✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 具体问题可以私信或扫描文章底部二维码。
（1）基于Relief F与加权投票机制的改进萤火虫算法
针对传统萤火虫算法在处理高维特征选择问题时初始化盲目和种群多样性丧失的问题，本研究提出了一种结合特征权重分析的改进策略。首先，摒弃了完全随机的种群初始化方式，引入了Relief F算法。Relief F是一种高效的特征权重评估算法，它能根据特征对样本分类的贡献度计算出每个特征的权重。利用这些权重信息和余弦相似度，设计了一种分组初始化方法。该方法优先选择高权重的特征组合作为初始萤火虫的位置，确保了种群在进化之初就位于解空间中的高潜力区域。其次，为了解决萤火虫算法易陷入局部最优的问题，修改了萤火虫的移动规则，使其不再仅仅被更亮的萤火虫吸引，而是同时受到当前全局最优解的引导，增强了收敛的方向性。最后，受集成学习思想的启发，提出了一种加权投票机制。该机制利用种群中多个优秀个体的历史信息构建一个“推荐位置”，引导那些处于较差位置的萤火虫进行跳跃式移动。同时，引入精英交叉算子和变异算子，对种群中的精英个体进行遗传操作，进一步丰富了种群的基因模式。在标准数据集上的特征选择实验证明，该改进算法能以更少的特征数量获得更高的分类精度，显著优于传统的遗传算法和粒子群算法。
（2）改进自适应对数螺旋黑洞算法及其在质心选择中的应用
为了克服标准黑洞算法在聚类质心优化中容易早熟和探索能力不足的缺陷，本研究对黑洞的吸引机制和恒星的更新策略进行了重构。首先，将自然界中常见的对数螺旋运动引入到恒星向黑洞移动的路径中。传统的黑洞算法中，恒星是直线向黑洞移动的，这大大限制了其搜索路径的覆盖范围。通过引入对数螺旋路径，并结合随机向量路径，恒星在向黑洞靠近的过程中会以螺旋方式遍历周围空间，极大地增强了算法的局部开发能力。为了控制这种路径选择的随机性，引入了一个调节参数，使得算法能在螺旋搜索和直接搜索之间取得平衡。此外，针对黑洞吞噬恒星后产生新恒星的机制，设计了一种改进的恒星替换策略。在标准算法中，被吞噬的恒星是随机重新生成的，这可能导致有效信息的丢失。改进策略中引入了一个自适应参数来控制替换过程，使得新生成的恒星能够继承部分原有信息或根据当前种群状态进行智能分布，从而在维持种群多样性的同时保留了优良的进化方向。将该算法应用于K-Means聚类算法的质心初始化和优化中，实验结果表明，该算法能有效避免K-Means陷入局部最优，显著降低了聚类误差平方和。
（3）用于XGBoost参数调整的混合双黑洞萤火虫算法
针对单一算法在优化复杂机器学习模型（如XGBoost）超参数时表现出的局限性，本研究提出了一种混合架构的优化算法。首先，在黑洞算法的基础上引入了“第二黑洞”的概念，构建了双黑洞引力机制。在这一机制下，恒星的运动轨迹不再受单一中心控制，而是受到两个黑洞引力的共同作用。这种双重引力场使得搜索空间中的引力分布更加复杂多变，为恒星提供了更丰富的运动轨迹，有效避免了单一黑洞导致的快速同质化。其次，设计了一种基于事件视界的动态替换机制，当恒星越过事件视界被吞噬后，新恒星有机会在黑洞周围生成，而不是完全随机重置，这有助于在黑洞附近进行精细化搜索。最后，为了弥补黑洞算法在精细搜索上的不足，引入了萤火虫算法的扰动策略和变异算子。当算法陷入停滞时，利用萤火虫的随机扰动机制对个体位置进行微调，激活种群活力。通过在NSL-KDD入侵检测数据集上的测试，该混合算法成功优化了XGBoost的关键参数，显著提高了入侵检测系统的检测率和准确度，证明了混合策略在解决高维参数优化问题上的有效性。
import numpy as np import random class HybridFireflyBlackHole: def __init__(self, objective_func, n_stars, dim, max_iter): self.func = objective_func self.n = n_stars self.dim = dim self.max_iter = max_iter self.stars = np.random.rand(self.n, self.dim) self.fitness = np.apply_along_axis(self.func, 1, self.stars) self.bh_idx = np.argmin(self.fitness) self.black_hole = self.stars[self.bh_idx].copy() self.bh_fitness = self.fitness[self.bh_idx] # Dual Black Hole setup self.second_bh_idx = np.argsort(self.fitness)[1] self.second_bh = self.stars[self.second_bh_idx].copy() def update_black_hole(self): min_fit_idx = np.argmin(self.fitness) if self.fitness[min_fit_idx] < self.bh_fitness: self.bh_fitness = self.fitness[min_fit_idx] self.black_hole = self.stars[min_fit_idx].copy() self.bh_idx = min_fit_idx # Update second BH sorted_indices = np.argsort(self.fitness) if sorted_indices[1] != self.bh_idx: self.second_bh = self.stars[sorted_indices[1]].copy() def spiral_move(self, current_pos, target_pos): distance = np.linalg.norm(target_pos - current_pos) b = 1 # Spiral constant l = np.random.uniform(-1, 1) return distance * np.exp(b * l) * np.cos(2 * np.pi * l) + target_pos def firefly_perturbation(self, position): alpha = 0.2 return position + alpha * (np.random.rand(self.dim) - 0.5) def run(self): radius = self.bh_fitness / np.sum(self.fitness) # Simplified event horizon for t in range(self.max_iter): for i in range(self.n): if i == self.bh_idx: continue # Dual attraction mechanism grav1 = self.black_hole - self.stars[i] grav2 = self.second_bh - self.stars[i] # Logarithmic spiral path if np.random.rand() < 0.5: move = self.spiral_move(self.stars[i], self.black_hole) else: # Random vector + Dual gravity move = self.stars[i] + np.random.rand() * grav1 + 0.5 * np.random.rand() * grav2 self.stars[i] = move # Firefly perturbation for exploration if np.random.rand() < 0.1: self.stars[i] = self.firefly_perturbation(self.stars[i]) # Event Horizon check dist = np.linalg.norm(self.black_hole - self.stars[i]) if dist < radius: self.stars[i] = np.random.rand(self.dim) # Replacement # Evaluate current_fit = self.func(self.stars[i]) self.fitness[i] = current_fit self.update_black_hole() radius = self.bh_fitness / (np.sum(self.fitness) + 1e-10) return self.black_hole, self.bh_fitness def dummy_obj(x): return np.sum(x**2) + 10 if __name__ == "__main__": optimizer = HybridFireflyBlackHole(dummy_obj, 20, 5, 50) best_sol, best_score = optimizer.run() print(f"Best Solution Found: {best_sol}")完整成品运行代码+数据，根据难度不同，50-300获取
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
