人工鱼群算法在FPN参数优化中的应用

模糊产生式规则置信度的确定在很大程度上依赖专家的经验,难以获得精确的结果。针对该问题,将人工鱼群算法引入模糊Petri网(FPN)的置信度寻优过程中,提出一种基于改进人工鱼群算法的参数优化算法,不依赖于经验数据,对初始输入无严格要求。实验结果表明,该算法训练出的模糊Petri网参数正确率较高,能提高FPN的自学习能力,降低实际应用难度。     

Petri网与优化算法结合求解FMS调度研究综述

Petri网是基于图形的强有力的建模工具,被用于柔性制造系统调度问题的研究,然而,搜索整个可达树寻找最优调度方案是一个指数倍复杂的问题,由此人们想到利用人工智能算法搜索可达树的一部分获得近优解。该方法被认为是求解调度问题的极具前途的解决方案。从上世纪90年代初期以来,人们对此作了一些卓有成效的研究,对这些研究进行归纳总结,为采用该方法求解调度优化问题的研究提供参考。     

基于Petri网与GA算法的FMS调度优化

提出了一种应用遗传算法解决柔性制造系统调度优化问题的新方法．首先用Petri网对柔性制造系统进行建模,然后应用遗传算法对该模型进行调度并获取近似最优解．在该算法中,用Petri网模型的激发序列作为染色体,采用期望值方法作为选择算子,总加工时间作为适应度函数,两点交叉法作为交叉算子,交叉点选择能到达相同标记的转移．对于变异算子,首先从染色体上随机选择一点作为变异点,然后从这点开始应用变异算法,该变异算法类似于Petri网的可达树算法．由于算法中的选择、交叉和变异算子都是对．Petri网模型中的元素进行操作,与问题空间中的元素无关,因此,与其它调度算法相比,它有较高的通用性．既可以处理典型的Job—Shop问题,也可以处理小批量、多品种的FMS(Flexible Manufacturing System)调度问题．文中通过实验验证了算法的有效性。     

基于混合人工鱼群算法车辆拥堵调度方案

研究交通拥堵的有效调度问题,提高调度的效率。针对传统的车辆调度算法在进行车辆调度路径选择时,需要建立一定的预估性约束条件,一旦建立一个的约束条件受阻,会影响其它约束条件的生效,造成算法收敛速度慢、易陷于局部最优、车辆拥堵时调度效率较低的问题。为了解决上述问题,提出使用优先适合启发式算法与人工鱼群算法相结合的混合人工鱼群算法求解拥堵时车辆的高效调度问题,运用鱼群中的觅食、群聚等数学模型,解决约束冲突弊端,进行最优调度路径的准确定位仿真。实验结果表明,混合人工鱼群算法能快速有效的求解车辆拥堵问题,解决了最优调度路径的选择,为求解车辆高效调度提供了参考,具有广阔的应用前景。     

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.     

改进人工鱼群算法在Hadoop作业调度算法的应用

在分析Hadoop缺省及改进的作业调度算法基础上,引入群智能算法,设计了基于改进人工鱼群算法的Hadoop作业调度算法.采用随机键方式对待分配任务进行编码,以任务总执行时间作为启发函数,并引入吞食行为和跳跃行为改进人工鱼群算法,以达到进一步改善作业调度算法性能的目的.实验结果表明,改进后的人工鱼群作业调度算法在异构环境下可以提高系统性能,降低运行时间.     

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。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并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。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

基于人工鱼群算法的优化分割数值积分算法

在分析传统求数值积分和基本人工鱼群算法不足的基础上,提出了一种基于人工鱼群算法的优化分割数值积分算法,该算法不仅能求解通常意义下函数的数值积分,还能计算奇异函数的数值积分。通过算例与传统数值积分方法比较,实验结果表明该算法是可行的和有效的。     

基于HPN仿真的混杂系统分层调度方案

本文针对混杂系统中分段式生产的调度问题提出了一种分层调度的解决方案。在调度的上层将混杂系统中连续变量进行离散化处理,给出易于求解的静态调度方案：在下层利用HPN（bybrid Petrinet,混杂Petri网）仿真反馆调度信息,补偿上层调度中由于模型的离散化而丢失的动态信息。通过两层之间的通信达到整体调度方案的快速性、实时性和鲁棒性。     

基于多元Taylor级数和AFS的混合定位算法

针对传统Taylor级数定位算法存在精度严重依赖初始值,导致定位精确度不高的缺陷,结合人工鱼群算法和多元Taylor级数展开算法的优点,提出了一种基于人工鱼群算法初值选取与多元Taylor级数展开算法精确求解的混合定位方法。算法充分发挥了人工鱼群算法初值估计性能良好和多元Taylor级数展开算法求解精度高的优点。仿真结果表明:上述算法减少了鱼群数目和迭代次数的选取对定位精度的影响,混合定位算法的精度更高。     

