下载文档原格式
改进混合蛙跳算法优化的产品族模糊C均值聚类设计方法崔文华;刘晓冰;王伟;王介生
【期刊名称】《大连理工大学学报》
【年(卷),期】2013(053)005
【摘要】研究了基于改进混合蛙跳算法优化的模糊C均值聚类解决模块化产品族设计中产品平台的确定问题.建立了该产品开发过程中的部件关联矩阵,采用变个体长度的混合蛙跳算法同时优化模糊聚类数和聚类中心,求得产品构成部件的最优模糊划分.切断算子和拼接算子用来对个体进行重新组合而形成新个体,采用ISODATA迭代算法进行局部寻优.通过对纸币清分机进行的产品族设计的仿真研究,表明所提方法为产品族模块化设计提供了定量数学分析和快速配置的理论依据.【总页数】6页(P760-765)
【作者】崔文华;刘晓冰;王伟;王介生
【作者单位】大连理工大学控制科学与工程学院,辽宁大连 116024;辽宁科技大学电子与信息工程学院,辽宁鞍山 114044;大连理工大学控制科学与工程学院,辽宁大连 116024;大连理工大学控制科学与工程学院,辽宁大连 116024;辽宁科技大学电子与信息工程学院,辽宁鞍山 114044
【正文语种】中文
【中图分类】TP12
【相关文献】
1.可调节产品族的自底向上优化再设计方法 [J], 李中凯;谭建荣;冯毅雄
2.面向单目的地多旅游行程的旅游产品族优化设计方法 [J], 于超;樊治平;李永立
3.基于改进混合蛙跳算法的云工作流负载均衡调度优化 [J], 徐俊; 项倩红; 肖刚
4.基于改进混合蛙跳算法的多约束车辆路径优化 [J], 鲁建厦;翟文倩;李嘉丰;易文超;汤洪涛
5.改进混合蛙跳算法在马斯京根模型参数优化中的应用 [J], 杨柳
因版权原因，仅展示原文概要，查看原文内容请购买。
![一种基于改进混合蛙跳算法的特征选择方法[发明专利]](https://img.taocdn.com/s1/m/83902afac281e53a5902ffac.png)
专利名称：一种基于改进混合蛙跳算法的特征选择方法专利类型：发明专利
发明人：韦云凯,陈东坡,毛玉明
申请号：CN201910559178.2
申请日：20190626
公开号：CN110288075A
公开日：
20190927
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于改进混合蛙跳算法的特征选择方法，包括以下步骤：S1、初始化混合蛙跳算法的相关参数；S2、关联性矩阵初始化；S3、种群初始化，随机生成F只青蛙；S4、找出全局适应度最高的青蛙个体，其适应度记为X；S5、将种群划分为M个族群；S6、在每个族群内进行更新操作；S7、将所有的族群重新合并成种群，重新按适应度排序，并找出全局适应度最高的青蛙个体，更新X；S8、判断当前是否达到全局最大迭代次数，若是则输出结果X；否则返回步骤S5。
本发明在局部迭代次数达到已定义的局部搜索迭代次数之后，族群重新混合成种群，族群之间的思想在混合过程中进行了交换，换使算法具有更好的全局搜索能力，避免搜索陷入局部最优。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：成都虹盛汇泉专利代理有限公司
代理人：王伟
更多信息请下载全文后查看。
改进的混合蛙跳算法及其多目标优化的应用研究改进的混合蛙跳算法及其多目标优化的应用研究摘要：蛙跳算法（Frog Leap Algorithm, FLA）作为一种基于群体智能的优化算法，在解决单目标优化问题上具有较好的效果。
然而，传统的FLA在处理多目标优化问题时存在一些不足之处，如过早收敛和缺乏全局搜索能力。
为了克服这些问题，本文提出了一种改进的混合蛙跳算法（Improved Hybrid Frog Leap Algorithm, IHFLA），并通过实验证明其在多目标优化问题上的应用效果。
