烟花算法寻优与可视化分析平台

资 源 简 介

该项目提供了一套完整的烟花算法实现框架，致力于解决多维复杂目标函数的极值寻优问题。程序的核心逻辑模拟烟花在空中爆炸产生火花的过程，将搜索空间中的潜在解视为烟花。系统通过计算每个烟花的适应度值来动态控制其爆炸半径和产生的火花数量：适应度较好的烟花（目标值更优）被赋予较小的爆炸半径和较多的火花数，以便在当前区域进行精细化的深度局部搜索；而适应度较差的烟花则获得较大的爆炸半径和较少的火花数，从而实现更广阔范围的全局探索。为了进一步提升算法跳出局部最优的能力，项目内嵌了高斯变异算子，通过对选定个体进行变异操作来维

详 情 说 明

烟花算法（FWA）寻优与可视化平台

项目介绍

本项目是一个基于MATLAB开发的启发式智能优化算法平台，核心算法为烟花算法（Fireworks Algorithm, FWA）。该平台通过模拟烟花在大气中爆炸产生火花的物理现象，寻找多维复杂目标函数的全局最优解。烟花被视为搜索空间中的潜在解，通过爆炸产生火花的过程实现区域搜索。系统根据烟花的适应度表现动态调整搜索策略：优质烟花进行局部精细搜索，劣质烟花执行全局探索。此外，项目集成了一套实时可视化监控系统，使用户能够直观观测算法在搜索空间的演化轨迹及收敛性能，适用于函数优化、工程设计等多种非线性寻优场景。

功能特性

该平台具备动态参数分配机制，能够根据每一个烟花的适应度自适应地计算其产生的火花数量及爆炸半径。在可视化方面，系统通过双窗口布局实时更新搜索状态：左侧窗口展示搜索空间内的等高线图以及火花与烟花的动态分布，右侧窗口以动图形式呈现最优适应度随迭代次数的变化曲线。为了保证搜索的广度，平台内嵌了高斯变异算子。在种群更新阶段，系统结合了“精英保留”与“距离混合选择”策略，在保留当前最优点的前提下，通过计算采样点之间的欧几里得距离，利用轮盘赌机制选出分布更均匀、更具代表性的样本作为下一代烟花。

使用方法

用户只需在MATLAB环境中打开脚本并运行。主函数将自动初始化搜索空间参数、种群大小及迭代次数。在运行过程中，用户可以观察到红色火花在等高线图中的扩散情况以及蓝色烟花位置的变换。若需针对特定目标函数进行优化，用户可直接修改脚本末尾的任务函数定义部分。计算结束后，控制台会输出最优解的坐标位置以及最终的目标函数值。

系统要求

运行本项目需要安装 MATLAB R2016b 或更高版本。由于算法中涉及距离矩阵计算，建议安装包含 Statistics and Machine Learning Toolbox 的环境，以确保相关计算函数的高效执行。系统内存建议在 4GB 以上，以保证可视化绘图在迭代过程中的流畅程度。

核心功能实现细节逻辑

1. 初始化阶段

算法首先在给定的多维上下限范围内，通过随机分布生成初始烟花种群。每个烟花的适应度值通过预设的目标函数进行评价。系统会识别此时的最优个体作为全局最优位置，并初始化绘图界面，包括生成目标函数的二维等高线底图。

1. 爆炸参数计算

在每一轮迭代中，算法会计算当前种群的最优适应度和最差适应度。根据适应度比例，为每一个烟花分配资源：

• 爆炸火花数：适应度越接近最优值的烟花，获得的火花配额越多，旨在加强精英区域的搜索。
• 爆炸半径：适应度越优的烟花，其爆炸半径越窄，从而实现局部深度开发；反之，适应度较差的烟花获得较大的爆炸半径，用于全局广度探索。

1. 火花产生与变异机制

系统产生两种火花：一种是普通爆炸火花，通过在烟花的部分维度随机增加偏移量生成；另一种是高斯变异火花，通过对随机选择的烟花施加高斯系数扰动来增加种群多样性。所有火花在生成后都会经过边界检查，采用取模映射的方法处理越界个体，使其重新分配到有效的搜索空域内。

1. 动态选择机制

当所有火花生成并计算完价值后，系统进入筛选阶段。首先采取“绝对保留”策略，将本次迭代中找到的全局最优点直接存入下一代。对于剩下的烟花配额，系统通过计算所有候选点与其他点之间的累计距离，赋予距离大的个体更高的选择概率（轮盘赌），从而确保下一代种群不会过度聚集在局部区域，能维持良好的空间分布特性。

1. 实时可视化更新

在迭代循环体内部，程序使用 set 函数更新图形句柄的数据。红色点表示该代产生的所有火花，蓝色环表示筛选出的新一代烟花位置，右侧折线图则利用 animatedline 实现收敛曲线的实时增长，直至达到最大迭代次数。

关键函数说明

• 目标函数模块：默认为 Sphere 函数，计算输入向量的平方和，最小值为零。用户可以切换为 Rosenbrock 等多峰函数以测试算法性能。
• 边界检查模块：通过 abs 和 mod 运算，将超出搜索限制的火花坐标映射回合法范围内，防止算法搜索超出预定义空间。
• 距离选择逻辑：利用 pdist2 计算火花点集之间的距离矩阵，实现基于密度的多样性维持，这是算法跳出局部最优的关键逻辑。