Diferencia entre revisiones de «Algoritmo firefly»

Añadir enlaces
De Wikipedia, la enciclopedia libre
Ir a siguiente diferencia →
Contenido eliminado Contenido añadido
VisualWikitexto
Creado al traducir la página «Firefly algorithm»
(Sin diferencias)

Revisión del 20:43 26 feb 2016

El algoritmo firefly  (FA por sus siglas en inglés, "firefly algorithm"; algoritmo luciérnaga en español) es un algoritmo metaheuristico, inspirado en el comportamiento del centelleo de las luciérnagas. El propósito primario de una luciérnaga es generar destellos de luz para actuar como sistema de señal para atraer a otras luciérnagas. Xin-She Yang formuló este algoritmo con las siguientes premisas:[1]​

  1. Todas las luciérnagas son "unisexuales", de modo que cualquier luciérnaga individual será atraída por todas las demás;
  2. La atracción es proporcional a su brillo, y para cualquier par de luciérnagas, la menos brillante será atraída por (y por lo tanto se desplazará hacia) la más brillante; aun así, la intensidad (el brillo aparente) decrece como aumenta la distancia entre ambas;
  3. Si no hay  luciérnagas más brillantes que una dada, esta se mueve aleatoriamente.

El brillo es asociado con los valores de una función objetivo.

El algoritmo Firefly es un procedimiento metaheuristico de optimización inspirado en la naturaleza.

Descripción del algoritmo

El pseudocódigo puede ser resumido como: 

Empezar
   1) Función objetivo: ;
   2) Generar una población inicial de luciérnagas ;.
   3) Formula intensidad ligera yo de modo que  está asociado con (por 
      ejemplo, para problemas de maximización,   or simply ;) ;)
   4) Define coeficiente de absorción γ
 
   Mientras (t < MaxGeneration)
      para i = 1 : n (todo n fireflies)
         para j = 1 : n (n fireflies)
            if (), (),
               movimiento firefly i hacia j;
               Varía attractiveness con distancia r vía ;
               Evalúa soluciones nuevas y actualizar intensidad ligera;
            fin si 
         fin para j
      fin para
      i Rango fireflies y encontrar el actual más;
   fin mientras

   que procesa Correo los resultados y visualización;

fin;;.if (),;

La fórmula de actualización principal para cualquier par de dos luciérnagas  y  es

donde  es un parámetro que controla la medida del paso, mientras que  es un vector extraído de una distribución Gaussiana u otra distribución.

Puede demostrarse que el caso limitativo <math>\gamma \rightarrow 0</math>  corresponde a la optimización por enjambre de partículas estándar (PSO). De hecho, si el bucle interior (for j) es eliminado y el brillo  es reemplazado por el mejor actual global , entonces FA esencialmente se convierte en el estándar PSO.

Guías de implementación

 tiene que ser relacionado con la escala de variables de diseño. Idealmente, el término  tendría que ser de orden uno, lo que requiere que tendría que ser enlazado con las escalas. Por ejemplo, una posible elección es utilizar  , donde  es la escala media del problema. En el caso de que las escalas varíen significativamente, puede ser considerado como un vector para adoptar escalas diferentes en dimensiones diferentes. De modo parecido, también tendría que ser enlazada con las escalas. Por ejemplo, . Se puede señalar  que la descripción anterior no incluye la reducción aleatoria. De hecho, en su implementación real por diversos investigadores, el movimiento de las luciérnagas es gradualmente reducido por una especie de suavizamiento aleatorio como  donde, aunque este valor puede depender del número de iteraciones.[2]​ En algún problema difícil, pueda ser útil aumentar en algunas etapas, y reducirlo cuando sea necesario. Esta variación no-monótona de  capacita al algoritmo para salir de cualquier óptimo local como en el caso improbable de que pudiera bloquearse si el término aleatorio es reducido demasiado deprisa.

