本文介绍了2015年由Mirjalili等人提出的飞蛾算法，该算法受飞蛾对火焰的吸引行为启发，包含选择火焰、围绕飞行和移动三个阶段。通过详细解释算法过程和伪代码，展示了其在自然启发式优化中的应用。
1.背景
2015年，Mirjalili等人受到飞蛾受到火焰吸引行为启发，提出了飞蛾算法(Moth-Flame Optimization，MFO)。
2.算法原理
2.1算法思想
MFO基于自然界中飞蛾寻找光源的行为，主要分为选择火焰-围绕飞行-移动三个阶段。
2.2算法过程
选择火焰：
初始飞蛾数量和火焰数量相同，每只飞蛾可以选择不同的火焰，火焰数量表述为：
f
l
a
m
e
n
o
=
r
o
u
n
d
(
N
−
l
∗
N
−
1
T
)
(1)
\left.flame~no=round(N-l\right.*\frac{N-1}T)\tag{1}
flame no=round(N−l∗TN−1)(1)
围绕飞行：
飞蛾采用螺旋飞行方式寻找光源，表述为：
S
(
M
i
,
F
j
)
=
D
i
⋅
e
b
t
⋅
cos
(
2
π
t
)
+
F
j
(2)
S(M_i,F_j)=D_i\cdot e^{bt}\cdot\cos(2\pi t)+F_j\tag{2}
S(Mi,Fj)=Di⋅ebt⋅cos(2πt)+Fj(2)
移动：
飞蛾围绕火焰飞行至下一位置，将下一位置与火焰位置进行排序（适应度值度量）作为下一次火焰位置。
伪代码：
3.结果展示
4.参考文献
[1] Mirjalili S. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm[J]. Knowledge-based systems, 2015, 89: 228-249.
334
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
