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.     

求解聚类问题的改进人工鱼群算法

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用。聚类问题可以归结为一个优化问题。人工鱼群算法（AFSA）是一种新提出的新型仿生优化算法。在分析AFSA存在不足的基础上,提出一种改进人工鱼群算法,并应用于求解聚类问题。算法保持了AFSA算法简单、易实现的特点．通过改进个体鱼的行为,并引入均匀交叉算子,将人工鱼群算法和遗传算法融合,显著提高了算法运行效率和求解质量。仿真实验取得了较好的结果。     

基于模拟退火算法的改进人工鱼群算法研究

研究人工鱼群算法优化问题,为了改进AFSA优化精度低、运行时间长的问题,借鉴模拟退火算法中的Metropolis判别准则改进了人工鱼的觅食行为,在利用人工鱼全局寻优的同时并利用模拟退火算子实施局部细化,提出了一种改进的人工鱼群优化算法(SA_ IAFSA),保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动以及容易陷入局部最优值的缺点,显著提高了算法的运行效率和求解质量.通过函数和实例进行仿真,结果表明改进算法的可行性和有效性.     

求解聚类问题的改进人工鱼群算法

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用。聚类问题可以归结为一个优化问题。人工鱼群算法（AFSA）是一种新提出的新型仿生优化算法。在分析AFSA存在不足的基础上,提出一种改进人工鱼群算法,并应用于求解聚类问题。算法保持了AFSA算法简单、易实现的特点．通过改进个体鱼的行为,并引入均匀交叉算子,将人工鱼群算法和遗传算法融合,显著提高了算法运行效率和求解质量。仿真实验取得了较好的结果。     

一种采用动态游动模式的鱼群算法

在鱼群算法优化的研究中,针对人工鱼群算法(AFSA)存在的速度慢、精度差、早熟收敛等问题,提出一种新的改进人工鱼群算法,即一种采用动态游动模式的鱼群算法(DSMFSA).上述算法让每条“鱼”具有多种搜索模式,让每条“鱼”具有机动搜索食物的能力,并可根据群体信息的反馈和自身状态随时调整搜索方式.在数值实验中选择了几个比较典型的基准函数,用来测试上述算法的性能.实验结果表明:DSMFSA算法大大改善了人工鱼群算法(AFSA)存在的易陷入局部最优、优化精度不高之不足,明显具有比AFSA好得多的优化性能.说明改进算法具有跳出局部最优的能力,可用于求解高维的复杂优化问题.     

云计算环境下鱼群算法的研究

人工鱼群算法(AFSA)是一新型仿生优化算法,已成功地应用于求解很多组合优化难题。但人工鱼群算法对这些问题的求解主要是在集中式串行的环境下,而云计算环境下应用人工鱼群算法分布式并行对问题进行求解的研究很少。该文应用云计算技术将人工鱼群算法并行化,将人工鱼群算法和遗传算法融合,显著提高了算法求得全局最优解的能力。仿真实验取得了较好的结果。     

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.     

基于改进全局人工鱼群算法的VRPSPDTW研究

研究带时间窗的同时送取货车辆路径规划问题（VRPSPDTW）,并建立0-1混合整数规划模型。为进一步提高人工鱼群算法的寻优能力和收敛速度,提出一种改进的全局人工鱼群算法,并通过实验确定算法参数。算法将模型中的时间窗和车载量两个强约束纳入适应度函数进行处理,降低算法计算复杂度。以最小化发车数（NV）和路由距离（TD）为优化目标,通过王与陈提供的VRPSPDTW算例与基本人工鱼群算法（AFSA）和并行模拟退火算法（P-SA）进行比较,验证了改进全局人工鱼群算法的有效性。实验结果显示：IGAFSA获得的NV和TD目标值均优于AFSA,TD目标值优于P-SA。     

一种人工鱼算法与捕鱼算法相结合的优化方法

在分析人工鱼群算法和捕鱼算法存在不足的基础上,提出了一种人工鱼群算法(AFSA)与采用捕鱼策略的优化算法(FSOA)相结合的混合算法。该算法在优化初期使用AFSA算法搜索局部最优域,而在优化后期则使用FSOA算法在优化前期所初步确定的局部最优域中搜索最优解。实验计算结果表明,该算法具有优化精度高、收敛速度快的特点。     

引入贪心鱼群的改进人工鱼群算法

针对人工鱼群算法(AFSA)局部寻优不精确等问题,提出一种引入贪心鱼群改进人工鱼群算法(IAFSASF)的方法.贪心鱼群具有不同于普通鱼群的行为策略,在觅食行为中贪心鱼群紧紧跟随在最优适应度的人工鱼的附近进行食物搜索,而不执行追尾和聚群行为,因此,贪心鱼群具有更好的局部寻优能力.实验证明:IAFSASF比原有算法在减少时间复杂度的同时有效提高了求解精度.     