Estudios paramétricos muestran que n (el número de luciérnagas) tendría que ser aproximadamente entre 15 y 40 para la mayoría de problemas.[3]​ Hay una versión disponible del algoritmo programada en python, aunque con funcionalidades limitadas.[4]​

Estudios recientes muestran que el algoritmo firefly es muy eficaz, y puede superar a otros algorítmicos metaheurísticos que incluyen optimización por enjambre de partículas.[5]​[6]​ Otros algoritmos metaheurísticos pueden tener dificultad en tratar funciones de prueba estocástica, y parece que  el algoritmo firefly puede tratar la prueba estocástica de forma muy eficientemente.[7]​ Además, también es mejor en el tratamiento de problemas de optimización de ruido, con una notable facilidad de implementación.[8]​[9]​

Chatterjee y otros [10]​ han demostrado que el algoritmo firefly puede ser superior a la optimización por enjambre de partículas en sus aplicaciones. Además,  puede solucionar eficientemente problemas no convexos con con condiciones de contorno complejas no lineales.[11]​[12]​ Se han hecho mejoras posteriores en el rendimiento con resultados prometedores.[13]​[14]​

Análisis teórico

A pesar de que se han hecho muchos progresos en algorítmos basados en el FA desde 2008, todavía se necesitan esfuerzos significativos para mejorar su rendimiento:[15]​

  • Análisis teórico para convergencia de trajectorias;
  • Deducción de las condiciones suficientes y necesarias para la selección de los coeficientes de control;
  • Mecanismos o estrategias eficaces para la selección de los parámetros de control;
  • Reglas no-homogéneas de actualización para realzar la capacidad de búsqueda.[16]​

Las variantes clásicas del algoritmo tienen encuadres de parámetros inesperados y leyes de actualización limitada, notablemente la regla homogénea necesita ser mejorada para hacer más búsquedas en escenarios de formas físicas diferentes.  Se ha efectuado el análisis de la trayectoria de una sola luciérnaga en el algoritmo tradicional y en una variante adaptativa, respectivamente. Estos análisis llevan a un modelo general de los algoritmos que incluyen un conjunto de las condiciones de frontera para los parámetros que garantizan las tendencias de convergencia de los dos algoritmos.[17]​

Variantes del algoritmo firefly

Una revisión recopilatoria reciente ha mostrado que el algoritmo firefly y sus variantes han sido utilizados en casi todas las áreas de la ciencia:[18]​

Adaptive Firefly Algorithm (AdaFa)

Un adaptive variante de firefly algoritmo, denominado AdaFa, estuvo propuesto en ref.[19]​[20]​ En AdaFa, la selección de parámetro y estrategias de adaptación están investigadas. Hay tres estrategias en AdaFa incluyendo (1) una distancia-coeficiente de absorción ligero basado; (2) un coeficiente gris que realza fireflies para compartir información de diferencia de atractivo unos efficiently; y (3) cinco estrategias dinámicas diferentes para el parámetro de aleatorización. Prometiendo selecciones de los parámetros en las estrategias están analizados para garantizar el rendimiento eficaz de AdaFa.

Discrete Firefly Algorithm (DFA)

Una versión discreta de Firefly Algoritmo, concretamente, Discreto Firefly Algoritmo (DFA) propuso recientemente por M. K. Sayadi, R. Ramezanian Y N. Ghaffari-Nasab Puede efficiently solucionar NP-duro planificando problemas.[21]​ DFA outperforms Existiendo algoritmos como el algoritmo de colonia de la hormiga.

Para segmentación de imagen, el FA-el método basado es lejos más eficaz a Otsu método y recursivo Otsu.[22]​ Entretanto, una implementación buena de un discreto firefly algoritmo para QAP los problemas ha sido llevados a cabo por Durkota.[23]​

Multiobjective FA

Un estudio importante de FA estuvo llevado a cabo por Apostolopoulos y Vlachos, el cual proporciona un detallado de fondo y análisis sobre una gama ancha de problemas de prueba que incluyen multobjective problema de despacho de la carga.[24]​

Lagrangian FA

Un interesante, lagrangiano firefly el algoritmo está propuesto para solucionar unidad de optimización de sistema de poder problemas de compromiso.[25]​

Chaotic FA

Un caótico firefly algoritmo (CFA) estuvo desarrollado y encontrado a outperform el anteriormente soluciones más sabidas disponibles.[26]​

