一、Python中传递函数

def Test(a,b):

print(a,b)

class TEST:

def __init__(self, FitnessFunction):

self.FitnessFunction = FitnessFunction

def initial(self):

self.FitnessFunction(1,2)

if __name__ == '__main__':

fa = TEST(Test)

fa.initial()

二、常用优化算法测试函数及实现

这里学到的两个小技巧是：

(1)np.linalg.norm()来求一范式和二范式

(2)累加、累成的便捷写法：reduce(lambda x,y: x+y, x_)，当x_为[x1, x2, x3, x4]时，reduce这个函数相当于执行f(f(f(x1,x2),x3),x4)，其中f(a, b)是由lambda创建的。

参考资料：https://zhidao.baidu.com/question/397090143281977845.html

def f1(x_): #Sphere

return np.linalg.norm(x_) ** 2

def f2(x_): #Schwefel 2.22

xa = reduce(lambda x,y: x*y, abs(x_))

xb = np.linalg.norm(x_, ord=1)

return xa + xb

def f3(x_): #Rosenbrock

xa = 100 * (x_[1:] - x_[:-1] * x_[:-1])

xb = (x_[:-1] - 1) * (x_[:-1] - 1)

return reduce(lambda x,y: x+y, xa+xb)

def f4(x_): #Step

return np.linalg.norm(np.floor(x_ + 0.5))

def f5(x_): #Schwefel 2.26

x_new = x_ * np.sin(np.sqrt(abs(x_)))

return reduce(lambda x,y: x+y, x_new)

def f6(x_): #Rastrigin

x_new = (x_ * x_) - (10 * np.cos(2 * np.pi * x_)) + 10

return reduce(lambda x,y: x+y, x_new)

def f7(x_): #Ackley

D = len(x_)

x_a = 20 * np.exp(-0.2 * np.sqrt(np.linalg.norm(x_)) / np.sqrt(D))

x_b = np.exp(reduce(lambda x,y: x+y, np.cos(2 * np.pi * x_)) / D)

return (20 - x_a) + (np.e - x_b)

def f8(x_): #Girewank

x_a = (np.linalg.norm(x_) ** 2)/4000

x_b = reduce(lambda x,y: x*y,

np.cos(x_ / np.array(range(1,len(x_)+1))))

return x_a - x_b + 1

这8个函数是目前主流的优化算法测试函数。

参考文献：[1]张哲辰,刘三阳.基于拓扑改进与交叉策略的萤火虫算法[J].计算机工程与应用,2019,55(07):1-8.

三、前人提出的萤火虫改进算法

目前知网最新的对萤火虫算法从拓扑结构上改进的文章是《基于拓扑改进与交叉策略的萤火虫算法》，它提出了以冯诺依曼拓扑结构来组织萤火虫，并以此确定更新路径时的对象，但是我觉得描述得比较模糊，没办法代码实现，所以这里不考虑。

主要参考这两篇：

[1]  Wang H，Wang W，Sun H，et al.Firefly algorithm with random attraction[J].International Journal of Bio-Inspired Computation，2016， 8 (1)：33-41.

[2] Wang H，Wang W，Zhou X，et al.Firefly algorithm with neighborhood attraction[J].Information Sciences，2017， 382/383：374-387.