自适应视野和步长的改进人工鱼群算法

在对人工鱼群算法的寻优机理进行深入的分析研究的基础上,提出了四种自适应人工鱼群算法,通过赋予人工鱼更多的智能,使每条人工鱼都能根据鱼群的状态自动地选择并适时调整自身的视野和步长,从而简化了参数设定,提高了收敛速度和寻优精度。实验结果表明,改进后的人工鱼群算法,在寻优精度、收敛速度及克服局部极值的能力方面均有提高。     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

基于自适应动态邻域结构的人工鱼群算法

针对人工鱼群算法易陷入局部最优且寻优精度不高的问题,提出了一种基于自适应动态邻域结构的人工鱼群算法。算法中,每条人工鱼先根据鱼群中其他人工鱼与自身的距离及当前迭代次数自适应调整动态邻域结构,再根据该动态邻域结构自适应计算视野和步长;还结合粒子群算法信息策略和公告板对人工鱼的行为进行了改进。仿真实验结果表明,该算法克服局部极值实现全局寻优的能力更强,优化精度更高。     

基于基因交换的自适应人工鱼群算法

针对人工鱼群算法(AFSA)不能完美地平衡局部寻优与全局寻优,且缺乏跳出局部最优能力等问题,提出了一种基于基因交换的自适应人工鱼群算法(AAFSA-GE).首先利用自适应的视野和步长提高搜索的速度及精度,然后利用混乱行为和基因交换行为增强跳出局部最优的能力并提高搜索效率.为了证明算法的有效性,在实验中使用了10种经典的...     

基于多维度自适应机制改进的混合人工鱼群优化算法

传统的人工鱼群算法在优化过程中,前期收敛速度很快,但随着不断的迭代,收敛速度会逐渐下降,很容易出现陷入局部最优无法跳出的情况。鱼群的觅食行为直接影响了算法后期的收敛速度和数值解的精度,而视野与步长则是人工鱼进行觅食行为的基础。前期需要宽广的视野范围与大幅度的步长,后期则要限制视野与步长以提高算法的收敛速度与寻优精度。本文通过自适应视野衰减函数与自适应步长衰减函数来保证寻优解的精度和全局收敛速度,通过权重因子来决定个体鱼的生物行为选择,再利用Levy有向游动机制来提升人工鱼的全局寻优能力,实现了对传统人工鱼群算法的多维度改进,最后设计仿真实验,进行横向对比与纵向对比,验证了本文算法的高效性与优越性。     

基于冯•诺依曼邻域结构的人工鱼群算法

提出了一种基于冯¢ 诺依曼邻域结构的人工鱼群算法. 每条人工鱼只和与自己相连的上下左右的人工鱼进行信息交换, 从而减少了计算邻域中心位置和极值位置的计算量, 有效地维持了种群的多样性, 加快了算法的运行速度. 在觅食行为中, 人工鱼通过直接移动到搜索到的较好位置, 来加快搜索速度. 在随机游动行为中, 人工鱼以小半径进行搜索, 因此算法的优化精度得到了提高. 采用动态调整人工鱼视野和步长的方法, 较好地平衡了全局搜索能力和局部搜索能力. 仿真和实例计算结果表明, 该算法具有更好的优化性能.     

基于自适应步长人工鱼群算法的仿生机器鱼目标检测研究

以全局视觉仿生机器鱼的视觉子系统为研究对象,为准确检测与跟踪目标(水球),提出了一种基于自适应步长人工鱼群算法的目标识别方法;该方法首先对鱼群个数进行初始化,以图像像素梯度值为目标函数,随机分布在像素矩阵中;然后计算初始鱼群中各机器鱼当前位置的食物浓度,选取其最小值作为公告板值,并将此鱼当前状态赋值公告板;在此基础上,各机器鱼分别模拟追尾行为和聚群行为,进行评价并选取目标函数值较优者为实际行为,通过不断更新公告板值,直到找到最优结果;实验结果表明该方法可减少计算复杂度,提高系统实时性,有效应用于全局视觉仿生机器鱼的目标检测与追踪。     

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.     

