蛙跳算法（SFLA，Shuffled Frog Leaping Algorithm）是一種啟發式群體進化算法，具有高效的計算性能和優良的全局搜尋能力。它通過模擬自然界中青蛙覓食過程中的種群交流與合作行為，實現對問題的求解。
蛙跳算法的基本步驟包括初始化、模因組劃分、模因組進化，以及模因組合併。在初始化階段，隨機生成一個青蛙群體，然後根據問題的特點進行模因組劃分，將青蛙分為多個模因組。在模因組進化階段，通過局部位置更新操作實現模因組內青蛙個體的交流與進化。最後，在模因組合併階段，實現整個青蛙種群的信息交換與全局搜尋。
蛙跳算法的特點包括簡單易實現、適應性強、具有良好的全局搜尋能力，以及較少的算法參數。這些特點使得蛙跳算法適用於不同類型的最佳化問題，如連續最佳化、離散最佳化、多目標最佳化等。
為了改進蛙跳算法的性能，有研究提出了基於閾值選擇策略的改進蛙跳算法。這種改進通過不滿足閾值條件的個體分量不予更新的策略，減小了個體空間差異，從而改善了算法的性能。
此外，蛙跳算法已經成功套用於各種最佳化問題，例如參數最佳化、模型最佳化、特徵選擇、神經網路結構最佳化等。它在解決複雜最佳化問題時表現出了良好的性能，並且具有一定的魯棒性和全局搜尋能力。