python萤火虫算法_FA：萤火虫算法的测试及Python实现
一、Python中传递函数
def Test(a,b):
print(a,b)
class TEST:
def __init__(self, FitnessFunction):
self.FitnessFunction = FitnessFunction
def initial(self):
self.FitnessFunction(1,2)
if __name__ == '__main__':
fa = TEST(Test)
fa.initial()
二、常用优化算法测试函数及实现
这里学到的两个小技巧是：
(1)np.linalg.norm()来求一范式和二范式
(2)累加、累成的便捷写法：reduce(lambda x,y: x+y, x_)，当x_为[x1, x2, x3, x4]时，reduce这个函数相当于执行f(f(f(x1,x2),x3),x4)，其中f(a, b)是由lambda创建的。
参考资料：https://zhidao.baidu.com/question/397090143281977845.html
def f1(x_): #Sphere
return np.linalg.norm(x_) ** 2
def f2(x_): #Schwefel 2.22
xa = reduce(lambda x,y: x*y, abs(x_))
xb = np.linalg.norm(x_, ord=1)
return xa + xb
def f3(x_): #Rosenbrock
xa = 100 * (x_[1:] - x_[:-1] * x_[:-1])
xb = (x_[:-1] - 1) * (x_[:-1] - 1)
return reduce(lambda x,y: x+y, xa+xb)
def f4(x_): #Step
return np.linalg.norm(np.floor(x_ + 0.5))
def f5(x_): #Schwefel 2.26
x_new = x_ * np.sin(np.sqrt(abs(x_)))
return reduce(lambda x,y: x+y, x_new)
def f6(x_): #Rastrigin
x_new = (x_ * x_) - (10 * np.cos(2 * np.pi * x_)) + 10
return reduce(lambda x,y: x+y, x_new)
def f7(x_): #Ackley
D = len(x_)
x_a = 20 * np.exp(-0.2 * np.sqrt(np.linalg.norm(x_)) / np.sqrt(D))
x_b = np.exp(reduce(lambda x,y: x+y, np.cos(2 * np.pi * x_)) / D)
return (20 - x_a) + (np.e - x_b)
def f8(x_): #Girewank
x_a = (np.linalg.norm(x_) ** 2)/4000
x_b = reduce(lambda x,y: x*y,
np.cos(x_ / np.array(range(1,len(x_)+1))))
return x_a - x_b + 1
这8个函数是目前主流的优化算法测试函数。
参考文献：[1]张哲辰,刘三阳.基于拓扑改进与交叉策略的萤火虫算法[J].计算机工程与应用,2019,55(07):1-8.
三、前人提出的萤火虫改进算法
目前知网最新的对萤火虫算法从拓扑结构上改进的文章是《基于拓扑改进与交叉策略的萤火虫算法》，它提出了以冯诺依曼拓扑结构来组织萤火虫，并以此确定更新路径时的对象，但是我觉得描述得比较模糊，没办法代码实现，所以这里不考虑。
主要参考这两篇：
[1] Wang H，Wang W，Sun H，et al.Firefly algorithm with random attraction[J].International Journal of Bio-Inspired Computation，2016， 8 (1)：33-41.
[2] Wang H，Wang W，Zhou X，et al.Firefly algorithm with neighborhood attraction[J].Information Sciences，2017， 382/383：374-387.