Algoritmos híbridos

Un esquema inteligente híbrido ha sido desarrollado por combinar el firefly algoritmo con la optimización de colonia de la hormiga.[27]​

Firefly Algorithm Based Memetic Algorithm

Un firefly algoritmo (FA) basó memetic algoritmo (FA-MA) está propuesto a apropiadamente determinar los parámetros de SVR forecasting modelo para carga de electricidad forecasting. En el propuesto FA-MA algoritmo, el FA el algoritmo está aplicado para explorar el espacio de solución, y la búsqueda de patrón suele conducta aprendizaje individual y así realzar la explotación de FA.[28]​

Parallel Firefly Algorithm with Predation (pFAP)

Una implementación para entornos de memoria compartida con la adición de un predation mecanismo que ayudas el método para huir local óptimo.[29]​

Modified Firefly Algorithm

Muchas variantes y las modificaciones están hechas para aumentar su rendimiento. Un ejemplo particular será modificado firefly algoritmo por Tilahun y Ong ., en qué el proceso de actualizar del más brillante firefly está modificado para mantener el resultado mejor durante las iteraciones.[30]​

Aplicaciones

Compresión de imagen digital y procesamiento de imagen

Muy recientemente, un algoritmo FF-LBG  para cuantificación vectorial de compresión de imagen digital basado en el algoritmo firefly, ha probado ser más rápido que otros algoritmos como PSO-LBG y HBMO-LBG ("optimización de enjambre de partículas" y "optimización de apareamiento de abejas"; variaciones del algoritmo "Linde–Buzo–Gray").[31]​[32]​ Para entropía mínima de cruce límite, el algoritmo basado en firefly utiliza el menor tiempo de computación. También es muy eficaz para el análisis de las imágenes de gel de electroforesis.[33]​[34]​

Optimización de autovalores

Optimización de autovalores de los sistemas isoespectrales se ha solucionado por FA, localizando los puntos óptimos múltiples eficientemente.[35]​

Sistemas nanoelectronicos y Diseño de circuitos integrados 

El multiobjective firefly algoritmo (MOFA) ha sido utilizado para la optimización de diseño de un 90 nm CMOS amplificador operacional basado (OP-AMP) cuál podría actuar minimización de poder simultáneo y slew maximización de índice dentro 500 iteraciones.[36]​

Selección de características y detección de fallos

Selección de característica puede ser también llevada a cabo exitosamente utilizando firefly algoritmo.[37]​ Identificación de culpa de tiempo real en sistemas grandes deviene viable, basado en el trabajo reciente encima identificación de culpa con binario adaptive firefly optimización.[38]​ Un filtro híbrido-wrapper selección de característica para carga forecasting es propuso basado en Firefly Algoritmo.[39]​

Diseño de antenas

Firefly Algoritmos outperforms ABC para optimal diseño de variedad lineal de fuentes isótropas y antena de variedad controlable digital.[40]​[41]​ Tiene fundar aplicaciones en síntesis de patrones de huella del satélite también.[42]​

Diseño estructural

Para mixto-problemas variables, muchos algoritmos de optimización pueden luchar. Aun así, firefly el algoritmo puede efficiently solucionar problemas de optimización con variables mixtas.[43]​

Planificando y TSP

Firefly-Basó algoritmos para planificar tarea graphs y tienda de trabajo que planifica requiere menos informática que todo otro metaheuristics.[44]​[45]​ Un binario firefly el algoritmo ha sido desarrollado para emprender el knapsack cryptosystem efficiently Recientemente, un evolutivo discreto FA ha sido desarrollado para solucionar problemas de viajante[46]​ la mejora más Lejana en rendimiento puede ser obtenida por utilizar direcciones preferentes en firefly movimientos.[47]​

Composición de Web semántica

Un híbrido FA ha sido desarrollado por et al de Pop. Para seleccionar optimal solución en composición de servicio web semántico.[48]​

Equilibrio de Fase química

Para cálculos de equilibrio de la fase y análisis de estabilidad, FA estuvo encontrado para ser el más fiable comparado con otras técnicas.[49]​

Agrupamientos

Estudio de rendimiento para clustering también sugirió que firefly el algoritmo es muy eficaz.[50]​