动态分组方案的自适应人工鱼群算法

为了克服基本人工鱼群算法收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了自适应调整人工鱼群算法参数的方法,该方法采用个体鱼适应值与整个鱼群的平均适应值作比较,将整个鱼群分为三组,再采用自适应调整每组鱼群的视野范围和步长的方法,对基本鱼群算法进行了优化和改进。应用四个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度及稳定性。实验结果表明改进后的算法能够较快地收敛至全局较优解,并具有较好的寻优性能。     

一种简化的人工鱼群算法

针对人工鱼群算法(AFSA)优化精度低,运行时间长的问题,对其进行了简化,给出人工鱼群算法进化方程,提出一种简化的人工鱼群算法(SAFSA).SAFSA算法在一次迭代进化中同时根据人工鱼觅食结果、种群中心位置和种群最优位置,调整下一步位置,保证算法向全局最优位置移动,同时由于觅食行为中有随机游动现象,使算法具有跳出局部极值的能力,增强了算法的全局搜索能力.仿真结果表明,简化的人工鱼群算法优化效果明显,运行速度快.     

基于人工鱼群算法的空洞探测

针对目前解决空洞探测算法复杂度高,近似解不能很好地逼近于最优解等问题,提出了一种基于人工鱼群算法解决空洞探测的方法。该方法将每一条鱼视为一个空洞,将理论时间与观测时间的误差作为鱼游动的标准,以鱼群逐渐向空洞实际位置游动对应的误差逐渐变小为基本思想,将在最小误差情况下对应的鱼群位置作为空洞位置。经计算仿真表明,该算法迭代次数少,复杂度低,能很好地逼近于最优解,是一种解决空洞探测的有效算法。     

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。     

改进的人工鱼群算法在频率分配中的应用

在蜂窝移动通信网络中,为了应用有限的可用频谱来满足不断增长的客户需求,运用一定的优化算法合理规划频率资源显得尤为重要。针对这一问题,提出了一种改进的人工鱼群算法。算法引入了变异算子,来增强种群的多样性;采用动态调整步长,较好地平衡了全局和局部搜索能力;用整个人工鱼群的中心位置和全局极值位置代替人工鱼邻域中心位置和邻域极值位置,从而减少了算法的计算量,提高了运算精度。仿真结果表明,改进后的算法能够很好地解决频率分配问题,提高了算法的收敛率和收敛速度。     

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。     

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。     

应用于聚焦窗口自适应选择的人工鱼群算法改进

聚焦窗口选择是自动聚焦算法中的重要模块,直接影响评价函数曲线的尖锐性、精确性,影响聚焦系统的复杂度。针对传统的聚焦区域选择算法的局限性,提出了一种基于AFSA的聚焦区域自适应选择算法;针对标准的人工鱼群算法易陷入局部最优的缺陷,对人工鱼群算法中的参数设置及行为进行改进。实验表明,采用人工鱼群算法可快速实现效果较好的前景图像分割,通过选取前景边缘丰富的区域,保证了前景聚焦的精确性;算法可以跟踪偏离中心的主体景物,适用于主体与背景对比度小的情况,因此得到的聚焦区域是动态的,具有自适应性。     

基于人工鱼群算法的协同过滤推荐算法

基于原始人工鱼群算法,提出在觅食行为中保留较优值以替代随机值,在追尾和聚群行为中比较最优值和中心值再作移动行为的选择,在迭代进行中,实现视野的自适应调整.这样改进后的人工鱼群算法应用于协同过滤推荐系统中,实现用户聚类,从而提高协同过滤推荐系统的最近邻查询速度,降低搜索开销.实验测试结果显示了改进的人工鱼群算法具有收敛速度快,稳定性高的特性,且能获得较优的聚类目标值.将改进的人工鱼群算法用于协同过滤推荐算法中,提高了算法的推荐精度.