复合混沌-人工鱼群混合算法的改进及性能研究

针对人工鱼群算法在寻优过程中接近最优点时收敛速度下降而难以得到精确解,优化复杂问题时易陷入局部极值的缺点,提出了一种复合混沌搜索技术与改进人工鱼群算法相结合的混合算法。该算法采用更具遍历性的组合映射产生复合混沌局部搜索方法,来避免人工鱼长时间陷入局部极值区域,从而更加精确地达到全局最优点;同时,对人工鱼引入反馈-吞食行为进行改进,改进的人工鱼群算法降低了优化后期的复杂度,并提高了优化精度,保证了收敛效率。实验结果表明,在相同参数条件下,该混合算法的收敛速度、优化精度和全局寻优能力均优于基本人工鱼群算法,实例验证了算法的有效性。     

基于共轭梯度法改进的人工鱼群算法*

在基本人工鱼群算法中引入共轭梯度法,得到改进的人工鱼群算法。基本人工鱼群算法对每条人工鱼分别进行聚群算子和追尾算子,若更新结果没有得到改善则进行觅食算子,由于觅食算子具有很大的随机性,这样不能保证每次更新都是有价值的,本文用共轭梯度法代替此时的觅食算子,也就是如果人工鱼利用聚群算子和追尾算子更新,如果没有得到改善,利用共轭梯度法对该条鱼进行更新。在人工鱼群更新过程中引入共轭梯度法,减少随机性,增强人工鱼个体的局部寻优能力,确保人工鱼每次更新都会得到改善,从而加快人工鱼群算法收敛速度。数值试验结果表明,所得改进人工鱼群算法具有更快的收敛速度,同时收敛精度也得到一定提升。     

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。     

一种新颖的改进人工鱼群算法

针对基本人工鱼群算法(AFSA)在函数优化问题中存在的后期收敛速度慢、求解精度低和易陷入局部最优等缺点,提出了一种新的改进人工鱼群算法(IAFSA)。首先,使用混沌变换来初始化鱼群个体的位置,使鱼群更加均匀地分布在有限的区域内,保证种群具有多样性,利于全局收敛;其次,对觅食行为中具有不同函数值的人工鱼个体采取不同的视野策略,不仅提高了算法的寻优速度,而且有效地降低了鱼群陷入局部最优的可能性;最后,根据运动和体能之间的关系构建体能变换模型,在鱼群觅食的后期,体能开始变弱,这时适时地减小鱼群觅食、聚群和追尾行为中移动的步长可有效提高算法收敛的速度和寻优的精度。通过标准测试函数和14个城市的TSP对算法进行验证,仿真实验结果表明,相 比基本人工鱼群算法 ,改进后的算法具有更快的后期收敛速度和更高的求解精度。     

基于改进随机移动算子的人工鱼群算法

人工鱼群基本算法在求解多峰函数最优值时,存在计算精度有限,易陷入局部最优,鲁棒性较差以及收敛速率较慢和搜索效率较低的缺点,而随机移动算子的随机性是造成这些缺点的重要因素。通过引入粒子群算法思想和自适应扰动的思想对随机移动算子进行改进,进而提出了基于粒子群算法的人工鱼群算法（PSO-AFSA）和包含自适应扰动项的改进人工鱼群算法（ADI-AFSA）,并证明了两种改进算法的收敛性。利用公认测试函数集进行仿真实验,结果表明两种改进算法与人工鱼群基本算法及其传统改进算法相比,提高了计算精度、收敛速率、搜索效率并且具有更好的鲁棒性。     

自适应视野和步长的改进人工鱼群算法

在对人工鱼群算法的寻优机理进行深入的分析研究的基础上,提出了四种自适应人工鱼群算法,通过赋予人工鱼更多的智能,使每条人工鱼都能根据鱼群的状态自动地选择并适时调整自身的视野和步长,从而简化了参数设定,提高了收敛速度和寻优精度。实验结果表明,改进后的人工鱼群算法,在寻优精度、收敛速度及克服局部极值的能力方面均有提高。     

