改进人工鱼群算法及其收敛性分析

为了克服人工鱼群算法容易收敛于局部最优和解精度不高的缺点,提出了一种新的小生境人工鱼群算法(NAFS)。在算法后期根据鱼群聚集程度引入小生境排挤机制,维持种群的多样性。为了说明该算法的有效性,利用压缩映射定理从理论上证明了该算法的全局收敛性。最后,通过在四个典型Benchmark函数上的实验,并与差异演化算法、粒子群算法、鱼群算法对比,证明该算法的解精度比原始人工鱼群算法有较大的提高。     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

基于水流作用机制的人工鱼群算法

针对人工鱼群算法(AFSA)在函数优化问题中易陷入局部极值和求解精度较低的缺点,提出了一种在基本人工鱼群算法中引入水流作用机制的改进方案。通过水流作用机制中的持续性水流和周期性水流对鱼群施加的有益影响来改进原有算法。持续性水流影响鱼群的体力变化从而控制视野和步长参数的自适应调整以提高求解精度;周期性水流冲击鱼群并改变部分鱼的位置,从而保持鱼群的种群多样性以利于全局收敛。仿真实验结果表明:本文的改进算法具有更高的求解精度和更好的全局搜索性能,并验证了算法的有效性。     

基于改进人工鱼群算法的复杂地貌无人机三维路径规划

针对无人机在复杂海域地貌中的三维路径规划,在人工鱼群算法的基础上提出了一种改进的适应性人工鱼群算法。首先,利用数学模型建立地貌的三维模型,选取路径最短为性能评价函数,保证路径规划的合理性;其次,考虑到传统的人工鱼群算法前期收敛速度慢,后期需要精确搜索提高算法精度,提出自适应步长和自适应视野范围来更新个体的位置。为了避免算法陷入局部最优,在追尾行为中引入鱼群中的社会经验位置进行更新;最后,利用MATLAB对在3个复杂程度不同的地图中与传统的人工鱼群算法与粒子群算法对比,仿真结果表明改进后的人工鱼群算法在三维路径规划问题求解中具有更好的收敛速度和精度。     

混沌人工鱼群的鲁棒保性能控制权值矩阵优化方法

针对鲁棒保性能控制中的权值矩阵依赖经验选取,无法最大限度的减小系统保守性的问题,提出了一种基于混沌人工鱼群算法的鲁棒保性能控制权值矩阵优化方法.该方法中,将保性能控制鲁棒界作为优化的目标函数来寻找最优权值矩阵是整个算法实现的关键.该种改进的人工鱼群优化算法融合了混沌搜索与自适应步长和视野的人工鱼群优化算法,有效的解决了基本人工鱼群算法的后期收敛速度慢、易陷入局部最优等缺点.通过测试函数对比验证了该种改进人工鱼群优化算法的优越性,并通过应用实例验证了该权值矩阵优化方法的有效性.     

基于DNA的改进人工鱼群算法

人工鱼群算法虽然具有不需要了解问题的特殊信息,能够寻找到一定的搜索方向,对初值和目标函数的要求不高等优点,但在人工鱼群算法的后期,有一部分人工鱼会聚集在局部最优周围或者处在漫无目的地随机游动状态,从而影响算法寻优的精度及收敛速度.针对这一不足,引入DNA交叉和DNA变异操作,提出一种基于DNA的改进人工鱼群算法.通过函数测试表明,该算法在搜索精度、可靠性、稳定性和鲁棒性4个性能上相比于基本人工鱼群算法更有效.     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

分类觅食人工鱼群算法

针对人工鱼群算法搜索速度和搜索精度不高,且对高维问题寻优能力较差等缺点,提出了一种改进的人工鱼群算法——分类觅食人工鱼群算法(Assorted Foraging Artificial Fish Swarm Algorithm-AFAFSA)。该算法对执行觅食行为的个体分类进行更新,既保持种群的多样性又通过觅食行为加快算法的搜索速度,同时加入禁忌的思想帮助算法跳出局部最优,提高算法的性能。通过一系列的测试试验,发现改进算法在收敛速度和精度方面都有了明显的提高,对于高维问题有也具有较好的寻优能力。     

改进型人工鱼群算法及复杂函数全局优化方法

在分析人工鱼群算法存在不足的基础上,对人工鱼群算法加以改进,提出了一种改进型人工鱼群算法。该算法提高了全局搜索能力和收敛速度,并用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,改进后的人工鱼群算法具有精度高、搜索速度快等特点,是一种求解复杂函数全局最优化的智能算法。     

基于时变衰减函数的改进人工鱼群算法研究

在分析国内人工鱼群算法相关研究的基础上,针对其易陷入局部最优和发生振荡现象的缺点,在标准人工鱼群算法中增加时变衰减函数起到衰减因子的作用,优化其时间参数的取值,对人工鱼群智能算法求解过程中觅食行为的视野以及步长的取值进行优化完善;增加鱼群的跳跃过程及变异因子,避免求解过程中早熟现象的产生,保证其最优解为全局最优.研究了传统与改进算法的求解过程及步骤,最后,以常用的3个测试函数为算例对其进行测试,对比分析传统与改进算法之间的区别,对测试的结果进行分析,得到改进的人工鱼群算法具有求解精度高、收敛速度快、寻优能力强的特点.     