Problemas dinámicos

Firefly El algoritmo puede solucionar problemas de optimización en entornos dinámicos muy efficiently.[51]​[52]​

Problemas de Inscripción de Imagen rígidos

Firefly El algoritmo puede solucionar los problemas de inscripción de imagen rígidos más eficaces que algoritmo genético, optimización de enjambre de la partícula, y colonia de abeja artificial[53]​

Predicción de Estructura de la proteína

La predicción de estructuras de proteína es NP-duro, y un estudio reciente por Maher et al. Espectáculos que firefly-basó los métodos pueden solicitar las predicciones.[54]​ Firefly El algoritmo puede solucionar dos dimensional HP modelo. En su experimento, tomaron 14 secuencias de longitudes de cadena diferente de 18 a 100 cuando el dataset y comparó el FA con algoritmo genético estándar y algoritmo genético inmune. El averaged resultados de convergencia de la energía muestran que FA consigue los valores más bajos.[55]​

Optimización de parámetro de SVM

Firefly Algoritmo (FA)está aplicado para determinar el paraemters de MSVR (vector de soporte de producción Múltiple regresión) en intervalo-índice de precio accionario valorado forecasting.[56]​

Entretanto, un firefly algoritmo (FA) basó memetic algoritmo (FA-MA) está propuesto a apropiadamente determinar los parámetros de SVR forecasting modelo para carga de electricidad forecasting. En el propuesto FA-MA algoritmo, el FA el algoritmo está aplicado para explorar el espacio de solución, y la búsqueda de patrón suele conducta aprendizaje individual y así realzar la explotación de FA.[57]​

IK-FA, Solucionando Inverse Kinematics utilizando FA

FA, heurístico está utilizado como inverse kinematics solver. La propuesta se apellida IK-FA, para inverse Kinematics utilizando Firefly Algoritmo. Inverse Cinemático consiste en encontrar una solución de juntas valiosa que deja consiguiendo una posición de segmento de fin concreta. El método propuesto utilizó un delantero kinematics modelo, el FA heurístico, una función de forma física y un conjunto de constreñimientos de movimientos, para solucionar inverse kinematics.[58]​

