小小虫儿“故事”多

<正>萤火虫是什么样的虫很多同学以为萤火虫类似蜜蜂,实际上萤火虫是甲虫、蜜蜂不是。萤火虫完全变态发育,一生经历卵、幼虫、蛹、成虫共4个阶段。它们中的大多数在每个阶段都能发光,水栖萤火虫通常4个月完成一个世代,陆栖萤火虫通常12个月完成一个世代。萤火虫的卵像迷你夜明珠;幼虫似柔软的毛毛虫,身体扁长,会蜕皮数次;     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

萤火虫的绝技

夏天的晚上,萤火虫出来活动了。它们尾部的“灯笼”忽明忽暗,像是在打着神秘的信号。萤火虫为什么要“亮灯”呢?原来,萤火虫的灯光是打给异性伙伴看的。雄萤火虫往往给雌萤火虫发信号,而雌萤火虫则往往给雄萤火虫回信号。我们知道,萤火虫发出的是冷光,发光过程中需要有荧光素,荧光素酶和一种叫ATP的物质参加。但萤火虫身上还有许多秘密一般人是不了解的.比如,萤火虫吃什么?它们怎样捕食?萤火虫又是怎样像壁虎那样爬在光滑物体表面上的?     

冬天赏萤

“萤火虫，萤火虫，慢慢飞；夏夜里，夏夜里，风轻吹……”，说起萤火虫，人们总会想到夏夜里萤火虫在山间飞舞，不由感叹那是何等浪漫的情景!是的，在炎炎夏日、无月的夜晚，只要您走到远离城市的森林中、小溪边、稻田旁，要观赏到飞舞的萤火虫并不是一件难事。但是，冬天的夜晚是否也可观赏到萤火虫呢？     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

萤火虫与蜗牛

萤火虫是肉食小甲虫,而它的食物就是蜗牛。你相信吗?萤火虫看起来那么小巧、柔弱和笨拙,怎么对付得了蜗牛呢?原来,萤火虫的头顶上有一对颚,弯起来就成为一把钩,钩子上有一条沟槽,那东西细小得像头发,很尖利。萤火虫先用颚在蜗牛的身体上轻轻敲打,蜗牛对其冒犯并不在意,甚至觉得被敲打几下如同按摩一样,还很舒服。它不知道,萤火虫是在向它注射一种毒液。当蜗牛被毒倒后,萤火虫再敲打它几下,注射另外一种液体,使蜗牛的肉变成流质,然后用管状的嘴喝下肚去。萤火虫的胜利,不仅是因为它有致命的毒液,更得益于它的弱小能迷惑对手,使对手放松戒备。…     

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。     

科学触角

揭开萤火虫同步闪烁之谜为什么有些萤火虫会同步闪烁?夏季开始的时候,在美国的Smoky Mountains地区,雄性Photinus carolinus萤火虫会向同类的雌性萤火虫上演一出不同寻常的秀:它们会反复同步地闪烁来照亮夜空。这种同步性的原因多年来一直是一个谜,但一项新的研究可能为人们提供了一种解答。     

改进的萤火虫算法及其工程应用

针对萤火虫算法存在易出现早熟收敛、后期收敛慢和精度低等问题,提出1种改进的萤火虫算法。采用反向学习策略对群体中个体位置进行初始化。引入Rosenbrock搜索以加快算法收敛和增强求解精度。对当前群体中最优萤火虫个体进行高斯混沌扰动以防止出现早熟收敛现象。选取6个标准函数进行仿真实验,并对2个标准工程应用问题进行求解。结果表明,该改进的萤火虫算法具有较强的全局优化性能。     

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。     

让萤火虫灯成为夜晚的一道风景

夜晚萤火虫漫天飞舞，是多么浪漫的情景。这款灯具从这一场景得到启发，仿制了萤火虫飞舞的效果，十分有趣。它的基座中配备了无线系统让电子“萤火虫”可以亮起来.     