引言：随着计算机技术的迅猛发展，多目标优化问题在各个领域中得到越来越广泛的关注。
多目标优化问题是指在多个目标函数的约束下，寻找最优解空间中的非劣解集合。
针对多目标优化问题，传统的单目标优化算法效果不佳，因此需要开发新的算法来解决这一问题。
本文将基于群体智能的优化算法——蛙跳算法，进行改进，以提高其在多目标优化问题上的性能。
1.蛙跳算法的原理及不足蛙跳算法是一种基于仿生学的启发式优化算法，模拟了青蛙在寻找食物过程中的行为。
其基本思想是通过模拟蛙类的跳跃行为来搜索最优解。
每个蛙个体都含有一组决策变量，通过不断迭代调整这些变量，以达到最优解。
然而，传统的FLA在多目标优化问题中存在一些问题：（1）易陷入局部最优解，过早收敛；（2）缺乏全局搜索能力。
2.改进的混合蛙跳算法(IHFLA)为了克服传统FLA中的问题，本文提出了一种改进的混合蛙跳算法（IHFLA）。
该算法在传统FLA的基础上引入了局部搜索和全局搜索的策略，以提高其多目标优化问题的能力。
具体步骤如下：（1）初始化种群：根据问题的约束条件，随机生成一定数量的蛙个体作为初始种群。
（2）目标函数计算：计算种群中每个蛙个体的目标函数值。
（3）更新个体位置：根据当前种群中每个蛙个体的目标函数值，更新其位置。
（4）局部搜索：对每个个体进行局部搜索，以增加探索空间。
（5）全局搜索：通过引入全局搜索策略，使蛙个体具有更好的全局搜索能力。
改进混合蛙跳算法的研究高建瓴; 潘成成; 吴建华; 陈娅先; 王许【期刊名称】《《贵州大学学报（自然科学版）》》【年(卷),期】2019(036)005【总页数】6页(P76-81)【关键词】混合蛙跳算法; 自适应同步因子; 惯性权重系数; 局部搜索【作者】高建瓴; 潘成成; 吴建华; 陈娅先; 王许【作者单位】贵州大学大数据与信息工程学院贵州贵阳550025【正文语种】中文【中图分类】TP391蛙跳算法(Shuffled Frog Leading Algorithm)是一种启发式算法，通过启发式函数进行启发式搜索，从而找到组合最优问题的解。
混合蛙跳算法的运行原理从仿生上来说可以这么认为[1]：在一个池塘，有若干块石头，青蛙可以落在石头上，每块石头上可以获取到的食物数量是不同的，在池塘中有很多只青蛙，也有很多块石头，青蛙间可以交流，这样所有青蛙就都会往自己所在蛙群中所知道的最多食物的方向跳，或往全部青蛙中食物最多的方向跳，最终在池塘中找到最多食物的石头。
他结合了以遗传为基础的memetic算法和以社会行为为基础的粒子群优化算法的优点[2],其显著特点是具有局部搜索与全局信息混合的协同搜索策略，寻优能力强，易于编程实现。
虽然混合蛙跳算法具有概念简单，调整的参数少，全局搜索寻优能力强，易于实现的特点。
但是该算法与其他群智能优化算法类似也存在着一些缺点，求解精度不高、收敛速度慢、算法易陷入局部最优的问题。
针对这些问题，近年来也有不少的国内外学者对其进行研究改进，张新明等[3]提出了将每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式，增大了获得优质解的概率，提高可操作性和优化效率。
赵红星等[4]提出了对青蛙的觅食机制和更新迭代公式重新定义，青蛙的第一步向组内其它蛙搜索，第二步向组内最优蛙搜索，第三步向全局最优蛙搜索，提高混合蛙跳算法的全局和局部搜索能力。
戴月明等[5]提出一种新的协同进化混合蛙跳算法，在局部搜索中对最差蛙的更新引入平均值，扩大青蛙搜索空间；在全局搜索中采取精英群自学进化机制，对精英空间进行精细搜索，提升全局搜索能力。