Ver también

Referencias

  1. ↑ Yang, X. S. (2008). Nature-Inspired Metaheuristic Algorithms. Frome: Luniver Press. ISBN 1-905986-10-6. 
  2. ↑ http://www.mathworks.com/matlabcentral/fileexchange/29693-firefly-algorithm/content/fa_mincon.m
  3. ↑ A simple demo Matlab code is available
  4. ↑ https://code.google.com/p/csc6810project/
  5. ↑ Yang, X. S. (2009). «Firefly algorithms for multimodal optimization». Stochastic Algorithms: Foundations and Applications, SAGA 2009. Lecture Notes in Computer Sciences 5792. pp. 169-178. arXiv:1003.1466. 
  6. ↑ Lukasik, S.; Zak, S. (2009). «Firefly algorithm for continuous constrained optimization task». ICCCI 2009, Lecture Notes in Artificial Intelligence (Eds. N. T. Ngugen, R. Kowalczyk, S. M. Chen) 5796. pp. 97-100. 
  7. ↑ Yang, X.-S. (2010). «Firefly algorithm, stochastic test functions and design optimisation». Int. J. Bio-inspired Computation 2 (2): 78-84. arXiv:1003.1409. doi:10.1504/ijbic.2010.032124. 
  8. ↑ Chai-ead, N.; Aungkulanon, P.; Luangpaiboon, P. (2011). «Bees and firefly algorithms for noisy non-linear optimisation problems». Prof. Int. Multiconference of Engineers and Computer Scientists 2011 2: 1449-1454. 
  9. ↑ Aungkulanon, P.; Chai-ead, N.; Luangpaiboon, P. (2011). «Simulated manufacturing process improvement via particle swarm optimisation and firefly algorithms». Prof. Int. Multiconference of Engineers and Computer Scientists 2011 2: 1123-1128. 
  10. ↑ Chatterjee, A.; Mahanti, G. K.; Chatterjee, A. (2012). «Design of a fully digital controlled reconfigurable switched beam conconcentric ring array antenna using firefly and particle swarm optimization algorithm». Progress in Elelectromagnetic Research B 36: 113-131. doi:10.2528/pierb11083005. 
  11. ↑ Yang, X. S.; Hosseini, S. S.; Gandomi, A. H. «Firefly algorithm for solving non-convex economic dispatch problems with valve loading effect». Applied Soft Computing 12 (3): 1180-1186. doi:10.1016/j.asoc.2011.09.017. 
  12. ↑ Abdullah, A.; Deris, S.; Mohamad, M. S.; Hashim, S. Z. M. (2012). «A new hybrid firefly algorithm for complex and nonlinear problem, in: Distributed Computing and Artificial Intelligence». Advances in Intelligent and Soft Computing 151: 673-680. doi:10.1007/978-3-642-28765-7_81. 
  13. ↑ Farahani, S. M.; Abshouri, A. A.; Nasiri, B.; Meybodi, M. R. (2012). «Some hybrid models to improve firefly algorithm performance». Int. J. Artificial Intelligence 8 (S12): 97-117. 
  14. ↑ Nasiri, B.; Meybodi, M. R. (2012). «Speciation-based firefly algorithm for optimization in dynamic environments». Int. J. Artificial Intelligence 8 (S12): 118-132. 
  15. ↑ Cheung, Ngaam J.; Ding, X.-M.; Shen, H.-B. (2016). «A Non-Homogeneous Firefly Algorithm and Its Convergence Analysis». Journal of Optimization Theory and Applications. doi:10.1007/s10957-016-0875-4. 
  16. ↑ Cheung, Ngaam J.; Ding, X.-M.; Shen, H.-B. (2014). «Adaptive Firefly Algorithm: Parameter Analysis and its Application». PLOS ONE 9 (11): e112634. doi:10.1371/journal.pone.0112634. 
  17. ↑ Cheung, Ngaam J.; Ding, X.-M.; Shen, H.-B. (2016). «A Non-Homogeneous Firefly Algorithm and Its Convergence Analysis». Journal of Optimization Theory and Applications. doi:10.1007/s10957-016-0875-4. 
  18. ↑ Fister, I.; Fister, Jr.; Yang, X. S.; Brest, J. (2013). «A comprehensive review of firefly algorithms». Swarm and Evolutionary Computation 13 (1): 34-46. doi:10.1016/j.swevo.2013.06.001. 
  19. ↑ http://godzilla.uchicago.edu/pages/ngaam/AdaFa/index.html
  20. ↑ Cheung, Ngaam J.; Ding, X.-M.; Shen, H.-B. (2014). «Adaptive Firefly Algorithm: Parameter Analysis and its Application». PLOS ONE 9 (11): e112634. doi:10.1371/journal.pone.0112634. 
  21. ↑ Sayadi, M. K.; Ramezanian, R.; Ghaffari-Nasab, N. (2010). «A discrete firefly meta-heuristic with local search for makespan minimization in permutation flow shop scheduling problems». Int. J. of Industrial Engineering Computations 1: 1-10. doi:10.5267/j.ijiec.2010.01.001. 
