最优化问题全局寻优的AFSA-BFGS混合算法

针对人工鱼群算法在优化后期收敛速度变慢问题,利用BFGS算法快速的局部搜索能力来改进,提出了一种最优化问题全局寻优的AFSA-BFGS混合算法。通过8个标准函数测试结果表明,AFSA-BFGS混合算法,不仅具有全局收敛性能,而且还具有较快的收敛速度和更高的求解精度,是求解优化问题的一种有效方法。     

粒子群及人工鱼群算法优化研究

本文分析了粒子群算法和人工鱼群算法的基本原理,提出粒子群及人工鱼群算法优化策略,该算法综合利用了人工鱼群算法良好的全局收敛性及粒子群算法快速的局部收敛性,算法易实现,同时,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,粒子群及人工鱼群优化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。     

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。     

求解全局优化问题的混合人工鱼群算法

把Powell算法作为人工鱼群算法的一个局部搜索算子,嵌入到自适应人工鱼群算法中,构成一种基于Powell算法和自适应人工鱼群的混合算法。该算法充分利用了自适应人工鱼群算法的全局收敛性和Powell算法的强局部搜索能力,使得混合算法的全局收敛性能得到了改善,并且减少了计算量。计算机仿真结果表明,自适应混合人工鱼群算法能够在保持较高精度的前提下快速收敛。     

求解函数优化问题的混合连续优化算法*

用蚁群算法进行函数优化时,存在收敛速度慢且易于陷入局部最优解的问题。针对这一现状,提出了一种微粒群和蚂蚁算法相结合的混合连续优化算法,该算法引入微粒群优化操作进行全局搜索牵引,采用网格法进行细密度的蚂蚁局部搜索,从而能很好地应用于求解连续对象优化问题。对若干典型复杂连续函数的实验测试结果表明,该混合算法跳出局部最优解的能力较强,能较快地收敛到全局最优解,并能适于高维空间的优化问题。与最新的有关研究成果相比,该算法不仅寻优精度高,而且收敛速度大幅提高,效果十分令人满意。     

基于人工鱼群和微粒群混合算法的WSN节点部署策略

将无线传感器网络节点分布部署问题形式化为一个组合优化问题,以网络覆盖率为目标函数。针对该模型 提出基于人工鱼群与微粒群的混合算法的无线传感器网络节点部署优化策略。微粒群算法搜索效率高,而人工鱼群 算法进行搜索时有很好的全局性。AF SA-POS算法将这两种算法相结合,局部搜索速度快,而且有效地解决了标准 PS<)算法中的粒子“早熟”问题。最后使用MA"I'LAI3进行了实验,结果表明提出的算法减少了迭代次数,并且提高了 网络覆盖率,相对于人工鱼群算法和微粒群算法来说能取得更好的效果。     

复合混沌-人工鱼群混合算法的改进及性能研究

针对人工鱼群算法在寻优过程中接近最优点时收敛速度下降而难以得到精确解,优化复杂问题时易陷入局部极值的缺点,提出了一种复合混沌搜索技术与改进人工鱼群算法相结合的混合算法。该算法采用更具遍历性的组合映射产生复合混沌局部搜索方法,来避免人工鱼长时间陷入局部极值区域,从而更加精确地达到全局最优点;同时,对人工鱼引入反馈-吞食行为进行改进,改进的人工鱼群算法降低了优化后期的复杂度,并提高了优化精度,保证了收敛效率。实验结果表明,在相同参数条件下,该混合算法的收敛速度、优化精度和全局寻优能力均优于基本人工鱼群算法,实例验证了算法的有效性。     

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.     

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。     

一种新的混合粒子群优化算法

针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷,将鱼群算法中聚群行为的基本思想引入粒子群算法中,据此建立了粒子中心的基本概念,并利用粒子的聚群特性调整粒子的飞行方向与目标位置,从而提出了一种新的混合粒子群算法,旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性,采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明,新算法具有良好的搜索精度与速度,有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷,适用于解决复杂函数优化问题。     

人工鱼群—粒子群混合算法优化进港航班排序

针对空中交通管理中的进港航班排序问题, 提出了人工鱼群—粒子群混合算法(AFPSO)这一航班排序算法来优化进港航班排序, 使时段内进港航班队列总延误时间最少。算法结合了基本人工鱼群算法(AFSA)和基本粒子群算法(PSO)各自的优点, 先以AFSA在全局寻找满意的解域, 再以PSO算法在这些解域中进行快速的局部搜索获得精确解, 最终使算法提高收敛速度和搜索精度。仿真结果表明, 在单跑道和双跑道情况下, AFPSO算法使得航班队列总延误时间比FCFS调度方法减少了20. 9%和34. 4%, 比基本AFSA减少了3. 2%和3. 5%。算法得到的满意解能够为自动化空中交通管理提供实时支持。     

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。     

基于PSO自适应双策略的人工鱼群算法

针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为, 避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。     

模拟退火与人工鱼群变异优化的小波盲均衡算法

针对人工鱼群算法(AFSA)搜索效率低、易陷入早熟现象等问题,在人工鱼群算法中嵌入变异算子以保持种群多样性,抑制早熟现象,同时引入模拟退火思想增强局部搜索能力,改进算法后期收敛速度减慢的缺点,获得了模拟退火与人工鱼群变异算法;用该算法初始化小波分数间隔盲均衡器的权向量,提出了模拟退火与人工鱼群变异优化的小波分数间隔盲均衡算法(SAFSA-FSE-WTCMA)。水声信道仿真结果表明,新算法具有更快的收敛速度和更小的稳态误差。     

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.     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

改进的人工鱼群算法及其在无线定位中的应用*

摘 要：人工鱼群算法是一种基于动物行为的群体智能优化算法。针对基本鱼群算法收敛速度慢和在算法运行后期搜索盲目性较大等问题,给出了一种改进的鱼群算法。该算法采用可变视野,在搜索的后期使用随机步长,并给出了局部最优人工鱼移动策略,较好地平衡了全局搜索能力和局部搜索能力;在假设目标函数分布未知的情况下,规范了人工鱼的各种行为,给出了明确的收敛条件。在文章最后,结合蜂窝网中以功率值作为测量参数的无线定位问题,给出一种基于人工鱼群算法的分布式定位方法。仿真实验表明,该方法实现简单,全局搜索能力强,满足了定位的有效性和实时性。