基于混合蛙跳算法的移动机器人路径规划潘翔;唐春晖;张仁杰【摘要】针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法.首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙疏算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性.二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意.【期刊名称】《电子科技》【年(卷),期】2015(028)011【总页数】5页(P29-32,36)【关键词】移动机器人;栅格地图;混合蛙跳算法;路径规划【作者】潘翔;唐春晖;张仁杰【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP24移动机器人的路径规划技术，就是机器人根据自身传感器对环境的感知，自行规划出一条安全的运行路线，同时高效地完成作业任务。
移动机器人的路径规划主要解决3 个问题［1］:(1)使机器人能从初始点运动到目标点。
(2)用一定的算法使机器人能够绕开障碍物，并经过某些必须经过的点完成相应的作业任务。
(3)在完成以上任务的前提下，尽量优化机器人的运行轨迹。
目前，国内外学者对移动机器人的路径规划问题进行了广泛而深入的研究，就传统方法而言主要有人工势场法［2］、可视图法［3］、栅格法［4］等。
这些方法各有优缺点，例如人工势场法是利用目标点对机器人的引力和障碍物对机器人斥力的综合作用来进行路径规划的，这种方法描述简单，便于实现实时控制，且可生成较为光滑的路径，但其也存在当目标点附近存在障碍物从而使机器人无法到达目标点，或者在两个相近的障碍物前易产生振荡等缺点;可视图法是以起始点、目标点和所有多边形障碍物顶点间的可行直线连线为路径范围来搜索最短路径的，可视图法的优点是直观，且可求得三维空间以下的最短路径，但其缺点是当起始点和目标点发生改变时就需要重新构造可视图，因此缺乏灵活性。
混合蛙跳算法
混合蛙跳算法（Hybrid Firefly Algorithm，简称HFA）是一种
基于萤火虫算法的优化算法。
在优化问题中，HFA能够有效地搜索到全局最优解，并且收敛速度较快。
这种算法的核心思想是将不同策略的
蛙跳算法进行混合，以达到更好的优化效果。
HFA继承了萤火虫算法的局部搜索策略和蛙跳算法的全局搜索策略。
在HFA中，每个萤火虫代表一个潜在的解决方案。
萤火虫根据当
前的解决方案和邻域解决方案的亮度来更新自己的位置，从而在优化
空间中进行搜索。
萤火虫之间的相互吸引和排斥影响它们的移动方向，达到全局搜索的目的。
蛙跳算法的特点是通过交叉和变异的方式生成新的可行解来进行
搜索。
在HFA中，蛙跳算法被用来增加全局搜索的多样性。
蛙跳算法
的每个个体代表一个解，通过随机交叉和变异操作，产生新的解来覆
盖整个搜索空间。
这样可以避免算法陷入局部最优解，并且加快算法
的收敛速度。
总的来说，HFA综合了萤火虫算法和蛙跳算法的优势，能够同时
进行全局搜索和局部搜索，并且具有很强的适应性和鲁棒性。
在许多
实际问题中，HFA都能够得到很好的优化效果，并且用于解决优化问题的应用具有广泛的前景。
一种多智能体混合蛙跳算法王联国;代永强【期刊名称】《计算机工程》【年(卷),期】2013(039)007【摘要】This paper proposes a Multi-agent Shuffled Frog Leaping Algorithm(MSFLA) by introducing the multi-agent system to the Shuffled Frog Leaping Algorithm(SFLA).This algorithm fixes the agent on grid,with the competition and cooperation with its neighbors,and combining the evolution mechanism of the SFLA.Each agent