混合优化算法是一种风险比较大的优化策略    中山登高车,  中山登高车出租,  中山登高车租赁   混合算法是智能优化算法的研究热点。提出结合遗传算法的混合萤火虫算法，混合萤火虫算法添加了遗传算法的复制和交叉操作；提出结合差分进化算法的混合萤火虫算法，使用差分进化算法中的进化操作来提高算法的搜索效率和萤火虫间的相互交流。李洋结合蛙跳算法提出混合蛙跳萤火虫算法，结合蛙跳算法的分群策略，对于每个子群进行局部深度优化。萤火虫算法结构简单，每一步操作非常直观，容易对其优缺点进行分析和与其他算法进行结合。从算法混合的角度来看，对萤火虫编码方式的改进可以看作是萤火虫算法和遗传算法的混合算法。对萤火虫算法本身的改进主要包括对随机扰动项随机分布的改进，对萤火虫算法控制参数取值的改进和对萤火虫种群划分的改进。对随机扰动项进行改进是为了增加算法跳出局部最优的能力。对萤火虫算法系数取值的改进是为了增加算法的自适应能力。对萤火虫种群划分的改进是为了增加算法的计算效率。对萤火虫算法的改进研究表明萤火虫算法存在一些缺陷，总结为以下一些方面：

   （１）萤火虫间吸引度值缺乏自适应性基本萤火虫算法使用相对亮度和萤火虫间距离决定萤火虫之间移动的方向和步长。算法中使用指数函数计算亮度衰减，所以亮度衰减速度比较快。对于搜索空间范围比较大的问题，萤火虫种群密度较小，萤火虫间距离较大，计算得到的吸引度较小，算法不易收敛。对于搜索空间比较小的问题，萤火虫种群密度较大，萤火虫间吸引度较大，容易使最优值震荡，不易收敛。因此使用固定系数的指数函数计算萤火虫间吸引度不能适应不同大小的搜索空间。另外，萤火虫算法在计算萤火虫间吸引度时没有利用萤火虫本身的亮度值，是对已知信息的浪费。

     中山登高车,  中山登高车出租,  中山登高车租赁  http://www.zhuhaidiaolanchechuzu.com/

   （２）算法飞行步长系数固定基本萤火虫算法使用固定不变的移动步长系数。不同优化问题的搜索空间或者同一搜索空间不同搜索区域适应度函数的梯度变化很大，固定步长参数不能够适应不同的搜索空间。如果步长系数太小，算法搜索效率太低。如果步长系数太大，可能造成算法在局部最优解附近震荡，收敛精度低。

  （３）算法计算量较大基本萤火虫算法的移动策略是每只萤火虫向比其自身亮的萤火虫移动，导致算法的计算量随着萤火虫种群个体的数量迅速增加，算法的计算量是种群个数的６平方次。一只萤火虫受所有比自身亮的萤火虫吸引，向多个方向移动导致各个方向互相干扰。另外基于指数函数的吸引度使距离接近的萤火虫之间相互吸引很强，所以可能位置不好的萤火虫对周围萤火虫的强吸引导致算法的寻优效率降低。

    （４）算法早熟收敛基本萤火虫算法在迭代过程中，种群的个体会逐渐趋同，所有的萤火虫聚集到一起，收敛到一个或多个局部最优。进一步的算法迭代并不能改变萤火虫种群的分布，此现象称为早熟收敛。

       中山登高车,  中山登高车出租,  中山登高车租赁