基于人工鱼群算法的IIR数字滤波器设计

将人工鱼群算法（AFSA）用于IIR数字滤波器设计，建立了相应的优化模型，给出了简化的人工鱼群算法及其实现步骤。最后，将该算法用于低通、带通IIR数字滤波器的设计，并与粒子群算法进行了比较。仿真结果证明了AFSA的有效性，并且具有算法灵活、简单，全局收敛性好。收敛速度快的优点。     

基于改进人工鱼群算法的协作频谱感知用户选择策略

选择次用户是协作频谱感知的一个关键环节。针对次用户选择问题的特点,在基本人工鱼群算法AFSA基础上,通过取消鱼群密度、取消人工鱼的随机游动、改变公告板记录规则、保留每次迭代最优位置、增加最优人工鱼的觅食次数并缩小视野提出改进的人工鱼群算法次用户选择策略。仿真结果表明,对于最优次用户组选择问题,本文提出的修正AFSA在寻优成功率和运行时间等方面优于传统的AFSA。     

求解最短路径问题的改进人工鱼群算法研究

最短路径问题是交通网络分析中的一个重要问题,它是组合优化领域内经典问题之一。文中分析基本人工鱼群算法模型,指出其在求解交通路网最优路径问题中的不足,对人工鱼初始化和行为进行了改进。仿真实验表明,改进的人工鱼群算法(AFSA)具有更快的全局收敛速度,能有效地克服"早熟"收敛,是一种有效解决最短路径问题的寻优模式。     

人工鱼群算法研究综述

人工鱼群算法是一种新型的群体智能随机全局优化算法。在阐述鱼群算法的基本原理的同时,综述了近年来鱼群算法的发展历程及其改进算法,分析了其应用领域,并提出了今后的研究方向。     

基于自适应人工鱼群算法的多用户检测器

将智能优化算法应用到多用户检测器(MUD)问题中,是近年来改善MUD性能的一个研究方向.人工鱼群算法(AFSA)是一种新的智能优化算法,该算法具有一些遗传算法和粒子群算法不具备的特点.但是用其解决离散优化问题时,该算法保持探索与开发平衡的能力较差,且在算法运行后期搜索的盲目性较大,从而影响了该算法搜索的质量和效率.为了克服这些缺点,本文对该算法进行了改进,得到两种自适应人工鱼群算法(AAFSA_FP和AAFSA_SP),并首次用其构建了新的多用户检测器.仿真结果表明,该方法与基于遗传算法的多用户检测器和基于粒子群算法的多用户检测器相比,在误码率、抗远近效应的能力和收敛速度等方面都有明显的改善.     

自适应柯西变异人工鱼群算法及其应用

利用鱼群搜到的信息和柯西分布的特点,提出一种自适应柯西变异人工鱼群算法,该算法克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了求解质量和运行效率.通过函数测试、理论分析和实例应用,表明该算法是可行的和有效的.     

一种基于AFSA与RST分类规则挖掘算法

利用人工鱼群算法对信息系统的数量型属性进行离散化,然后用RST进行分类规则挖掘,再将AFSA与RST相结合,提出了一种基于AFSA与Rsr分类规则挖掘新算法,该算法不仅有效地解决了利用粗糙集进行分类规则挖掘时数量型属性的离散化问题,而且可挖掘出所要解决问题的一般分类规则.实验表明该算法是有效和正确的.     