  22. ↑ T. Hassanzadeh, H. Vojodi and A. M. E. Moghadam, An image segmentation approach based on maximum variance intra-cluster method and firefly algorithm, in: Proc. of 7th Int.
  23. ↑ K. Durkota, Implementation of a discrete firefly algorithm for the QAP problem within the sage framework, BSc thesis, Czech Technical University, (2011). http://cyber.felk.cvut.cz/research/theses/papers/189.pdf
  24. ↑ Apostolopoulos, T.; Vlachos, A. (2011). «Application of the Firefly Algorithm for Solving the Economic Emissions Load Dispatch Problem». International Journal of Combinatorics 2011: Article ID 523806. 
  25. ↑ Rampriya B., Mahadevan K. and Kannan S., Unit commitment in deregulated power system using Lagrangian firefly algorithm, Proc. of IEEE Int.
  26. ↑ L. dos Santos Coelho, D. L. de Andrade Bernert, V. C. Mariani, a chaotic firefly algorithm applied to reliability-redundancy optimization, in: 2011 IEEE Congress on Evolutionary Computation (CEC'11), pp. 517-521 (2011).
  27. ↑ Giannakouris, G.; Vassiliadis, V.; Dounias, G. (2010). «Experimental study on a hybrid nature-inspired algorithm for financial portfolio optimization». SETN 6040: 101-111. doi:10.1007/978-3-642-12842-4_14. 
  28. ↑ Zhongyi Hu, Yukun Bao, and Tao Xiong, Electricity Load Forecasting using Support Vector Regression with Memetic Algorithms, The Scientific World Journal, 2014, http://www.hindawi.com/journals/tswj/aip/292575/
  29. ↑ E. F. P. Luz, H. F. Campos Velho, J. C. Becceneri, Firefly Algorithm with Predation: A parallel implementation applied to inverse heat conduction problem, in: Proc. of 10th World Congress on Computational Mechanics (WCCM 2012), (2012).
  30. ↑ Tilahun, S. L.; Ong, H. C. «Modified Firefly Algorithm». Journal of Applied Mathematics 2012: 467631. 
  31. ↑ Horng, M.-H.; Jiang, T. W. (2010). «The codebook design of image vector quantization based on the firefly algorithm». Computational Collective Intelligence, Technologies and Applications, LNCS 6423: 438-447. doi:10.1007/978-3-642-16696-9_47. 
  32. ↑ Horng, M.-H. (2011). «vector quantization using the firefly algorithm for image compression». Expert Systems with Applications 38. 
  33. ↑ Horng, M.-H.; Liou, R.-J (2011). «Multilevel minimum cross entropy threshold selection based on the firefly algorithm». Expert Systems with Applications 38 (12): 14805-14811. doi:10.1016/j.eswa.2011.05.069. 
  34. ↑ M. H. M. Noor, A. R. Ahmad, Z. Hussain, K. A. Ahmad, A. R. Ainihayati, Multilevel thresholding of gel electrophoresis images using firefly algorithm, in: Proceedings of Control System, Computing and Engineering (ICCSCE2011), pp. 18-21 (2011).
  35. ↑ Dutta, R.; Ganguli, R.; Mani, V. (2011). «Exploring isospectral spring-mass systems with firefly algorithm». Proc. Roy. Soc. A. 467. 
  36. ↑ G. Zheng, S. P. Mohanty, E. Kougianos, and O. Okobiah, "iVAMS: Intelligent Metamodel-Integrated Verilog-AMS for Circuit-Accurate System-Level Mixed-Signal Design Exploration", in Proceedings of the 24th IEEE International Conference on Application-specific Systems, Architectures and Processors (ASAP), 2013, pp. 75--78.
  37. ↑ Banati, H.; Bajaj, M. (2011). «Firefly based feature selection approach». Int. J. Computer Science Issues 8 (2): 473-480. 
  38. ↑ R. Falcon, M. Almeida and A. Nayak, Fault identification with binary adaptive fireflies in parallel and distributed systems, IEEE Congress on Evolutionary Computation, (2011).
  39. ↑ Hu, Z.; Bao, Y.; Xiong, T.; Chiong, R. (2015). «Hybrid filter–wrapper feature selection for short-term load forecasting». Engineering Applications of Artificial Intelligence 40: 17-27. doi:10.1016/j.engappai.2014.12.014. 
  40. ↑ Basu, B.; Mahanti, G. K. (2011). «Firefly and artificial bees colony algorithm for synthesis of scanned and broadside linear array antenna». Progress in Electromagnetic Research B. 32: 169-190. doi:10.2528/pierb11053108. 