unceasingly senses local environment,and gradually affects the whole agent grid,so that it enhances its adaptiveness to the environment.The agent also makes self-study by using its knowledge to enhance its adaptiveness to the environment.By the test of high dimension benchmark functions,the results illustrate this algorithm this algorithm can effectively maintain the diversity of the population,increase the precision of optimization,simultaneously,efficiently restrain the prematurity,and has higher optimization performance in the field of high dimension functions optimization.%提出一种多智能体混合蛙跳算法.将智能体固定在智能体网格上,每个智能体通过与其邻居的竞争与合作,结合混合蛙跳算法的进化机制,不断感知局部环境,并逐渐影响整个智能体网格,以提高自身对环境的适应能力.为更好地适应环境,智能体也可以利用自身的知识进行自学习.仿真实验结果表明,该算法能有效地维持种群的多样性,提高优化精度,同时抑制早熟现象,在高维函数优化方面具有较高的优化性能.【总页数】6页(P265-269,287)【作者】王联国;代永强【作者单位】甘肃农业大学信息科学技术学院,兰州730070;甘肃农业大学信息科学技术学院,兰州730070【正文语种】中文【中图分类】TP301.6【相关文献】1.一种新的领域智能体:免疫智能体 [J], 马笑潇;黄席樾;柴毅;黎昱2.未来网络的一种新范式:网络智能体和城市智能体(特邀) [J], 余少华3.一种智能多功用一体化助老购物代步车的设计 [J], 蔡文明;崔有正;范翔铃;段成承;王博;陈领枢4.一种基于神经网络的多智能体建模技术 [J], 张增辉;唐平;马若雯5.一种新的GIS智能分析框架——GIS智能体 [J], 沙宗尧;胡自锋因版权原因，仅展示原文概要，查看原文内容请购买。
混合蛙跳算法综述
邹采荣;张潇丹;赵力
【期刊名称】《信息化研究》
【年(卷),期】2012(38)5
【摘要】混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)是一种基于后启发式的新型群体智能优化算法。
本文围绕混合蛙跳算法展开深入的研究,首先介绍混合蛙跳算法的数学模型,设计出算法的实现流程,其次总结混合蛙跳算法的研究现状,最后对混合蛙跳算法进行展望。
【总页数】5页(P1-5)
【关键词】混合蛙跳算法;后启发式;群体智能优化算法
【作者】邹采荣;张潇丹;赵力
【作者单位】佛山科学技术学院;东南大学信息科学与工程学院
【正文语种】中文
【中图分类】TP312
【相关文献】
1.基于混合蛙跳算法的多模盲均衡算法 [J], 郭业才;张苗青
2.改进混合蛙跳算法和K-Means的新型聚类算法 [J], 卞艺杰;吴慧;邹银马;马瑞敏
3.基于改进混合蛙跳算法的图像阈值分割算法 [J], 刘立群;火久元;王联国
4.多种群粒子群算法与混合蛙跳算法融合的研究 [J], 李俊;孙辉;史小露
5.混合蛙跳算法研究综述 [J], 黄世贤;何晓曦;刘一明
因版权原因，仅展示原文概要，查看原文内容请购买。
混合盲均衡算法
