目录
背影
帝国竞争
基本定义
优点
萤火虫原理
改进思路
基于萤火虫改进帝国竞争多目标求解
代码
结果分析
展望
背影
多目标多参数优化是常遇到的优化问题，有很多传统算法可以求解，比如fiminmax,fmincon等，但是都容易陷入局部最优，本文用帝国竞争优化萤火虫算法进行多目标求解
帝国竞争算法
帝国竞争的基本定义
受帝国主义殖民竞争机制的启发，Atashpaz-Gargari和Lucas于2007年提出了一种新的智能优化算法—帝国竞争算法 (ICA)。与GA, PSO, ABC等受生物行为启发的群智能算法不同，ICA受社会行为启发，通过摸拟殖民地同化机制和帝国竞争机制而形成的一种优化方法。ICA也是一种基于群体的优化方法，其解空间由称为国家的个体组成。ICA将国家分为几个子群，称为帝国。在每个帝国内，ICA通过同化机制使非最优的国家(殖民地)向最优国家(帝国主义国家)靠近，该过程类似于PSO。帝国竞争机制是ICA的关键，ICA通过帝国竞争机制将最弱帝国中的一个或多个殖民地移动到其他帝国，使帝国之间可以进行信息交互。
国外已有许多学者对ICA的性能改进以及实际应用进行了大量的研究，也取得了一定的进展。ICA已被广泛用于解决各种实际的优化问题，如调度问题、分类问题、机械设计等。然而，该算法仍然存在多样性下降较快、易早熟收敛等缺陷。另外，ICA提出的时间较短，尚有很大的研究空间
帝国竞争的优点
帝国竞争算法与PSO, GA相比，收敛速度快、收敛精度高，具有较强的全局