混合变异算子的人工鱼群算法

在分析基本人工鱼群算法存在不足的基础上,提出了基于高斯变异算子与差分进化变异算子相结合的人工鱼群算法,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.通过仿真实验测试验证,表明该算法是可行的和有效的。     

反向自适应高斯变异的人工鱼群算法

针对人工鱼群算法存在易陷入局部最优、鲁棒性差以及寻优精度低的问题,提出了反向自适应高斯变异的人工鱼群算法。改进后的算法引入了反向解,根据反向解调整人工鱼的移动方向以及位置,从而提供更多的机会发掘潜在的较优空间,使人工鱼群快速跳出局部最优,从全局角度提升算法的搜索性能。同时提出了一种非线性自适应视野步长策略,更好地平衡了全局搜索与局部搜索之间的关系。为了增加鱼群的多样性,降低人工鱼陷入早熟的可能性,提出了一种最优解引导的高斯变异机制。仿真实验结果表明,该算法能有效地提高人工鱼群的寻优精度、寻优质量及鲁棒性,并且避免了人工鱼群过早收敛。     

配送中心选址的自适应Levy分布混合变异鱼群算法

在建立配送中心选址模型的基础上,提出一种解决配送中心选址的自适应Levy分布混合变异人工鱼群算法。该算法将公告板的历史最优鱼个体代替当前鱼群中最差鱼个体,形成中间鱼群。在中间鱼群中,对历史最优鱼个体进行混沌变异,其他鱼个体进行Levy变异。Levy变异的引入,对于算法跳出局部最优解起到更好的引导作用,保持了鱼群的多样性。混沌变异的引入,增强了算法局部搜索的能力,保证了算法后期的收敛速度。通过算例仿真表明,Levy分布混合变异人工鱼群算法比基本鱼群算法更能有效解决配送中心选址问题,寻找到更低的费用成本。     

基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法

针对基本人工鱼群算法在寻优过程中易在非全局极值点附近大量聚集,导致寻优精度降低、收敛速度过慢、人工鱼群多样性降低等问题,提出了一种基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法。首先,在基本人工鱼群算法中引入Log-Linear模型来优化人工鱼的三个行为;其次,在算法中引入自适应调整人工鱼视野和步长的策略,随着算法的进行提高了人工鱼的搜索范围和寻优精度;再次,利用Gauss-Cauchy变异来提高人工鱼的多样性。仿真实验结果表明,该算法与其他改进算法相比,有效地提高了收敛速度和寻优精度,保持了人工鱼群的多样性。     

利用多群交叉变异人工鱼群算法生成分类规则

在基本人工鱼群算法的基础之上构建了用于解决连续变量空间分类规则提取的多群体人工鱼群算法,根据分类规则提取问题的特性设计了人工鱼的编码规则,并在此编码基础上定义了进行规则评价的适应值函数以及相关状态更新公式。为克服人工鱼群算法易陷入局部最优解的缺陷,引入了遗传算法中的交叉变异思想,设计了基于人工鱼的交叉及变异算子,提出了利用多种群交叉变异人工鱼群算法生成分类规则的算法思想。利用Iris和Wine数据集作为测试数据,结果表明：（1）该算法能够快速生成精度较高的分类规则;（2）在收敛效率及规则精度上全面优于基本多群体人工鱼群算法,并达到了多群体微粒群算法的性能水平。     

基于Rssler混沌变异的人工鱼群优化算法

针对标准人工鱼群优化算法在迭代过程中易陷入局部最优和后期收敛速度慢的问题,提出一种基于Rssler混沌改进的自适应人工鱼群算法。该算法利用混沌序列获得均匀初始化的种群,并在人工鱼群陷入局部极值时对其进行混沌变异操作,增加鱼群的多样性,同时根据食物浓度自适应调节人工鱼步长,提高收敛速度。仿真实验表明,该算法能够有效避免早熟问题,并且具有较快的收敛速度。     

基于改进人工鱼群算法的图像边缘检测①

提出了一种基于带混沌差分进化变异算子的人工鱼群算法的图像边缘检测方法,该算法通过灰度图像矩阵的一阶导数得到灰度图像的梯度值矩阵,然后利用人工鱼群搜索图像梯度最大值,达到快速、准确检测图像边缘的目的。在差分变异算子中引入调节因子加强搜索能力,并且动态调整人工鱼的视野,使鱼群能快速跳出局部极值。通过仿真实验表明,该算法用于图像边缘检测是可行的和有效的。     

配送中心选址分配问题的DNA-鱼群算法研究

人工鱼群算法在算法后期容易陷入局部最优,从而降低了寻优的精度及收敛的速度。提出一种新的改进算法——DNA-鱼群算法,将DNA算法中的交叉变异操作应用到基本人工鱼群算法中,丰富了鱼群的多样性,促进人工鱼跳出局部最优,并将改进的人工鱼群算法用于解决配送中心选址分配问题。实验仿真表明,DNA-鱼群算法具有更好的寻优能力。     