  41. ↑ Chatterjee, A.; Mahanti, G. K.; Chatterjee, A. (2012). «Design of a fully digital controlled reconfigurable switched beam conconcentric ring array antenna using firefly and particle swarm optimization algorithm». Progress in Elelectromagnetic Research B 36: 113-131. doi:10.2528/pierb11083005. 
  42. ↑ Chatterjee, Anirban; Kumar Mahanti, Gautam; Ghatak, Gourab (2014). «Synthesis of satellite footprint patterns from rectangular planar array antenna by using swarm-based optimization algorithms». Int. J. Satell. Commun. Network 32: 25-47. doi:10.1002/sat.1055. 
  43. ↑ Gandomi, A. H.; Yang, X. S.; Alavi, A. H. (2011). «Mixed variable structural optimization using firefly algorithm». Computers and Structures 89 (23-24): 2325-2336. doi:10.1016/j.compstruc.2011.08.002. 
  44. ↑ U. Hönig, A firefly algorithm-based approach for scheduling task graphs in homogeneous systems, Proceeding Informatics, doi 10.2316/P.2010.724-033, 724 (2010).
  45. ↑ A. Khadwilard, S. Chansombat, T. Thepphakorn, P. Thapatsuwan, W. Chainat, P. Pongcharoen, Application of firefly algorithm and its parameter setting for job shop scheduling, First Symposius on Hands-On Research and Development, (2011).
  46. ↑ G. K. Jati and S. Suyanto, Evolutionary discrete firefly algorithm for travelling salesman problem, ICAIS2011, Lecture Notes in Artificial Intelligence (LNAI 6943), pp.393-403 (2011).
  47. ↑ S. Palit, S. Sinha, M. Molla, A. Khanra, M. Kule, A cryptanalytic attack on the knapsack cryptosystem using binary Firefly algorithm, in: 2nd Int.
  48. ↑ C. B. Pop, V. R. Chifu, I. Salomie,R. B. Baico, M. Dinsoreanu, G. Copil, A hybrid firefly-inspired approach for optimal semantic web service composition, in: Proc. of 2nd Workshop on Software Services: Cloud Computing and Applications, June, 2011.
  49. ↑ Fateen, S. E.; Bonilla-Petrociolet, A.; Rangaiah, G. P. (2012). «Evaluation of covariance matrix adaptation evolution strategy, shuffled complex evolution and firefly algorithms for phase stability, phase equilibrium and chemical equilibrium problems». Chemical Engineering Research and Design 90: 2051-2071. doi:10.1016/j.cherd.2012.04.011. 
  50. ↑ J. Senthilnath, S. N. Omkar and V. Mani, Clustering using firefly algorithm: Performance study, Swarm and Evolutionary Computation, June (2011). doi 10.1016/j.swevo.2011.06.003
  51. ↑ S. M. Farahani, B. Nasiri and M. R. Meybodi, A multiswarm based firefly algorithm in dynamic environments, Third Int.
  52. ↑ A. A. Abshouri, M. R. Meybodi and A. Bakhtiary, New firefly algorithm based on multiswarm and learning automata in dynamic environments, Third Int.
  53. ↑ Yudong Zhang and Lenan Wu, A Novel Method for Rigid Image Registration based on Firefly Algorithm, International Journal of Research and Reviews in Soft and Intelligent Computing, vol.2, no.2, pp. 141-146 (2012).
  54. ↑ Maher, B.; Albrecht, A.; Loomes, M.; Yang, X. S.; Steinhofel, K. (2014). «A firefly-inspired method for protein structure prediction in lattice models». Biomolucules 4 (1): 56-75. doi:10.3390/biom4010056. 
  55. ↑ Yudong, Zhang; Lenan, Wu; Shuihua, Wang (2013). «Solving Two-Dimensional HP model by Firefly Algorithm and Simplified Energy Function». Mathematical Problems in Engineering 2013: 1-9. doi:10.1155/2013/398141. 
  56. ↑ Xiong, Tao; Bao, Yukun; Hu, Zhongyi (2014). «Multiple-output support vector regression with a firefly algorithm for interval-valued stock price index forecasting». Knowl.-Based Syst. 55: 87-100. doi:10.1016/j.knosys.2013.10.012. 
  57. ↑ Zhongyi Hu, Yukun Bao, and Tao Xiong, Electricity Load Forecasting using Support Vector Regression with Memetic Algorithms, The Scientific World Journal, 2014, http://www.hindawi.com/journals/tswj/aip/292575/
  58. ↑ Rokbani, Nizar, et al.

Enlaces externos

Obtenido de «https://es.wikipedia.org/w/index.php?title=Algoritmo_firefly&oldid=89435377»