无线传感器网络覆盖优化策略

针对无线传感器网络节点覆盖容易出现空洞和盲区的问题,提出一种基于改进人工鱼群算法的无线传感器网络覆盖优化算法.首先构建网络节点的信任度模型,进行节点轮换调度修复路由,然后采用改进人工鱼群算法进行无线传感器网络节点的自适应定位寻优,以人工鱼群优化的节点分布模型重构无线传感器网络(WSN)节点覆盖连通图,实现优化网络覆盖.仿真实验结果表明,利用覆盖优化算法进行WSN网络节点设计,明显地改善了网络节点的覆盖质量,提高了无线传感器网络的安全性能.     

AAFSA-RA:一种采用高级人工鱼群算法的多资源分配方法

针对资源受限环境中多任务间的多资源分配问题,提出一种采用高级人工鱼群算法的多资源分配方法(AAFSA-RA)。对多资源分配进行建模,结果表明多资源分配是多约束多维度的复杂函数最优化问题。针对基本人工鱼群算法(AFSA)在寻优过程中速度慢的问题,提出一种高级人工鱼群算法(AAFSA)。通过适当地限制人工鱼的随机游动来改进觅食行为。引入步长和视野的两级动态调整机制,基于鱼群进化过程进行一级调整,基于人工鱼个体的食物浓度及变化情况进行二级调整。根据人工鱼个体食物浓度控制人工鱼的生命周期。基于AAFSA进行多资源分配。仿真实验结果表明:AAFSA-RA可以稳定地搜索到全局最优值,与现有AFSA算法相比,AAFSA寻优速度更快;与传统资源分配方法相比,AAFSA-RA可以达到更高的精度,并且对效用函数无特殊要求。     

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。     

基于多阅读器避碰的双层规划及其混合智能优化

针对多阅读器竞争共享介质和覆盖区域重叠造成射频信号干扰和碰撞的问题,依据阅读器在识别范围内受干扰的程度,将其设定为稀疏或稠密阅读器,给出双层规划阅读器避碰模型,并提出相应的双层规划混合智能优化算法。将鱼群算法的拥挤度和追尾行为引入免疫优化算法中,增强群体的局部勘探能力,获得免疫鱼群优化算法;进而,将此算法作为算子模块嵌入到遗传算法中,得到求解此避碰模型的混合智能优化算法。比较性的数值实验显示,该算法的搜索效果稳定且具有明显优势。     

改进人工鱼群算法优化设计耗能增效型惯容减震系统

为了使惯容减震系统在满足结构性能需求的前提下实现耗能增效最大化，采用改进的人工鱼群算法来进行惯容减震结构优化设计。首先根据随机振动理论推导出白噪声激励下惯容减震单自由度结构的随机振动响应解析解，然后推导出优化设计问题的数学表达式，采用具有自适应视野与拥挤度的改进人工鱼群算法优化惯容减震系统的关键参数，最后验证改进人工鱼群算法的性能以及优化后惯容减震结构的减震效果与耗能增效情况。结果表明：改进的人工鱼群算法在求解速度以及精确度上均优于传统的人工鱼群算法，优化设计出的惯容减震结构具有良好的减震性能，充分发挥了惯容减震系统的耗能增效功能，为惯容减震系统的参数优化提供了简便且可靠的手段。     

淡黑镊丽鱼对不同环境颜色和不同颜色鱼群的选择偏好

【目的】探究淡黑镊丽鱼（Labidochromis caeruleus）对不同环境颜色和不同颜色鱼群的选择偏好。【方法】实验1：测定实验鱼在红、橙、黄、绿、蓝、紫、黑、白等不同环境颜色背景中的停留时间；实验2：测定实验鱼在同种鱼群以及不同颜色如雪中红鱼（Metriaclima estherae）、蓝阿里鱼（Sciaenochromis fryeri）、白鲷（Hindongo socolofi）等慈鲷科（Cichlidae）鱼群组合之间的选择偏好。【结果】1） 实验鱼在非白色背景中的停留时间均高于在白色背景中的停留时间；实验鱼除在橙色和白色背景的停留时间无统计学意义上的差异外，在其他非白色背景和在白色背景的停留时间均有统计学意义上的差异（p<0.05）。2） 实验鱼在不同颜色异种鱼群之间选择时偏好选择接近自身颜色和非白色的鱼群，且该偏好具有统计学意义（p<0.05）；实验鱼在同种鱼和与自身颜色差异较大的异种鱼群间选择时偏好选择前者，且该偏好具有统计学意义（p<0.05）；实验鱼在同种鱼和与自身颜色相似的异种鱼群之间选择时，无明显偏好。【结论】淡黑镊丽鱼对颜色具有一定的选择偏好，在环境颜色选择中偏好非白色背景，在选择同伴鱼类时偏好非白色以及接近自身颜色的鱼群。     

基于改进YOLOv5的鱼群小目标检测优化算法

随着深度学习技术的发展，水下图像检测近年来受到广泛的关注，为了克服在复杂水下环境下传统小鱼群的误检、漏检和识别准确率低等问题，提出一种改进YOLOv5的目标检测方法(INV-YOLOv5)。该方法包括将YOLOv5m中的Focus模块替换为卷积模块，提高网络精度；在主干网络(Backbone)中添加多头自注意力机制，增大网络特征提取视野；最后，在网络中引入了内卷算子和加权的特征融合，降低网络的参数量，提高检测精度。在实验阶段，使用Labeled Fishes in the Wild数据集和WildFish数据集验证，该方法的平均精度(mAP)分别为81.7%和83.6%,与YOLOv5m网络相比分别提升了6%和14.5%,不仅拥有较高的识别率并且更加轻量化，而且模型大小与YOLOv5m网络相比减少了6 M(Mega)左右，验证了所提出的改进方法具有较好的效果。