一种基于自适应能力改进的AFSA算法研究

文章在分析基本人工鱼群算法(AFSA)的基础上,提出了一种基于自适应能力的改进人工鱼群算法,在不明显增加算法计算复杂性的前提下,引入自适应移动和visual、step参数自适应调整策略,这对于克服算法优化后期收敛速度慢,感知和移动距离随机性大、寻优精度低等缺点具有显著效果。仿真测试表明,改进后的人工鱼群算法在很大程度上摆脱了局部极值吸引的能力,寻优精度明显提高。     

面向目标跟踪的物联网感知层节点部署优化研究

针对目标跟踪物联网感知层节点动态部署的特点,在人工鱼群算法和虚拟力算法的基础上,设计了融入虚拟力影响的人工鱼群控制算法,给出了算法的参数自适应调整策略,该算法利用节点间的虚拟力来影响人工鱼的觅食行为和追尾行为,指导人工鱼群的进化过程,加快算法的收敛性。仿真实验结果显示,算法能快速有效地实现无线传感器网络节点的部署优化,与人工鱼群算法和虚拟力算法相比,该算法不仅全局寻优能力强,且收敛速度快,可有效提高网络覆盖率,优化网络性能。     

改进的人工鱼群算法及其在近似求导中的应用

人工鱼群算法是一种新型的随机搜索优化算法,在对基本人工鱼群算法进行改进后提出了一种基于改进的人工鱼群算法的近似求导算法,该求导算法不仅能求解一阶导数,还能计算高阶导数.实验结果表明该算法是可行的和有效的.     

基于自适应SAGA的测试数据自动生成

结合遗传算法（GA）的并行搜索结构和模拟退火（SA）的概率突跳性，并结合使用自适应的交叉算子和变异算子，提出了一种高效的自适应的SAGA混合优化算法。在自主开发的结构性测试工具WBoxTool中，使用自适应SAGA混合优化策略进行测试数据自动生成，并通过实例对基本遗传算法、自适应遗传算法和自适应SAGA进行了比较，结果表明自适应SAGA具有更强的搜索能力，可以更快的发现全局最优解。     

基于混合PSO算法的加速度计快速标定

针对粒子群优化算法(PSO)在加速度计标定中存在早熟及陷入局部最优的不足,提出了基于差分进化(DE)的双种群信息共享及并行进化的混合PSO算法,并将该算法应用于加速度计快速标定。为提高混合算法的优化性能,提出了一种平衡DE算法全局探索和局部开发能力的加权变异算子,将Logistic函数的非线性特性引入到PSO算法惯性权重和DE算法加权系数的动态调整中。基准测试函数仿真表明所提出的混合算法在收敛速度、收敛精度、全局搜索性能和鲁棒性等方面明显优于PSO、DE算法;加速度计标定仿真结果表明,提出的混合算法能有效提高加速度计的标定精度。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

自适应视野的人工鱼群算法求解最短路径问题简

针对基本人工鱼群算法的参数视野固定不变导致算法后期收敛速度慢、运算量大、易陷入局部最优等问题,提出自适应视野的改进人工鱼群算法。改进后的算法只对人工鱼的觅食行为的视野进行调整,使其随着算法的迭代次数的增加而逐渐减小,但当视野小于初始值的一半时,停止减小,使其等于初始值的一半。将提出的改进型人工鱼群算法应用到求解基于道路网络的最短路径问题中,并通过实验证明了改进后的人工鱼群算法比基本人工鱼群算法及蚁群优化算法收敛速度快、计算量小,而且更加准确和稳定。     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

解决全局优化问题的粒子群进化算法

针对复杂全局优化问题,提出一种粒子群进化算法(PSOEA)。针对粒子群算法容易陷入局部最优等缺点,设计一个新的变异算子,使得粒子能够在整个空间进行搜索,同时保证了算法的收敛性。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于全局优化问题,算法寻优性能优良,特别是对于超高维优化问题,该算法能获得更高精度的解。     

基于动态人工鱼群优化的WSN分簇算法

将群智能优化算法引入无线传感器网络分簇路由协议的设计能有效地节约节点能量和提高分簇效率.针对基本人工鱼群算法在运算速度方面的不足,提出了一种基于动态人工鱼群优化的无线传感器网络分簇算法,算法为了同时具有较好的全局搜索和局部寻优能力,更快地得到最优分簇结果,在一次迭代进化中除了考虑人工鱼的觅食行为、聚群行为和追尾行为的寻...