阴阳萤火虫算法及其在全局优化问题中的应用研究

针对萤火虫算法(Firefly Algorithm, FA)在寻优中容易出现早熟现象、收敛不稳定的缺点,基于中国阴阳学说的内涵,提出一种新颖的阴阳萤火虫算法(Yin-Yang firefly algorithm, YYFA).首先,为了降低算法时间复杂度,设计一种新型随机吸引模型;其次,根据深度学习思想,采用阴阳萤火虫深度学习策略对当前最优萤火虫进行有效信息深度挖掘来引导萤火虫种群向更优方向移动.利用13个典型全局优化测试函数对阴阳萤火虫算法进行仿真实验,并与不同组合策略算法进行对比分析,实验结果表明YYFA算法表现出较好的全局寻优能力和稳定性,Friedman检验方法显示阴阳萤火虫深度学习策略是一种有效的改进方法.最后将YYFA算法应用到黄甫川站年径流预报问题中,利用其优选支持向量回归模型(Support Vector Regression, SVR)的超参数,构建YYFA-SVR预报模型.应用结果表明YYFA-SVR模型预报效果优于BOA-SVR模型、WOA-SVR模型和ESDA-SVR模型,预报精度较高,可为相关预报工作提供新思路.     

一种多样性增强的混合萤火虫算法

针对基本萤火虫算法存在局部开采能力不强,并且容易陷入局部极值等问题,提出一种多样性增强的混合萤火虫算法(diversity-enhanced hybrid firefly algorithm,DeHFA).为提高萤火虫算法的种群多样性,构造了分布式协同进化种群框架,使得主种群、子种群和精英种群之间可以进行优良个体的交流...     

一种混沌多样性控制的萤火虫优化算法

针对基本萤火虫算法存在早熟停滞现象,提出了一种混沌多样性控制的萤火虫优化算法.运用混沌映射产生均匀分布的萤火虫初始位置,获得质量较好的初始解;在搜索过程中对适应值低的部分萤火虫进行混沌扰动,以保持群体活性,减小陷入局部最优的可能性;同时利用真实物理反弹理论对超越边界萤火虫位置进行控制,提高种群的多样性.用标准测试函数测试,实验结果表明,该算法能有效地提高了算法的全局搜索和局部开发能力,寻优精度和收敛速度明显提高.     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

萤火虫算法的改进及其在光伏MPPT中的应用

针对萤火虫(FA)算法易陷入局部最优等缺点,提出一种基于混沌优化和高斯变异的萤火虫(CGFA)算法。首先在萤火虫初始位置进行混沌优化,使其分布均匀;然后在萤火虫移动过程中采用高斯变异,使其避免陷入局部最优。同时,将CCGFA算法和FA算法分别应用于三种基准函数,将其进行测试与比较,得出CGFA算法性能优于FA算法的性能。再者,将CGFA算法、FA算法、ABC算法分别应用于光伏MPPT中,通过仿真与实验,验证了CGFA算法的优越性。     

基于精英邻居引导的萤火虫算法

由于萤火虫的移动采用的是全吸引模型,所以当迭代过程中有移动时,可能会存在振荡较大、时间计算复杂度较高等问题.为了克服这些不足,提出了一种基于精英邻居引导的萤火虫算法.算法通过利用精英邻居的信息引导萤火虫的移动,减少振荡的发生,降低时间计算复杂度.同时,若某只萤火虫周围不存在精英邻居,则利用自身的信息进行反向学习以提高算法跳出局部最优的能力.数值实验表明本文算法的鲁棒性、寻优精度及搜索速度均优于其他几种算法.     

雷氏萤和金边窗萤的生物学习性及饲养技术研究

【目的】研究并设计室内的水生和陆生萤火虫饲养装置，掌握不同生境萤火虫的生活史规律和生物学特性，以便于更好地保护和繁育萤火虫。【方法】在重庆师范大学昆虫研发创新基地的经济昆虫繁育室饲养雷氏萤(Aquaticaleii)和金边窗萤(Pyrocoeliaanalis)两种不同生境的萤火虫，温度维持在25～30℃，连续饲养雷氏萤两代，记录每个生活史阶段的生物学特性并根据它们的生活史特点来设计和改进它们的饲养方法。【结果】成功饲养并繁殖了雷氏萤和金边窗萤，初步了解了雷氏萤和金边窗萤的生物学习性并建立室内规模化饲养技术体系。【结论】使用该饲养方法，雷氏萤火虫发育历期缩短，各阶段生长发育较好，可作为水生萤火虫的标准化的饲养程序，研究结果有助于对萤火虫的保护和利用。