融合多策略的萤火虫算法

针对萤火虫算法在求解高维复杂函数时存在的收敛速度慢、寻优精度低和易陷入局部最优等缺点,提出一种融合多策略的萤火虫算法（IMSFA）。首先,利用混沌映射和动态对立学习策略优化初始种群,加快算法的收敛速度;其次,对个体的移动策略进行多样化设计,降低算法陷入局部最优的概率,提高算法的寻优精度;最后,对超出解空间的个体使用归优边界限制策略,保证算法可以朝着一个较优的方向进行搜索。在8个基准函数上对IMSFA进行优化测试,并使用Wilcoxon秩和检验对其进行评估,结果表明,IMSFA在收敛速度、搜索精度、克服局部最优和寻优稳定性方面有着出色的表现。     

一种基于动态参数调整的改进人工鱼群算法

针对经典鱼群算法收敛速度慢、寻优精度低的缺陷,提出了一种基于参数动态调整的改进人工鱼群算法.动态调整视野和拥挤度因子以提高算法的搜索效率;改进去交叉算子以消除交叉路径;引入了再寻优算子确保再次搜索去交叉后路径能够快速找到最优值.求解TSP问题的实验结果表明:改进的人工鱼群算法提高了收敛速度、增强了搜索最优解的能力.     

改进人工鱼群算法在气溶胶粒径分布反演中的应用

基于光谱消光法,利用一种改进的人工鱼群算法(improved artificial fish school algorithm,IAFSA)反演单峰和双峰气溶胶粒子粒径分布。其中,正问题的求解采用反常衍射近似(anomalous diffraction approximation,ADA)和Lambert-Beer定律。研究结果表明:相对标准人工鱼群算法而言,IAFSA能很好地避免出现后期收敛速度慢、精度低等问题。在非独立模型下反演气溶胶粒径分布时,IAFSA算法体现出很好的收敛精确度和鲁棒性。在非独立模型下,IAFSA算法可用于反演实际测量得到的哈尔滨地区气溶胶粒径分布。     

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。     

改进人工鱼群算法及其在时滞系统辨识中的应用

针对人工鱼群算法(AFSA)存在收敛速度慢和寻优精度低等问题,本文提出了一种改进人工鱼群算法(IAFSA).该算法中的人工鱼能够根据鱼群当前状态调整自身的视野和步长来平衡局部搜索和全局搜索.此外,算法中还加入了引导行为,即人工鱼在觅食行为未发现更优的位置时,当前人工鱼向最优人工鱼移动一步.仿真结果表明,改进人工鱼群算法在收敛速度、寻优精度和克服局部极值等方面有很大优势.本文将改进鱼群算法应用时滞系统的辨识中,辨识结果表明改进算法能获取被控对象的精准数学模型,并具有较强的抗干扰能力.     

基于Logistic模型的改进人工蜂群算法

针对基本人工蜂群(ABC)算法存在着收敛速度慢、易陷入局部最优、求解精度低等缺点,提出一种基于Logistic模型的自适应人工蜂群(A-ABC)算法.首先,利用反向学习策略初始化种群个体以保证群体的多样性,为算法进行全局搜索奠定基础;其次,通过引入参数λ对ABC算法的搜索方程进行改进以产生新的候选个体,在进化过程中,λ的大小基于Logistic模型自适应调节,以协调算法的探索能力和开发能力;引入基于排序的选择概率以避免算法出现早熟收敛.对几个典型的Benchmark函数进行了测试,实验结果表明,与基本ABC算法相比,A-ABC算法具有更高的求解精度和更快的收敛速度.     

低维函数的快速优化算法

基于群体的进化算法是求解函数优化问题的常用方法,但存在收敛速度慢和易陷入早熟的缺点．提出了一个基于（1＋1）-ES分块进化的低维函数优化算法,采用分块进化,引入丢弃不重要分块和二次优化求精的策略,实现了全局搜索过程和局部搜索过程的分离．通过算法分析,表明了算法比较适合于低维函数．仿真结果表明了提出的算法的抗早熟能力和求解效率均优于FEP．     

函数优化问题求解的自适应差分进化算法

针对函数优化问题求解算法存在速度慢、精度低等问题,提出一种函数优化问题求解的自适应差分进化算法.该算法对变异算子和交叉算子进行改进,增强了其寻优能力.对经典的函数优化问题进行仿真测试,结果表明,自适应差分进化算法全局搜索能力强,收敛速度快,可以获得更高精度的函数优化问题解.