基于变异算子的人工鱼群混合算法

把Hooke-Jeeves 模式搜索方法作为人工鱼群算法的一个局部搜索算子,嵌入到带变异算子的人工鱼群算法中,提出一种基于变异算子的人工鱼群混合算法。其中,Hooke-Jeeves的强局部搜索能力提高了人工鱼群混合算法的局部收敛速度,变异算子的引入增加了群体的多样性,避免人工鱼群混合算法陷入局部最优。通过基准函数和实例测试验证,表明了该算法是高效可行的。     

基于改进人工鱼群算法的蜂窝网络信道分配

在蜂窝移动通信网络中,用户数量的急剧增长以及其对语音和数据业务需求的不断增加,频谱资源日益紧缺,为了提高频谱的利用率,运用一定的优化算法合理规划频率资源显得尤为重要.针对这一问题,提出一种改进人工鱼群算法的蜂窝网络信道分配方法.简化了基本人工鱼群算法来缩短运行时间,加快收敛速度;利用动态调整人工鱼的视野和步长,较好地平衡算法的全局搜索能力和局部搜索能力;采用高斯变异操作,增加人工鱼群状态的多样性,有利于跳出局部极值点.仿真结果表明,改进后的算法提高了算法的收敛率和加快了收敛速度,能够很好地解决频率分配问题,具有一定的可行性和优越性.     

基于遗传算法的人工鱼群优化算法

人工鱼群算法(AFSA)是一种高效的群智能全局优化技术.通过对人工鱼群算法(AFSA)不足的研究,在遗传算法的基础上,提出了基于遗传算法的人工鱼群优化算法.该算法保留了人工鱼群算法(AFSA)简单、易实现的特点,同时克服了人工鱼漫无目的的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.最后通过大量的函数和实例测试结果表明,与其它算法相比,该算法是可行和有效的,具有运行速度快和求解精度高等特点.     

新的混合优化算法及其应用

针对基本人工鱼群算法中人工鱼漫无目的随机游动或在非全局极值点的大量聚集和（1+1）-ES的不足,充分利用公告板中的历史最优鱼和（1+1）-ES的优点,提出了一种新的混合优化算法。通过测试函数和应用实例测试验证,结果表明新算法显著提高了基本AFSA和（1+1）-ES的求解质量和运行效率,该算法是可行的和有效的。     

基于人工鱼群算法的孪生支持向量机

孪生支持向量机（twin support vector machine, TWSVM）是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法（artificial fish swarm algorithm, AFSA）是一种群智能优化算法,具有较强的全局寻优能力和并行处理能力。本文将孪生支持向量机与人工鱼群算法结合,来解决孪生支持向量机的参数选择问题。首先将孪生支持向量机的参数作为人工鱼的位置信息,同时将分类准确率作为目标函数,然后通过人工鱼的觅食、聚群、追尾和随机行为来更新位置和最优解,最后迭代结束时得到最优参数和最优分类准确率。该算法在训练过程中自动确定孪生支持向量机的参数,避免了参数选择的盲目性,提高了孪生支持向量机的分类性能。     

基于免疫记忆人工鱼群算法的局部放电超声定位方法

针对人工鱼群算法(AFSA)在局部放电超声定位中存在定位精度较低,容易陷入局部最优解的问题,在AFSA中引入免疫调节机制和免疫记忆特性,提出一种基于免疫记忆AFSA的局部放电超声定位方法,并将其定位效果与基本AFSA、遗传算法(GA)和免疫算法进行对比.算例仿真表明:免疫记忆人工鱼群算法的定位精度更高、综合误差最小、收敛速度更快,定位效果都优于其它三种智能算法.     

人工鱼群算法与差分进化变异蟑螂算法动态融合及其在网格任务调度中的应用

深入分析人工鱼群算法和蟑螂算法的特点基础,提出一种改进式蟑螂算法。将差分进化变异因子、禁忌表分别引入到蟑螂算法,加快了算法的搜索速度和获得全局最优解的能力。采用权衡种群中最优个体和精英个体之间的差异度的方式将改进后的蟑螂算法和人工鱼群算法动态融合。仿真实验表明将这种动态融合后的算法解决网格任务调度问题可以获得较好的调度效果。     

基于改进人工鱼群算法的多用户OFDM系统自适应资源分配*

在鱼群算法中提出了人工鱼的吞食行为,对算法进行了改进,在保证算法性能的前提下明显降低了人工鱼群算法的复杂度。通过对多用户OFDM系统模型的分析,结合对用户公平性的考虑,给出了该系统中自适应资源分配问题的目标函数。用改进鱼群算法在保证用户公平性的基础上,很好地解决了多用户OFDM中的自适应资源分配问题,实现系统总传输速率最大化。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

多峰函数优化的生境人工鱼群算法

针对人工鱼群算法在多峰问题寻优时难以找到全部最优解及精度不高的问题,提出了一种基于生境人工鱼群算法的多峰问题优化算法.该算法融合了模拟退火、小生境技术的思想,并加入了变异算子和自动生成合适小生境半径机制.通过对几种典型多峰函数的测试,表明该算法不仅能有效、精确找出多峰问题的全局和局部所有最优解,而且无需预先设置小生境半径,实现了真正的自适应搜索,较好地解决了复杂多峰优化问题.