混合蛙跳算法是一种新兴的启发式全局优化算法。本文研究了其寻优机制,提出了一种采用小生境技术的混合蛙跳算法:运用RCS小生境技术,使各子种群动态形成了互相独立的搜索空间;在解的更新公式中,设计了一种自适应因子来调节移动步长;采用种群淘汰机制,随机初始化已陷入局部最优的子种群。实验结果表明:本文给出的算法有效提高了寻优精度和收敛速度。

完整代码，可直接运行

完整代码，可直接运行

经典的蛙跳算法，在2006年由Engineering Optimization 杂志发表，作者为：Muzaffar Eusuff, 题目为：Shuffled Frog-Leaping Algorithm: a memetic meta-heuristic for discrete optimization.　后续的所有蛙跳算法都是基于此论文研究基础上发展起来，该论文共26页，国内没有，从国外网站购得。

基于蚁群算法和蛙跳算法的云计算资源调度算法.pdf

蛙跳算法python代码

在自然界的池塘中常常生活着一群青蛙，并且分布着许多石头，青蛙通过在不同的石头间进行跳跃去寻找食物较多的地方。每只青蛙通过跳跃到不同的石头来提高自己寻找食物的能力，而青蛙个体之间通过思想的交流与共享，实现信息的交互。混合蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA）是模拟青蛙觅食过程中群体信息共享和交流机制而产生的一种群体智能算法，是一种全新的启发式群体智能进化算法。该算法由Eusuff和Lansey在2003年首次提出，并成功解决管道网络扩充中管道尺寸的最小化问题。关于蛙跳算法的研究目前还比较少，近年来国内外一些学者多将混合蛙跳算法用于优化问题、旅行商问题、模糊控制器设计等方面。 混合蛙跳算法的实现机理是通过模拟现实自然环境中青蛙群体在觅食过程中所体现出的协同合作和信息交互行为，来完成对问题的求解过程。每只青蛙被定义为问题的一个解。整个青蛙群体采用模因分组方法分为不同的子群体，来模拟青蛙的聚群行为，每个子群体称为模因分组。模因组中的每只青蛙都有为了靠近目标而努力的想法，具有对食物源远近的判断能力，并且受其他青蛙影响，这里称为文化。每个模因组都有自己的文化，影响着其他个体，并随着模因组的进化而进化。在模因组的每一次进化过程中，在每个模因组中找到组内位置最好和最差的青蛙。组内最差青蛙采用类似于粒子群算法中的速度位移模型操作算子，执行局部位置更新，对最差青蛙位置进行调整。模因组内经过一定次数的模因进化后，不同模因组间的青蛙重新混合成整个群体，实现各个模因组间的信息交流与共享，直到算法执行完预定的种群进化次数结束。

利用混合蛙跳算法（SFLA）对数据特征进行分类识别，N为青蛙种群数，m为模因组数（相当于遗传算法的基因），L为模因组更新次数,NC为维数，输入数据特征和参数，即可完成数据分类

SFLA由Eusuff和Lansey为解决组合优化问题于2003年最先提出，用matlab仿真实现。

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.pdf