基于多维度自适应机制改进的混合人工鱼群优化算法

传统的人工鱼群算法在优化过程中,前期收敛速度很快,但随着不断的迭代,收敛速度会逐渐下降,很容易出现陷入局部最优无法跳出的情况。鱼群的觅食行为直接影响了算法后期的收敛速度和数值解的精度,而视野与步长则是人工鱼进行觅食行为的基础。前期需要宽广的视野范围与大幅度的步长,后期则要限制视野与步长以提高算法的收敛速度与寻优精度。本文通过自适应视野衰减函数与自适应步长衰减函数来保证寻优解的精度和全局收敛速度,通过权重因子来决定个体鱼的生物行为选择,再利用Levy有向游动机制来提升人工鱼的全局寻优能力,实现了对传统人工鱼群算法的多维度改进,最后设计仿真实验,进行横向对比与纵向对比,验证了本文算法的高效性与优越性。     

自适应视野和步长的局部邻域人工鱼群算法

为解决基本人工鱼群算法搜索后期盲目性大、过早收敛等问题,提出了一种采用全新局部邻域结构的人工鱼群算法.每条人工鱼只能与本邻域内的其他5条邻居鱼通信,每次迭代前每条人工鱼都要根据自身与邻域内其他5条邻居鱼的平均距离自适应地计算视野和步长,并对人工鱼的聚群和追尾行为进行了改进,从理论上讨论了该算法的收敛性.仿真结果和工程实例测试表明,该算法具有良好的收敛速度和全局搜索能力,寻优精度更高,优化性能更好.     

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。     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

一种改进的人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法。该文提出一种改进的人工鱼群算法,在觅食行为中让人工鱼直接移动到较优位置,以加快算法的搜索速度,动态调整人工鱼的视野和步长,使其在算法运行初期保持最大值,并逐渐由大变小。该算法较好地 平衡了全局搜索能力和局部搜索能力,提高了算法运行效率和精度。仿真结果表明,改进的人工鱼群算法收敛性能比原有算法提高了1倍 以上。     

基于改进鱼群和K-means的混合聚类算法

针对传统K-means算法存在的缺陷,引进人工鱼群算法,提出了一种基于改进鱼群和K-means的混合聚类算法。聚类样本中心点初始化时,人工鱼各维参数随机选择在对应属性两个极值之间,同时为了降低计算复杂度,提高收敛效率,寻找全局最优,首先对随机选取的一小部分人工鱼进行K-means操作,然后对全体人工鱼的追尾算子引入粒子群策略,引导其学习,模拟人工鱼的行为。通过Matlab仿真实现算法,在费雪鸢尾花卉数据集和葡萄酒质量数据集进行了实验,算法的有效性和可行性得到了验证。     

基于最速下降最优解参考的粒子群算法

将现代智能优化算法(微粒群算法)和最速下降法有机的结合起来,构造出一种混合优化算法,该算法既有微粒群算法的优点,又有最速下降的较高收敛性和精度,数值计算表明算法对于求解连续可微函数的全局优化问题是非常有效的。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

一种用Powell方法局部优化的人工萤火虫算法

针对人工萤火虫算法在寻找函数全局最优值时,存在着收敛速度慢、易陷入局部最优、收敛成功率和求解精度低等不足,利用Powell方法强大的局部优化能力,将其作为一局部搜索算子嵌入到人工萤火虫算法,提出一种用Powell方法局部优化的人工萤火虫算法。最后,8个标准函数测试结果表明,改进后人工萤火虫算法在收敛速度、精度和稳定性方面都优于人工萤火虫算法。     

改进的人工鱼群算法及其在无线定位中的应用*

摘 要：人工鱼群算法是一种基于动物行为的群体智能优化算法。针对基本鱼群算法收敛速度慢和在算法运行后期搜索盲目性较大等问题,给出了一种改进的鱼群算法。该算法采用可变视野,在搜索的后期使用随机步长,并给出了局部最优人工鱼移动策略,较好地平衡了全局搜索能力和局部搜索能力;在假设目标函数分布未知的情况下,规范了人工鱼的各种行为,给出了明确的收敛条件。在文章最后,结合蜂窝网中以功率值作为测量参数的无线定位问题,给出一种基于人工鱼群算法的分布式定位方法。仿真实验表明,该方法实现简单,全局搜索能力强,满足了定位的有效性和实时性。     

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。