混合盲均衡算法的优点是使代价函数与星座图更加匹配，对QAM信号能达到更小的均方误差。
判决引导算法DD是一种利用传输码元瞬时特性的盲均衡算法，剩余误差较小，但在信道眼图闭合或突发干扰时，错误判决的比例很大，造成算法无法收敛而发散．该算法实际应用中一般做跟踪处理．当判决错误率达到足够低的水平时，切换到DD算法，但实践中发现突然的算法切换会造成算法的不稳定，引起误码率升高，因此需要选择合适的切换方法。
混合盲均衡算法通过控制不同收敛过程中不同特性的误差信号在总误差信
号中所占的比例来突出某一误差信号的作用．算法之间没有直接的切换，而是根据均方误差MSE平滑的调整两种算法的比例，不会造成算法的不稳定，而且相比
ＤＤ算法结合，得到了一种混合盲均衡算法HY-M-MAMA．保证均衡器一开始工作在M-MAMA模式。
在算法初始收敛阶段，M-MAMA误差所占的比例较大，但随着信号
λ逐渐趋于0时，均衡器眼图张开，MSE迅速减小，使DD算法占主导地位，当()k
工作在DD模式，这种转换是自动完成的。
基于混合蛙跳算法的多模盲均衡算法郭业才;张苗青【摘要】针对常模盲均衡算法(CMA)收敛速度慢、收敛后稳态误差大且存在盲相位的现象,提出了一种基于混合蛙跳算法的多模盲均衡算法(SFLA-MMA).它结合了智能优化算法的基本思想,将个体自身的进化及个体间的社会行为等概念引入到盲均衡技术中.该算法将多模盲均衡算法(MMA)代价函数的倒数定义为混合蛙跳算法(SFLA)的适应度函数,将青蛙群体中青蛙个体的位置向量作为MMA的初始权向量;利用SFLA的全局信息共享机制和局部深度搜索能力,在全局范围内搜索青蛙群体的最优位置向量并作为MMA的初始优化权向量.之后,通过MMA进行迭代,得到MMA的最优权向量.利用高阶多模正交振幅调制(QAM)与正交相移键控(APSK)信号对该算法进行了仿真验证.仿真结果表明,与CMA、MMA和基于粒子群算法的多模盲均衡算法(PSO-MMA)相比,SFLA-MMA在均衡高阶多模信号时收敛速度极快、稳态误差最小、输出信号星座图最清晰.【期刊名称】《兵工学报》【年(卷),期】2015(036)007【总页数】8页(P1280-1287)【关键词】信息处理技术;多模算法;混合蛙跳算法;智能优化算法;最优权向量【作者】郭业才;张苗青【作者单位】南京信息工程大学江苏省气象探测与信息处理重点实验室,江苏南京210044;江苏省大气环境与装备技术协同创新中心,江苏南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,江苏南京210044【正文语种】中文【中图分类】TN911.7在通信系统中，为了有效地消除有限带宽和多径传播等引起的码间干扰，接收端需要引入盲均衡技术。
在盲均衡技术中，常模盲均衡算法（CMA）是使均衡器输出信号星座点尽可能分布在一个半径为RC（信号的统计模值）的圆上，从而不断调整均衡器的权向量。
CMA最大的优点在于它的代价函数只与接收序列的幅度有关，而与相位无关，所以CMA非常适用于常模信号。
但是，对于具有不同模值的高阶正交振幅调制（QAM）和正交相移键控（APSK）信号，其星座点分布在不同半径的圆上，如果采用CMA进行均衡就会使输出信号星座点趋于单一圆上，从而产生较大的误差，甚至导致算法无效。
近年，Yang等提出的多模盲均衡算法（MMA）［1］是对CMA的一种改进，主要思想是以判决输出信号的模值作为圆的半径，把星座图分成多个区域，每个区域都有各自的误差函数，从而将剩余误差控制在较小的范围内［2］。
综上所述，对于高阶多模信号，MMA收敛性能与CMA相比有所提高，并且不需要相位旋转器来消除相位模糊［3］，尤其对于非方形星座、密集型星座，MMA能够更加充分地利用符号的统计特性。
但是，MMA与CMA一样存在模型误差，其收敛速度及收敛后的剩余误差仍不甚理想。
