优化算法投稿期刊

ifeea2020的检索时间是投稿后1-2周。

第七届电气工程与自动化国际论坛（IFEEA 2020）所有的投稿都必须经过2-3位组委会专家审稿，经过严格的审稿之后，最终所有录用的论文将由Conference Publishing Services (CPS) 出版，见刊后由期刊社提交至EI Compendex, Scopus检索，目前该期刊EI检索非常稳定。

征稿主题

1、电子科学与工程。

2、电气自动化。

3、控制工程。

4、机器人和自动化系统。

5、电路和系统。

6、自动控制与信息技术。

7、智能优化算法和应用。

8、计算机集成制造。

第七届电气工程与自动化国际论坛（IFEEA 2020）定于2020年9月25日至27日在中国合肥召开。会议主要围绕电气工程及自动化等研究领域展开讨论，旨在为电气工程和自动化专业的专家学者及企业发展人提供一个分享研究成果、讨论存在的问题与挑战、探索前沿科技的国际性合作交流平台。

不好发，进化算法不好发论文，在进化算法领域,里面的论文鱼龙混杂,好的论文非常好,差的非常水,部分算法甚至完全无法复现论文效果。非常吃圈子关系

是的，进化算法可以用来发表论文。它是一种基于进化策略的算法，可以用来解决复杂的优化问题。进化算法通过模拟自然界的进化过程，以适应不断变化的环境，来解决复杂的优化问题。它可以用来解决机器学习中的多种问题，如回归、分类和聚类等。因此，进化算法可以用来发表论文，并且可以帮助您解决复杂的优化问题。

（以下描述，均不是学术用语，仅供大家快乐的阅读） 飞蛾扑火算法（Moth-Flame Optimization）是受飞蛾围绕火焰飞行启发而提出的算法。算法提出于2015年5月（投稿日期），虽可算作一个新算法，不过无数研究者就像飞蛾见了火一样，发表了如此之多的论文，惊了。 飞蛾扑火算法中有两种个体，飞蛾和火焰，飞蛾选择并围绕火焰以螺线方式飞行搜索，搜索完后，火焰将移动位置，以保持火焰是飞蛾和火焰群体中最优的位置。 算法的流程简单，螺线搜索在之前的鲸鱼算法中也出现过，这里会较为详细的记录记录螺线搜索的具体情况。

显然,飞蛾扑火算法中有两种角色,飞蛾与火焰。初始时飞蛾与火焰的数量均为N。为了方便查看，将飞蛾的位置表示为XM ，火焰的位置为 XF。 初始化时，会在解空间内初始化N个飞蛾与M(M=N)个火焰。在算法过程中，飞蛾将会围绕它所选择的火焰飞行，之后将这N个飞蛾与M个火焰按优劣排序，并将M个火焰移动到较优的前M个个体的位置。其中火焰的数量M会随着迭代次数的改变而不断变化，论文中阶梯递减至1。 算法的主要步骤如下： 1. 飞蛾选择火焰（将火焰分配给飞蛾）。 2. 飞蛾围绕火焰飞行。 3. 移动火焰到相应位置。 从步骤可以看出，算法中飞蛾的飞行是一种无贪心算法的操作，而火焰的移动则是一种变相的贪心操作。

初始化时，会有N个飞蛾和N个火焰（M=N）,故每只飞蛾都可以选择互不相同的火焰。随着迭代次数的递增，火焰的数量会递减。其数量根据以下公式计算得出：

其图像如下图所示：

其实就是将火焰数量M线性递减到1，由于火焰数量是正数，故图像呈阶梯状。 随着迭代次数增加，火焰数量递减，每只飞蛾无法选择互不相同的火焰，此时可以随机选择火焰或者飞蛾群体按顺序依次往后选取，类似于取模。两种方式的差别不大。

该步骤是算法的核心计算步骤。 对于飞蛾 ,它围绕火焰 飞行后到达的新位置XM_new根据以下公式计算得出：

其图像如下

而算法中的飞行轨迹应该是这样的：

取出一维看看

其中i为计算次数。

图像就是cos函数图像的变形。考虑到飞蛾与火焰之间的距离会越来越短，其飞行图像应该与上图相反，即振幅越来越小，局部搜索能力越来越强。

N只飞蛾围绕M个火焰飞行后，会到N个新位置，计算这N个新位置的适应度值，将这N个新位置与M个火焰这（N+M）个位置按优劣排序，并将其中较优的M个位置作为下一轮中火焰的位置。

其飞蛾扑火算法流程图如下：

由于飞蛾扑火算法可以说是对蚁狮算法和鲸鱼算法的结合，这里就看看算法的图像，不再做其他处理了。 适应度函数 。

实验一：

从结果看来，飞蛾扑火算法的性能稳定也优于蚁狮算法，从图像看算法收敛性不如蚁狮算法但局部搜索性能要强于蚁狮算法。 可见螺线的局部搜索能力还是强于随机游走的，不过其全局搜索要弱于随机游走。相比蚁狮算法，飞蛾扑火算法更容易陷入局部最优（其实与蚁狮差不多，只要火焰/蚁狮陷入局部最优基本完蛋，不过蚁狮数量恒定，火焰数量递减，所有火焰更容易局部最优）。

飞蛾扑火算法是根据飞蛾围绕火焰飞行的行为而提出的算法。算法的结构比较简单，与蚁狮算法类似，只是搜索步骤将随机游走替换成了螺线搜索（当然还有跟多细节上的不同，可以看看原文）。算法的局部搜索能力非常强，依靠螺线就提供了全局搜索和局部搜索能力，其全局搜索和局部搜索能力强弱由其极半径决定，算法中由b决定。不过算法缺少跳出局部最优的能力，在平滑函数中的效果非常好，在局部最优较多的函数中效果中规中矩。

参考文献 Mirjalili S . Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm[J]. Knowledge-Based Systems, 2015, 89(NOV.):228-249.. 提取码：koy9 以下指标纯属个人yy,仅供参考

目录 上一篇 优化算法笔记（二十四）帝王蝶算法 下一篇 优化算法笔记（二十六）和声搜索算法