果分类准确率和影响因素进行分析，通过与其它算法进行对比，结果表明本文算法能有效剔除冗余因素，预测结果具有较高的稳定性和可行性.

该文件为萤火虫算法的可执行文件，包含MATLAB和python版本，都是可以执行的，其中MATLAB版本的注释较为详细

1. 这个是永和萤火虫firefly rk3399设备的wk2124 4串口spi驱动. 我是拿到官方源码v2.1版本，在这个基础我修改过的。 萤火虫 firefly原来的驱动是不开源的，不能用的。 萤火虫原始的版本驱动，接收到32字节就会丢数据的。一次接受不能超过32 bytes 这个版本已经修复了这个Bug。亲测可用，设备树如下： 2. 附件中，有程序了，修改過的和官方未修改的。可以用来对比。 3. 设备树，在最后的设备树文件中，加入如下代码，就可以使用了（AIOC3399板），测试正常。 &spi1 { status = "okay"; }; /** add for t

萤火虫优化算法(GSO)是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在GSO算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述GSO算法基本原理,对算法各个参数进行分析说明,利用Matlab软件构建GSO算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。

•一种混合元启发式优化算法，结合了萤火虫和粒子群算法的优点。 •通过控制先前的全局最佳适应值提出局部搜索策略。 请引用： İbrahim Berkan Aydilek，一种用于计算昂贵的数值问题的混合萤火虫和粒子群优化算法，应用软计算，第 66 卷，2018 年 5 月，第 232-249 页

X S Yang萤火虫算法及其文献。七篇国外英文文献。两个对应的算法代码matlab版。其他的可以对应着修改 就可以实现文献算法效果

svm-firefly-optimization 这是我在萤火虫上的实现，以找到用于SVM的最佳C-Gamma参数，即Optimisasi C dan Gamma参数pada SVM 我从todatoshi（ ）的萤火虫算法实现中进行了一些自定义 在Scikit SVM中找到最佳的C和Gamma参数 样本数据集50-50，我仅将朋友的部分数据集用于演示目的，而不发布完整的数据集。 使用K折交叉验证，添加更多数据集将提高准确性，在此演示中，我们仅获得65％到70％的准确性。 ======== Implementasi algoritma萤火虫pada SVM untuk mencari参数C dan Gamma terbaik