1 简介
混合蛙跳算法（Shuffled Frog Leaping Algorithm）是根据青蛙在石块上觅食时的种群分布变化而提出的算法。算法提出于2003年，时间有点久远，但相关的论文并不是特别多，仍有较大的研究和改进空间。
混合蛙跳算法( SFLA) 是一种受自然生物模仿启示而产生的基于群体的协同搜索方法。这种算法模拟青蛙群体寻找食物时，按族群分类进行思想传递的过程，将全局信息交换和局部深度搜索相结合，局部搜索使得思想在局部个体间传递，混合策略使得局部间的思想得到交换。在混合蛙跳算法中，群体( 解集) 由一群具有相同结构的青蛙( 解) 组成。整个群体被分为多个子群，不同的子群被认为是具有不同思想的青蛙的集合。子群中青蛙按照一定策略执行解空间中的局部深度搜索。在已定义的局部搜索迭代次数结束之后，思想在混合过程中进行了交换。局部搜索和混合过程一直持续到定义的收敛条件结束为止。全局信息交换和局部深度搜索的平衡策略使得算法能够跳出局部极值点，向着全局最优的方向进行，这也成为混合蛙跳算法最主要的特点.
2 部分代码
clc;clear all;
close all
m=50; %种群分组数
n=35; %t每组青蛙包含的个数
Ne=25; %组内迭代数
smax = 100; %最大步长
MAXGEN=100; %种群总进化代数
d=25; %优化问题维数
pmax =1024; %d维最大值
pmin = -1024;%d维最小值
%%产生初始青娃
F=m*n;
tic;
for i1=1:F
p(i1,:)=pmax*rands(1,d);
end
%%全局迭代寻优
yy=zeros(1,MAXGEN);
for ii=1:MAXGEN
for i2=1:F
fitness(i2)=fun(p(i2,:));
end
%排序，找最好的，并分组
[fitsort,index]=sort(fitness);
for i3=1:F
x(i3,:)=p(index(i3),:);
end
gx=x(1,:);%种群内最好的青娃
yy(ii)=fitsort(1);
% yy(ii)=fun(x(1,:));
% local=zeros(n,d);
for i4=1:m
local = p(i4:m:end,:);
for j=1:Ne %每组青蛙迭代次数
pb=local(1,:);%组内最优
pw=local(n,:);%组内最差
s1=rand.*(pb-pw);%采用组内最优更新
s1(find(s1>smax))=smax;
temp= pw+s1;
temp(find(temp>pmax))=pmax;
temp(find(temp<pmin))=pmin;
if fun(temp) > fun(pw)
s1=rand.*(gx-pw);%采用全局最优更新
s1(find(s1>smax))=smax;
temp=pw+s1;
temp(find(temp>pmax))=pmax;
temp(find(temp<pmin))=pmin;
end
if fun(temp)>fun(pw)
s1=pmax*rands(1,d);%随机更新
s1(find(s1>smax))=smax;
temp=pw+s1;
temp(find(temp>pmax))=pmax;
temp(find(temp<pmin))=pmin;
end
local(n,:) = temp;
for loc=1:n
fitlocal(loc)=fun(local(loc,:));
end
[localsort,indexlocal]=sort(fitlocal);
for loc=1:n
localnew(loc,:) = local(indexlocal(loc),:);
end
local=localnew;
end %结束Ne
p(i4:m:end,:) =local;
end %结束m
%最好的青娃适配值
end %结束MAXGEN
toc
%结果分析
plot(yy)
title('混合跬跳算法优化');
xlabel('总进化代数');ylabel('函数最优解');
img =gcf; %获取当前画图的句柄
print(img, '-dpng', '-r600', './img.png') %即可得到对应格式和期望dpi的图像
3 仿真结果
4 参考文献
[1]陈亮. "基于混合蛙跳算法的背包问题求解算法." 河南城建学院学报 20.3(2011):4.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，有科研问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
