改进步长和视野的人工鱼群算法

人工鱼群算法是一种群智能全局随机优化算法,算法在优化前期大约100多次迭代时有较快的收敛速度,但后期算法陷入局部最优,效率不佳.针对这一不足,在人工鱼群算法的基础上,每迭代100次就调节一次视野和步长,加强聚群算子和追尾算子,提高鱼群之间个体交互行为,使鱼群跳出局部最优,继续向更高精度收敛.数值试验结果表明,所得改进人工鱼群算法不仅运算量减少,而且收敛速度和收敛精度都有所提高.     

基于人工鱼群算法的桁架结构的优化

针对基本人工鱼群算法在解决桁架结构优化问题时存在的后期收敛速度慢、寻优精度不高等缺陷,在算法初期采用Logistic方程初始化解群,提高求解效率和质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,以提高寻优的速度和精度。将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构最小重量为目标函数建立优化设计模型,运用MATLAB进行模型优化分析,并与其它算法优化结果进行对比。结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显。     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

基于人工鱼群算法的桁架结构的优化

针对基本人工鱼群算法在解决桁架结构优化问题时存在后期收敛速度慢、寻优精度不高的缺陷,在算法初期利用混沌运动遍历性、随机性等特点初始化解群,提高求解效率和解的质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,提高寻优的速度和精度。将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构重量最小为目标函数建立优化设计模型,运用Matlab进行模型优化分析,并与其它算法优化结果进行对比。结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显,迭代次数为55次左右时优化结果基本平稳。     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

基于人工鱼群与Levenberg-Marquardt混合算法的Jiles-Atherton磁滞模型参数提取

准确高效地提取J-A磁滞模型参数,是利用该模型模拟磁性元件磁滞特性的首要任务。针对现有J-A模型参数提取方法存在的求解精度低且仿真耗时的问题,提出了一种基于人工鱼群算法与L-M算法混合的J-A模型参数辨识方法。首先,根据人工鱼群算法全局搜索能力强的特点,将其运用于J-A模型参数全局最优解所在区域的定位当中;在满足切换过渡准则后,人工鱼群算法终止迭代并切换至L-M算法;此时,L-M算法利用其局部寻优能力强的优势,将人工鱼群算法提供的最优解作为初始值,快速收敛于全局最优解。仿真及实验结果表明,所提混合算法不仅求解精度较高,同时收敛速度更快。     

基于微人工鱼群算法优化RBF神经网络

在人工鱼群算法的基础上提出了一种新的优化算法——微人工鱼群算法,作为径向基神经网络（RBFNN）的训练算法.微人工鱼群算法利用两个鱼群（寻优鱼群和库存鱼群）来寻优,寻优鱼群使用人工鱼群算法来寻找全局最优解,库存鱼群保证了寻优鱼群的多样性,微人工鱼群算法使RBFNN的隐中心位置和相应的宽度值同时得以优化,提高了RBFNN的泛化能力.将微人工鱼群算法优化后的RBFNN应用于双螺旋和IRIS分类,试验结果表明,相对于K-means以及人工鱼群算法,本文方法在泛化能力上得到提高.     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

基于人工鱼群优化SVM的声磁标签信号检测研究

为了提高声磁EAS系统的检测率,增强系统抗干扰性,研究了一种改进人工鱼群算法(IAFSA)与支持向量机(SVM)相结合的声磁标签信号检测算法(IAFSA-SVM).分析了支持向量机和传统人工鱼群算法的优势和缺陷,并提出了改进方案.实验表明:改进人工鱼群算法相比人工鱼群算法、遗传算法和粒子群算法收敛速度更快、寻优精度更高;IASFA-SVM算法相比传统的声磁标签检测算法体现出了检测率高、检测距离远和误报率低等优势,并且可以满足系统实时检测要求.     

基于改进人工鱼群算法的含风电场电力系统最优潮流计算

将风电场看作PQ节点并考虑风电场输出功率随机性和负荷随机性,提出含风电场的电力系统最优潮流计算方法。分析基本人工鱼群算法原理及其缺陷,提出改进人工鱼群算法(IAFSA);提出人工鱼群的视野和步长的取值方法,对初始种群的生成、行动方式和终止判据进行改进;并基于动态调整罚函数将带约束的有功最优潮流问题转化为无约束优化问题,实现含风电场的电力系统最优潮流计算.实例分析结果表明:基于改进人工鱼群算法比基于基本人工鱼群算法和遗传算法进行含风电场电力系统最优潮流计算具有更优全局收敛性和更快计算速度.     

混合人工鱼群算法在约束非线性优化中的应用

为了解决具有约束的非线性优化问题,本文将增广拉格朗日乘子法和鱼群算法相结合用于非线性问题的全局优化,即用人工鱼群算法寻找增广拉格朗日函数的近似最优解,并将该近似解用于拉格朗日乘子和惩罚因子等参数的更新．同时,简要分析了人工鱼群算法的随机收敛性．仿真结果证明,与自适应惩罚遗传算法相比,该混合算法在解决约束优化问题中具有优越性和有效性．     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

采用改进鱼群算法的张拉整体结构找形方法

针对传统力密度法求解大规模、不规则张拉整体结构找形效率不高的问题,提出了一种力密度法与改进鱼群算法相结合的找形方法．先基于力密度法建立结构的平衡方程组, 然后采用改进的鱼群算法在力密度空间内进行全局搜索, 找出一组合适的力密度值使得平衡矩阵的秩满足求解条件, 从而找到结构的平衡构形．该算法加入了全局最优人工鱼信息, 引入了吞食行为和跳跃行为, 并采用了自适应步长, 比传统鱼群算法搜索效率更高, 不容易陷入局部极值．以扩展八面体张拉整体结构为例, 用该方法进行了找形, 并和传统鱼群算法的找形结果进行了对比分析．仿真结果表明,该找形方法的找形结果可靠, 并且收敛精度和平均最优值较传统鱼群算法均有所提高．