混合蛙跳算法（SFLA）［4］是一种受自然生物模仿启示而产生的群体性协同搜索方法，本质上是一种概率搜索。
该算法模拟青蛙的群体性觅食行为，按种群分类并进行信息传递，将局部深度搜索和全局信息交换相结合［5-6］，同时具备基于遗传特性的模因演算法（MA）［7］和基于社会行为的粒子群算法（PSO）［8］二者的优点，达到了全局信息共享和局部开发能力的平衡。
算法易于理解，容易实现，可操作性和鲁棒性较强。
结合SFLA和MMA各自的特点，本文提出了一种基于混合蛙跳算法的多模盲均衡算法（SFLAMMA），其原理是利用SFLA快速搜索到一组适用于MMA算法的全局最优解，以此作为MMA的最优初始化权向量进行迭代，并进行了仿真验证。
与CMA相比，MMA相当于在CMA的基础上多加入了一个判决器，以决定误差函数中模值的选取，如图1所示。
x（n）为均衡器的接收信号，wD（n）为横向滤波器的权向量，z（n）为横向滤波器的输出，z（n）通过非线性系统g（·）得到估计信号^z（n），eD（n）为误差信号，以上的n为数字信号的采样点数。
RS为采样模值，RD为判决模值，虚线框内为MMA算法。
MMA以LMS算法为模型，将横向滤波器的输出信号z（n）通过一个非线性系统g（·），得到估计信号，以此代替期望信号d（n），进而得到算法的误差信号eD （n）.此外，为了使横向滤波器的权系数趋于收敛，非线性函数g（·）需满足（1）式。
式中:RD是对RS的判决结果，RS为式中:E（·）表示求数学期望。
由图1可知，MMA横向滤波器输出信号为误差信号为因此，MMA代价函数定义为由该代价函数的随机梯度，可以得到MMA的权向量迭代公式。
根据（3）式、（4）式和（5）式，JMMA（n）的随机梯度为那么，权向量的迭代公式为式中:μD为MMA的迭代步长。
MMA根据判决模值RD调整误差函数，这里以32-APSK信号为例。
APSK星座图可以被视为具有不同电平幅度的相移键控（PSK）信号的集合［9-10］，它又被称为星形QAM，如图2所示。
图2中，输入信号星座点分布在3个半径不同的圆上，其半径对应于信号的模值；虚线所示的两个同心圆是判决器的判决边界条件，记为RB.两个判决圆将星座空间分成了3个区域，分别对应3个误差函数。
设接收信号是32-APSK信号，星座图中RD所在圆的半径按从小到大排列分别为RD1、RD2、RD3，判决圆半径RB的下限为Rm，上限为Rb.横向滤波器输出信号z（n）输入判决器，由（2）式计算RS、比较其与判决边界条件的关系，选取这一段信号的判决模值为将（8）式代入（4）式，得到对于32-APSK的误差函数为对于不同的调制方式，判决器的判决规则也不尽相同。
MMA能否有效地均衡主要取决于算法中的判决条件，即Rm、Rb的选取。
虽然MMA具有运算复杂度低、对于高阶多模信号收敛速度快等优点，但由于其存在模型误差，使得收敛后的剩余误差较大，不利于信号的追踪［11］。
SFLA是一类启发式的智能优化算法，它通过某一个数学函数进行启发式搜索，以寻求问题的最优解。
下面先对其相关的模因演算法及PSO进行简单介绍。
2.1 模因演算法模因（Memetic）一词是由meme而来，一般理解为“文化基因”，因此模因算法（MA）也称为文化基因算法。
对应于遗传算法，MA模拟了人类文明的发展过程。
它采用与遗传算法相似的操作流程，并在此基础上通过局部邻域搜索使每次迭代的所有个体都达到局部最优，其流程如图3所示。
实际上，MA并没有具体的数学模型，它更多体现为一种思想或框架［12］。
MA 在搜索策略上具有较大的变通性，其全局搜索阶段的进化算子和局部搜索时的个体学习可采用多种组合，各种常规或智能优化算法都可以纳入到MA的框架中。
SFLA就是基于MA的这个特点，结合PSO而产生的。
2.2 粒子群算法PSO是一种模拟鸟类群体性觅食行为的启发式全局优化算法。
鸟群中的每只鸟都称为“粒子”，它们同时具有速度和位置两个特征，在解空间中以规定的规则移动，经过若干次迭代后得到所求问题的全局最优解。