基于人工鱼群算法的机车二系支承载荷调整优化方法

人工鱼群算法是一种新型寻优策略,该算法对初值和参数不敏感,具有克服局部极值,获得全局最优解的能力。本文针对电力机车二系支承载荷调整数学模型,运用人工鱼群算法建立相应的优化模型,提出一种机车二系支承载荷调整的新方法。对国产HXD1B型机车试验结果表明:(1)该方法能一致收敛到全局最优解,算法稳定、可靠;(2)在相同初始群体条件下,与遗传算法相比,人工鱼群算法显著提高收敛速度,减少计算量和计算时间。     

一种基于AFSA的神经网络投影寻踪耦合回归模型

人工鱼群算法是通过模仿鱼群的觅食、聚群和追尾等行为寻找最佳觅食水域从而实现全局寻优的优化算法。应用神经网络的投影寻踪耦合回归模型存在优化问题,学习过程中运用人工鱼群算法进行优化,进而获得最佳的投影方向、阈值和正交Hermite多项式系数。本文描述了应用人工鱼群算法优化的神经网络投影寻踪耦合回归模型算法。仿真实验结果表明,该算法可以获得满意的预测效果。     

蚁群算法优化前向神经网络的一种方法

蚁群算法(ACA)是一种新型的寻优策略,此文章尝试将蚁群算法用于三层前向神经网络的学习过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明ACA具有更好的全局收敛性,鲁棒性强,以及对初值不敏感等特点。     

AFSA与改进FSOA相结合的优化方法

提出一种采用AFSA和改进FSOA相融合的混合优化方法。该优化方法在寻优过程中交替使用AFSA和改进FSOA优化方法,使用AFSA来搜索局部最优域,使用改进FSOA优化方法来加快算法收敛速度和提高优化精度。实验仿真结果表明,该优化算法具有收敛速度快、优化精度高、全局寻优能力强、算法稳定性好等特点,对于求解高维复杂函数的优化问题是有效的和可行的。     

求解约束优化问题的人工鱼群算法

在利用人工鱼群算法求解约束问题时,处理好约束条件是取得好的优化效果的关键。引入了半可行域的概念,并结合人工鱼群算法(ArtificialFish-SwarmAlgorithm,AFSA)本身的特点,设计了基于竞争选择和惩罚函数的适应度函数,从而得到了一个利用ASFA算法求解约束优化问题的新的进化算法。实验证明了算法的有效性。     

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。     

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。     

太阳电池I-V曲线拟合的优化算法

通过对遗传算法(GA)和人工鱼群算法(AFSA)的研究,结合太阳电池I-V曲线的数学模型,提出了一种遗传算法与人工鱼群算法相互融合的优化算法(GA-AFSA)。GA-AFSA保持了遗传算法的全局寻优的优点,克服了人工鱼群漫无目的随机游动和遗传算法收敛慢的缺点,并且通过人工鱼群算法的计算提高了收敛速度。利用了太阳电池实测数据进行I-V曲线拟合及太阳电池的光生电流、二极管品质因数、串联电阻、反向饱和电流、并联电阻等5个重要参数的最优求解。将GA-AFSA与已有的算法进行了比较,仿真实验表明GA-AFSA精度高,收敛速度快。     

基于单纯形法的改进型人工鱼群算法

针对鱼群算法在局域搜索能力差的问题,提出一种基于单纯形法的改进型人工鱼群算法。利用单纯形算子在局部区域内分布更均匀且广泛的特征,在鱼群算法运行到后期时,将单纯形算子每隔一定代数引入到现有的鱼群算法中取代原来大量聚集在非极值点附近的人工鱼,有效改善个体质量,提高局部搜索精细度,进而提高算法的寻优精度。采用典型算例对算法性能进行了验证分析,研究结果表明,该算法在解决鱼群算法后期优化精度低问题时可以获得更好的效果。     

改进的人工鱼群算法的参数分析

基于原始人工鱼群算法,进行觅食、追尾、聚群行为的改进,以及可视域的自适应调整,提出了改进的人工鱼群算法。算法采用不同的参数值进行匹配,以优化函数值为例进行仿真实验。实验分析研究了主要参数对该算法优化性能的影响,并得出了合理的参数取值,以解决人工鱼群算法寻优精度低、运行速度慢的问题;实验还通过不同函数验证了改进的人工鱼算法具有更高的求解精度、更快的执行速度、更高的稳定性等优点。