混合优化算法_一种混合 BBO-萤火虫优化算法.zip BO Firefly 优化算法 %% 基于混合生物地理学的优化 Firefly 算法 - 由 Seyed Muhammad Hossein Mousavi 于 2022 年 1 月 19 日创建 % 以下代码行提取 4 个信号特征，即 % 'EnergyEntropy'、'ShortTimeEnergy'、'SpectralCentroid' 和'SpectralFlux' % 其中 'ShortTimeEnergy' 被认为是目标和其他作为输入。% 模糊逻辑创建初始模型以适应。进化训练有两个阶段：使用 BBO 算法进行第一次训练以创建第一个模糊 % 进化模型，第二阶段是通过 Firefly 算法将 BBO 模型拟合到更好的条件。显然，您可以使用信号、音频百分比甚至矩阵，并根据您的系统和数据自定义参数。

本文件夹中包含萤火虫算法；可以用于都不同的算法进行优化，实测可以进行优化和应用。另外，这种算法都是最近几年比较新的算法，可以用于发文章。

本文件夹中包含萤火虫算法；可以用于都不同的算法进行优化，实测可以进行优化和应用。另外，这种算法都是最近几年比较新的算法，可以用于发文章。

分享了萤火虫优化算法的源代码及原文，亲测有效，欲求更多算法可进入空间查看

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。