基于混合粒子群算法的云计算任务调度研究

任务调度是云计算系统可靠运行的关键,云计算环境中要处理的任务量巨大,考虑到云计算任务调度和QoS的优化问题,提出一种混合粒子群优化算法用于云任务调度。算法中引入遗传算法的交叉和变异思想,并结合随迭代次数变化的变异指数,保证种群进化初期具有较高的全局搜索能力,避免出现"早熟",同时将爬山算法引入粒子群算法,改善局部搜索能力。实验结果显示该算法具有很好的寻优能力,是一种有效的云计算任务调度算法。     

基于人工鱼群算法的贝叶斯网络参数学习方法

研究算法改进,提高计算性能,贝叶斯网络是解决不确定性问题的一种有效方法,在很多领域得到了广泛应用。参数学习是贝叶斯网络构建的重要环节,但含隐变量、连续变量的参数学习是非常困难的。为解决上述问题,提出了一种人工鱼群算法的贝叶斯网络参数学习方法,并进一步通过调整人工鱼随机移动速度的方法提高了算法的收敛性能和速度。最后,将参数学习方法在由Noisy-Or和Noisy-And节点组成的贝叶斯网络中进行了仿真,仿真结果表明了参数学习方法,特别是改进后方法的可行性和优越性。     

一种改进的人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法。该文提出一种改进的人工鱼群算法,在觅食行为中让人工鱼直接移动到较优位置,以加快算法的搜索速度,动态调整人工鱼的视野和步长,使其在算法运行初期保持最大值,并逐渐由大变小。该算法较好地 平衡了全局搜索能力和局部搜索能力,提高了算法运行效率和精度。仿真结果表明,改进的人工鱼群算法收敛性能比原有算法提高了1倍 以上。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

基于人工鱼群的优化K-means聚类算法

针对K-means算法全局搜索能力不足,提出基于人工鱼群的优化K-means聚类算法(AFS-KM),该算法克服了Kmeans聚类算法对初始聚类中心选择的敏感问题,能够获得全局最优的聚类划分。在聚类过程中,采用一种基于信息增益的属性加权的实体之间距离计算方法进行聚类划分时,对于球形数据和椭球形数据都能够获得理想的聚类划分结果。对KDD-99数据集的仿真实验结果表明,该算法在网络入侵检测时获得了理想的检测率和误报率。     

基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

基于黎曼流型度量的人工鱼群算法视觉跟踪

针对经典的基于协方差算子的跟踪方法不能适应目标的遮挡及其全局搜索造成的过多计算消耗问题,提出了一种在黎曼流型度量上的人工鱼群算法的视觉跟踪方法。该方法将融合了目标的位置、颜色、梯度等特征区域的协方差算子作为目标的表观模型,以提高它对姿态变化以及亮度变化的适应性。利用人工鱼群算法搜寻目标与候选目标之间最优的匹配,其并行运算机制提高了跟踪算法的效率,其全局搜索的能力则提高了算法对遮挡问题的鲁棒性。实验结果表明,该算法在复杂背景情况下具有目标跟踪的鲁棒性。     

基于改进鱼群算法与张量分解的社会化标签推荐模型

基于大众分类法(folksonomy)的标签应用已逐渐成为一种重要的互联网内容组织方式,但随着数据规模的海量增长,产生了严重的信息过载问题,而传统的基于“用户-项目”二元关系的个性化推荐算法难以有效应对由“用户-项目-标签”所构成的三元关系。通过对基本人工鱼群算法进行改进,提出一种对标签推荐系统初始数据集进行聚类分析的方法,用以降低标签推荐系统的数据分析规模。在此基础上,综合考虑标签推荐系统中的元素权重以及反映用户偏好的评分信息,将元素权重和评分等级进行加权处理,以处理结果作为张量中的元素,建立了一种新的加权张量模型,并利用动态增量更新的张量分解算法进行模型求解,进而完成个性化的推荐。最后在两个真实的实验数据集上对比分析了所提算法(FTA)与另外两个经典标签推荐算法的推荐性能,实验结果表明FTA算法在准确率和召回率上均具有较好的表现。     

基于人工鱼群算法的列车运行调整方法研究

由于列车运行调整是大规模、非线性、强约束、建模困难的问题,用一般运筹学方法不易求解。基于人工鱼群算法,提出列车运行调整方法,并给出了详细的计算步骤。具体的,考虑车站到发线数目约束和列车越行约束,以列车进入车站和驶离车站的总晚点时间最少为目标,建立了高速铁路列车运行调整模型。利用郑西高铁运输数据进行仿真,结果说明人工鱼群算法在列车运行调整中具有有效性和收敛性。