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.     

基于人工鱼群的DNA编码序列组合优化算法研究

分析DNA编码序列设计的目标及需要满足的约束条件,提出全局人工鱼群算法(GAFSA)生成有效的DNA编码序列.根据优化问题的约束条件及人工鱼群的特点,对人工鱼的视野和步长按进行动态调整.实验结果表明,所述GSFSA算法比遗传算法、多目标进化算法、遗传粒子群算法算法产生的DNA编码序列具有更高的质量.     

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.     

一种人工鱼群混合智能优化算法

针对人工鱼群算法一般在初期拥有较快的收敛性,后期收敛较慢的特性,笔者提出一种改进的人工鱼群算法——GPAFSA．该算法将杂交PSO算法引入到人工鱼群算法中,在人工鱼群算法陷入局部最优时,通过使用杂交PSO算法,克服陷入局部最优的缺陷,实现全局最优．仿真实验表明,该算法在收敛性、全局寻优方面比原始算法有很大提高．     

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.     

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。     

基于粒子群与人工鱼群混合算法的TSP求解模型

传统的群智能算法不断被优化和改进,但由于传统单纯算法的固有缺陷和局限性很难从根本上去除,因此衍生出许多群智能混合算法。针对人工鱼群算法(AFSA)收敛速度慢及粒子群算法(PSO)全局收敛性差的缺陷,提出了一种新的粒子群与人工鱼群的混合算法。算法以人工鱼群算法为基础,将粒子群算法的线性递减惯性权重策略引入到人工鱼群算法中,对人工鱼进行编码处理以及动态改变人工鱼个体的视野,使之形成新的粒子群人工鱼群混合算法(PSO-AFSA)。完成算法融合并将混合算法应用于旅行商(TSP)问题。仿真结果表明:与传统的人工鱼群算法和粒子群算法相比,该混合算法全局收敛性效果更好,收敛速度更快。     

基于人工鱼群遗传算法的DNA编码优化

针对DNA计算中的编码序列设计问题,分析DNA编码序列设计的目标和需要满足的约束条件,从中选择适当的约束条件,给出评估公式,提出人工鱼群遗传算法生成有效的DNA编码序列。经实验结果表明,所述算法比遗传算法及遗传粒子群算法产生的DNA编码序列质量更加稳定可靠。     

基于DNA进化算法的Flow shop生产调度问题

DNA进化算法是基于细胞分裂中DNA分子复制原理的进化算法.算法模拟了一类单亲群体的演化过程,单亲个体能够通过分裂和变异的交互作用,以1的概率演化得到全局最优解.目前,该算法只是在连续优化问题中有很好的应用.在此算法的基础上,本文将其在个体变异操作中进行了一些改进并成功应用于Flow shop生产调度.为验证DNA进化算法的有效性,采用Flow shop标准问题进行测试.仿真实例表明,该算法简单可行,与其它算法相比较,不但有很好的求解性能,而且具有更快的收敛能力与搜索能力.     

改进的DNA遗传算法在指派问题中的应用

提出了一种基于优秀基因片段思想的DNA遗传算法,将这段基因片段提取出来并将它遗传到后代中,可以加快收敛速度.给出了DNA遗传算法的结构,讨论了选择、交叉和变异算子的具体操作,并将其运用到指派问题最优解的求解中,给出了具体的实现方法.仿真实验验证了算法的有效性和实用性.     

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。     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

改进人工鱼群算法在认知无线电决策引擎中的应用

针对遗传算法、粒子群算法等应用于认知无线电决策引擎时存在收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于改进人工鱼群算法的认知无线电决策引擎．利用改进人工鱼群算法全局收敛性强、鲁棒性能好、初值敏感度低等特点,更快速、高效地优化调整传输参数,从而寻找特定条件下的最优配置方案．仿真结果表明,在多载波通信系统下,该认知决策引擎具有收敛精度高、平均适应度值高、稳定性强等特点,性能优于二进制量子粒子群认知引擎．     

带外包的服饰运输调度问题的优化

由于服饰产品是一种时效性很强的商品,而且服饰产品在配送过程中可以外包给快递公司进行配送,对带外包和硬时间窗的服饰运输调度问题（Apparel products Vehicle Routing Problem with Hard Time Windows and Outsourcing,AVRPHTWO）进行分析,并构建了AVRPHTWO、一般性VRP（Vehicle Routing Problem）和VRPSTW（Vehicle Routing Problem with Soft Time Windows）的数学模型,通过对基本的人工鱼群算法（artificial fish swarm algorithm,AFSA）进行改进,混沌搜索被引入人工鱼群算法来提高算法的全局收敛性,反馈策略用来指导人工鱼的移动,以此来提高收敛精度。应用混沌人工鱼群算法（chaotic artificial fish swarm algorithm,CAFSA）及遗传算法（genetic algorithm,GA）对所建立的三种模型求解,通过对实验数据进行处理,证明了AVRPHTWO模型和混沌人工鱼群算法求解此类模型的有效性,进一步证明了问题模型的复杂程度影响算法寻优能力,问题模型简单时,遗传算法更优;问题模型复杂时,混沌人工鱼群算法更优。     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

图像分割背景下群体智能优化算法的性能对比

 针对目前研究相对薄弱的群体智能优化算法的性能对比问题,搭建数字图像为生命栖息环境的群体智能优化算法的性能对比平台,提出基于最优个体变化的收敛关联度和收敛面积的新型性能评价指标,并具体进行了遗传算法、粒子群算法、人工鱼群算法、细菌觅食算法等多种群体智能优化算法的性能比较与测试.实验结果显示,所提出的评价平台和性能评价指标能够合理有效地对比不同搜索机制下智能群体的寻优能力.     

离散粒子群优化在垂直分层空时系统检测中的应用

为了改善垂直分层空时系统串行干扰抵消算法的性能,提出了一种离散粒子群检测算法(DPSO-DA).该算法将垂直分层空时系统中的最优检测视为组合优化问题,根据最大似然检测公式构造DPSO算法的适应度函数,利用DPSO算法来解决该组合优化问题,从而寻找最优解.针对DPSO-DA 有可能出现早熟现象,进一步提出了一种混合离散粒子群检测算法 (HDPSO-DA).HDPSO-DA 对 DPSO-DA 的进化方程进行了重新设计,在搜索中以一定变异概率对选中的粒子进行变异,进一步改善了DPSO-DA的性能.理论分析和仿真结果表明,当误码率为10-3时,与基于最小均方误差准则的串行干扰抵消算法相比,DPSO-DA 和 HDPSO-DA 可获得约3dB 和 5dB的增益,且具有更低的复杂度.