混沌协同人工鱼粒子群混合算法及其应用

针对基本人工鱼群算法（AFSA）收敛速度较慢、精度较低和粒子群易陷于局部的缺点,提出了混沌协同人工鱼粒子群混合算法（CCAFSAPSO）。该算法采取AFSA、PSO的全局并行搜索与模拟退火算法（SA）的局部串行搜索机制相结合的搜索方式,并用混沌映射的遍历性和模拟退火算法的突跳功能,克服了AFSA、PSO的收敛速度、求解精度和易陷于局部最优的不足。典型函数测试进一步表明CCAFSAPSO算法和同类算法相比,收敛速度更快、求解精度较高。最后将算法应用于化工数据处理,获得满意效果。     

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。     

粒子群优化鱼群算法仿真分析

针对标准粒子群算法(PSO)寻优多维多极值函数成功率低,基本人工鱼群算法(AFSA)收敛速度和精度有待提高等问题,提出粒子群优化鱼群算法(PSO-FSA)。该算法将速度惯性、个体记忆和个体间交流等特征引入鱼群算法,使鱼群行为模式扩充至追尾、聚群、记忆、交流以及觅食。此外,定义参数max D动态限定鱼群搜索的视野和步长。仿真分析表明,粒子群优化鱼群算法较两种基本算法而言具有更快的收敛速度和寻优精度。     

PSO和AFSA混合优化算法

结合粒子群优化(PSO)算法和人工鱼群算法(AFSA)的优势,提出一种PSO-AFSA混合算法。将种群分为2个子群体,在每次迭代中,一个子群体利用PSO算法进化,另一个子群体利用AFSA进化,2个算法共享整个种群极值信息。通过混合算法对5个标准函数进行实验,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

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.     

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.     

一种混合优化算法面向高维函数优化的研究

基本粒子群算法（PSO）在面对高维多极值函数优化的问题时粒子容易快速集中到最优粒子附近，导致粒子运动能力丧失，种群陷入停滞，因此寻优效果并不理想。针对这种情况，通过引入人工鱼群算法（AFSA）中的聚群和觅食行为与粒子群算法相结合形成一种新的混合优化算法来解决这些问题。最终通过仿真实验证明该混合优化算法在面对高维函数的优化问题上具有优秀的寻优能力。     

基于改进人工鱼群算法的支持向量机预测

由于参数的选择范围较大,在多个参数中进行盲目搜索最优参数的时间代价较大,且很难得到最优参数.为此,提出一种基于改进人工鱼群算法(AFSA)的支持向量机(SVM)预测算法.对AFSA进行改进,并使用改进算法优化SVM.实验结果表明,与遗传算法、粒子群优化算法和基本AFSA优化的支持向量机相比,该算法的均方误差降低为2.51×10-3,提高了预测精度.     

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.     

AFSA＋PSO混合算法在BP网络故障诊断中的应用

提出一种基于人工鱼群算法和粒子群算法混合训练BP网络的故障诊断系统.采用人工鱼群算法和粒子群算法结合算法训练神经网络权值,局部搜索速度快且保证全局收敛,有效克服了传统的BP神经网络收敛速度慢且容易陷入局部极值的缺点.将该网络用于齿轮箱故障诊断,并与传统BP模型用于故障诊断结果进行了比较,取得了较好的效果.     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于求解具有变量边界约束的非线性的复杂函数最优化问题和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

Adaptive fuzzy particle swarm optimization for global optimization of multimodal functions

This paper proposes an adaptive fuzzy PSO (AFPSO) algorithm, based on the standard particle swarm optimization (SPSO) algorithm. The proposed AFPSO utilizes fuzzy set theory to adjust PSO acceleration coefficients adaptively, and is thereby able to improve the accuracy and efficiency of searches. Incorporating this algorithm with quadratic interpolation and crossover operator further enhances the global searching capability to form a new variant, called AFPSO-QI. We compared the proposed AFPSO and its variant AFPSO-QI with SPSO, quadratic interpolation PSO (QIPSO), unified PSO (UPSO), fully informed particle swarm (FIPS), dynamic multi-swarm PSO (DMSPSO), and comprehensive learning PSO (CLPSO) across sixteen benchmark functions. The proposed algorithms performed well when applied to minimization problems for most of the multimodal functions considered.     

一种新的混合粒子群算法求解置换流水车间调度问题

针对粒子群算法易早熟的缺点,提出了一种结合迭代贪婪(IG)算法的混合粒子群算法。算法通过连续几代粒子个体极值和全局极值的变化判断粒子的状态,在发现粒子出现停滞或者粒子群出现早熟后,及时利用IG算法的毁坏操作和构造操作对停滞粒子和全局最优粒子进行变异,变异后利用模拟退火思想概率接收新值。全局最优粒子的改变会引导粒子跳出局部极值的约束,增加粒子的多样性,从而克服粒子群的早熟现象。同时,为了使算法能更快找到或逼近最优解,采用了循环迭代策略,在阶段优化结果的基础上,周而复始循环迭代进行求解。将提出的混合粒子群算法应用于置换流水车间调度问题,并在问题求解时与几个具有代表性的算法进行了比较。结果表明,提出的算法能够克服粒子群早熟,在求解质量方面优于其他算法。     

非视距环境下基于粒子群的超宽带定位算法

将智能算法应用到无线传感器网络定位技术中是一种全新的尝试,粒子群算法是其中的一种典型算法.根据超宽带(UWB)定位原理,建立基于粒子群算法的定位模型,在非视距(NLOS)环境下,利用NLOS误差导致的附加时延和由信道决定的均方根时延扩展的联合统计特性,进行NLOS误差补偿,在迭代过程中采用线性递减的惯性权重,粒了群通过不断追踪个体极值和局部极值,更新自身的位置与速度,从而找到全局最优解,仿真结果表明正确率达90％以上.     

A discrete version of particle swarm optimization for flowshop scheduling problems

Particle swarm optimization (PSO) is a novel metaheuristic inspired by the flocking behavior of birds. The applications of PSO to scheduling problems are extremely few. In this paper, we present a PSO algorithm, extended from discrete PSO, for flowshop scheduling. In the proposed algorithm, the particle and the velocity are redefined, and an efficient approach is developed to move a particle to the new sequence. To verify the proposed PSO algorithm, comparisons with a continuous PSO algorithm and two genetic algorithms are made. Computational results show that the proposed PSO algorithm is very competitive. Furthermore, we incorporate a local search scheme into the proposed algorithm, called PSO-LS. Computational results show that the local search can be really guided by PSO in our approach. Also, PSO-LS performs well in flowshop scheduling with total flow time criterion, but it requires more computation times.     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

人工鱼群算法与差分进化变异蟑螂算法动态融合及其在网格任务调度中的应用

深入分析人工鱼群算法和蟑螂算法的特点基础,提出一种改进式蟑螂算法。将差分进化变异因子、禁忌表分别引入到蟑螂算法,加快了算法的搜索速度和获得全局最优解的能力。采用权衡种群中最优个体和精英个体之间的差异度的方式将改进后的蟑螂算法和人工鱼群算法动态融合。仿真实验表明将这种动态融合后的算法解决网格任务调度问题可以获得较好的调度效果。     

一种新型的启发式人工鱼群算法

单一结构和机制的算法一般难以得到满意的解。为此,提出一种新型的启发式人工鱼群算法。将进化策略、粒子群算法中的信息策略加入到人工鱼群算法中,并在理论上证明该算法的收敛性。函数仿真实验表明,该算法可以避免基本人工鱼群算法陷入局部极值,且具有收敛速度快、计算精度高等特点。