蛙跳算法（SFLA）是一种全新的启发式群体进化算法，具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述，针对算法局部更新策略引起的更新操作前后个体空间位置变化较大，降低收敛速度这一问题，提出了一种基于阈值选择策略的改进蛙跳算法。
通过不满足阈值条件的个体分量不予更新的策略，减小了个体空间差异，从而改善了算法的性能。数值实验证明了该改进算法的有效性，并对改进算法的阈值参数进行了率定。
数学模型
算法参数与其他优化算法一样，SFLA亦具有一些必要的计算参数，包括F：蛙群的数量；m：族群的数量；n：族群中青蛙的数量；Smax：最大允许跳动步长；Px：全局最好解；Pb：局部最好解；Pw：局部最差解；q：子族群中青蛙的数量；LS：局部元进化次数以及SF：全局思想交流次数等。
更新策略对于青蛙群体，具有全局最好适应度的解表示为U g；对于每一个子族群，具有最好适应度的解表示为UB，最差适应度的解表示为UW。首先对每个子族群进行局部搜索，即对子族群中最差适应度的青蛙个体进行更新操作，更新策略为青蛙更新距离 Ds=rand()*(Pb-Pw) （1）更新后的青蛙 newDw=oldPw Ds（-Dmax≦Ds≦Dmax） （2）其中， Ds 表示青蛙个体的调整矢量， Dmax表示青蛙个体允许改变的最大步长。
如设Uw=[1 3 5 4 2],UB=[2 1 5 3 4],允许改变的最大步长Dmax =3，若rand=0。5 ，则U q(1) =1 min{int[0。5 × (2−1)],3}=1;U q(2) =3 max{int[0。5×(1−3)], −3}=2;依此相同的操作完成更新策略后可得到一个新解U q=[1 2 5 4 3]。
答：攻击部队超越前线直入腹地，夺占一个个中心要点。像青蛙跳跃前进一样，这就是蛙跳战术。 第二次世界大战中，麦克阿瑟担任太平洋西南地区总司令。他对太平洋地区的战略概念...详情>>
答：详情>>