在每一次迭代中，粒子通过跟踪两个位置更新自己。
一个是粒子自身所经历的最好位置，即个体最好位置；另一个是群体中所有粒子所经历过的最好位置，即全局最好位置。
PSO的实现步骤如下［13］:步骤1 参数初始化。
对粒子群的随机位置、速度及适应度函数等进行初始设定。
步骤2 计算每个粒子的适应度值。
将每个粒子的初始位置暂时作为该粒子所经历的最好位置Ypbest，将其中适应度值最大的粒子的位置Ygbest暂时作为全局所经历的最好位置。
步骤3 对粒子的速度和位置进行更新。
式中:vk（d+1）和vk（d）分别表示粒子k第d次迭代中的当前速度和先前速度；Yk（d）为粒子k第d次迭代的位置；ω为惯性系数；c1和c2为加速常数；r1和r2分别为区间（0，1）上的两个随机数，且相互独立。
更新后粒子的位置为步骤4 将Yk（d+1）的适应度值与Ypbest的适应度值进行比较，若较大，则将Yk（d+1）作为该粒子当前的最优位置。
步骤5 将Yk（d+1）的适应度值与Ygbest的适应度值进行比较，若较大，则将Yk（d+1）作为当前的全局最优位置。
步骤6 判断是否满足结束条件。
若完成，输出最优解，否则转至步骤3.2.3 混合蛙跳算法SFLA模拟青蛙群体觅食行为中信息传递的过程，根据每只青蛙位置的不同，将它们分为多个子种群。
同一子种群内进行局部深度搜索，距离食物最远的青蛙会根据种群内距离食物最近的青蛙提供的信息调整自身位置，向食物靠近［14］。
每隔一段时间，所有种群会进行全局的信息交流，并根据当前青蛙的位置重构种群。
这样的局部搜索与全局信息交换更替进行，直至找到食物［6］。
SFLA可以分为4部分来实现［15］，整体流程如图4所示，具体步骤如下:1）初始化。
步骤1 初始化种群解（青蛙）的总数F，子种群个数m，每个子种群中解的个数k，解的维数S，子种群局部搜索次数N，混合迭代次数G，解的最大移动步长Dmax，适应度函数fitness等参数。
步骤2 在可行解区域内，随机生成F个解，组成初始种群X=［X1，X2，…，XF］，并计算每个解的适应度值fitness（X）.2）子种群的划分。
步骤3 根据适应度对种群中的所有解降序排列，记录适应度最大的解Xg，暂时作为整个种群中的最优解，即全局最优解。
步骤4 将排序后的解按照下述方式分成m个子种群，每个子种群中含有k个解。
第1个解被放入第1个子种群，第2个解被放入第2个子种群，一直到第m个解被放入第m个子种群。
接着，第m+1个解又被放入第1个子种群，依次类推，直至将所有解分配完毕。
步骤5 记录下每个子种群中具有最大适应度值和最小适应度值的解，分别记为Xb 和Xw，简称为最优解和最差解，暂时作为该子种群的最优解和最差解。
3）局部搜索。
步骤6 在各个子种群中，通过（13）式更新该子种群中的最差解。
解的移动步长为式中:rand为（0，1）之间的一个随机数；t为局部搜索次数，t=1，2，…，N.更新后最差解为式中:|D（t）|≤Dmax.步骤7 在各子种群中，将Xw（t+1）的适应度与Xw（t）的适应度进行比较。
若较大，则用Xw（t+1）代替原有的Xw（t），转入步骤9；否则，由（14）式计算最差解Xw的移动步长并由（13）式更新最差解，记为.步骤8 在各子种群中，将的适应度与Xw（t）的适应度进行比较。
若较大，则用代替原有的Xw（t）；否则随机生成一个新解替换原有的最差解。
步骤9 判断是否完成了预定的局部搜索次数。
若完成，进入混合运算，否则转至步骤6.4）混合运算。
步骤10 将所有子种群的解重新混合。
步骤11 判断是否完成了预定的混合迭代次数。
若完成，输出最优解，否则转至步骤3.将SFLA引入到MMA中，以搜索全局最优的MMA均衡器初始权向量，从而提高盲均衡算法的收敛速度并减小稳态剩余误差，使均衡具有良好且稳定的效果。
