孟学尧，郭倩倩，郭海儒

1(河南理工大学 计算机科学与技术学院，河南 焦作 454000)2(河南理工大学 学术出版中心，河南 焦作 454000)

E-mail：guohr@hpu.edu.cn

1 引 言

萤火虫算法(Firefly Algorithm，FA)[9]具有流程清晰、参数少、易实现等优点，在计算机网络、图像处理和工程设计等领域应用广泛[10-12].Wang等[13]基于光强差异变化趋势，提出了基于光强差的FA算法，参数设置可以随时进行有针对性的自适应调整，平衡了探索与开发过程，有效地降低了早熟收敛的风险；崔家瑞等[14]基于萤火虫趋光和荧光的特性提出了两种算法，第1种基于PSO算法中的最优个体思想，提出了基于当前全局最优的萤火虫算法(FAGO)；第2种结合贝叶斯估计法提出了基于贝叶斯估计的萤火虫算法(FABE).除了针对FA算法自身的改进，许多研究将FA与FCM算法相结合，首先利用FA算法优化聚类中心，避免聚类算法陷入局部最优，之后利用优化好的聚类中心进行聚类操作，提升了聚类效果.林睦纲等[15]提出了一种基于FA算法的模糊聚类方法，提高了聚类精度；朱书伟等[16]提出了基于改进多目标萤火虫算法的模糊聚类，具有较高的聚类准确率.上述FA算法结合FCM提升了聚类效果，但在初始化种群分布过程中多采用随机的方法，限制了种群的多样性，而且算法FAGO和FABE虽然考虑了“当前最优”和“信息素”的概念，但算法仍有陷入局部最优的可能.

鉴于此，本文首先利用切比雪夫(Chebyshev)混沌映射初始化种群分布，该映射将萤火虫种群均匀分布到搜索空间中，生成范围广、分布均匀、全局搜索能力强的初始种群，可提高种群的多样性和算法的求解精度；……