38、元启发式优化极端梯度提升铣削及合成指纹生成技术研究

元启发式优化极端梯度提升铣削及合成指纹生成技术研究

一、元启发式优化极端梯度提升铣削

1.1 遗传启发式萤火虫算法（GIFA）

原始的萤火虫算法（FA）表现出色，但在标准CEC函数测试中，某些执行会产生次优结果，因为该算法倾向于过多关注搜索空间中前景不佳的区域。为解决这一局限并增强探索能力，引入了遗传启发式萤火虫算法（GIFA）。

1.1.1 GIFA的具体机制

• 交叉操作 ：每次迭代后，将当前最佳代理与种群中随机选择的个体组合，使用均匀交叉控制参数$p_c$（经验值$p_c = 0.1$）生成新解，新解继承两个解的特征。
• 变异操作 ：生成的新解中的每个参数都会进行变异，由变异参数$m_p$（经验值$m_p = 0.1$）控制。变异时，从范围$[\frac{lb}{2}, \frac{ub}{2}]$中选取一个伪随机值，根据变异方向参数$m_d$（设定为$m_d = 0.5$）决定是加还是减该值。若生成的伪随机值$\psi < m_d$，则进行减法；否则进行加法。
• 替换操作 ：新解生成后，替换种群中表现最差的解，但其性能评估推迟到下一次迭代，以确保修改后算法的计算复杂度与原始FA相当。

1.1.2 GIFA算法伪代码

Set initial algorithm parameters
Create population P
Evaluate P usin