基于单纯形法的改进型人工鱼群算法

针对鱼群算法在局域搜索能力差的问题,提出一种基于单纯形法的改进型人工鱼群算法。利用单纯形算子在局部区域内分布更均匀且广泛的特征,在鱼群算法运行到后期时,将单纯形算子每隔一定代数引入到现有的鱼群算法中取代原来大量聚集在非极值点附近的人工鱼,有效改善个体质量,提高局部搜索精细度,进而提高算法的寻优精度。采用典型算例对算法性能进行了验证分析,研究结果表明,该算法在解决鱼群算法后期优化精度低问题时可以获得更好的效果。     

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。     

混合变异算子的人工鱼群算法

在分析基本人工鱼群算法存在不足的基础上,提出了基于高斯变异算子与差分进化变异算子相结合的人工鱼群算法,该算法克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了求解质量和运行效率.通过仿真实验测试验证,表明该算法是可行的和有效的。     

基于改进随机移动算子的人工鱼群算法

人工鱼群基本算法在求解多峰函数最优值时,存在计算精度有限,易陷入局部最优,鲁棒性较差以及收敛速率较慢和搜索效率较低的缺点,而随机移动算子的随机性是造成这些缺点的重要因素。通过引入粒子群算法思想和自适应扰动的思想对随机移动算子进行改进,进而提出了基于粒子群算法的人工鱼群算法（PSO-AFSA）和包含自适应扰动项的改进人工鱼群算法（ADI-AFSA）,并证明了两种改进算法的收敛性。利用公认测试函数集进行仿真实验,结果表明两种改进算法与人工鱼群基本算法及其传统改进算法相比,提高了计算精度、收敛速率、搜索效率并且具有更好的鲁棒性。     

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.     

基于单纯形法的双群人工鱼群算法

针对基本人工鱼群算法中人工鱼漫无目的随机游动或在非全局极值点的大量聚集的不足,提出了一种基于单纯形法的双群人工鱼群算法.在该算法中,两个不同的子群并行游动,通过子群重组进行子群间的信息交换,实现鱼群在解空间的探索和搜索能力,然后通过单纯形法进行局部再搜索.基于典型的函数和实例测试验证,表明该算法收敛速度快、精度高,具有更好的性能.     

基于单纯形的双群人工鱼群算法

针对基本人工鱼群算法中人工鱼漫无目的随机游动或在非全局极值点的大量聚集的不足,提出了一种基于单纯形法的双群人工鱼群算法。在该算法中,两个不同的子群并行游动,通过子群重组进行子群间的信息交换,实现鱼群在解空间的探索和搜索能力,然后通过单纯形法进行局部再搜索。基于典型的函数和实例测试验证,表明该算法收敛速度快、精度高,具有更好的性能。     

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.     

基于改进人工鱼群算法的逆变器SHEPWM方法的研究

对于特定谐波消除调制策略(SHEPWM)的开关角求解问题,传统数值方法需要提供方程的特定初值,现有的智能算法如遗传算法容易陷入局部最优解中。针对以上不足,将人工鱼群算法引入到非线性超越消谐方程组的求解,因其具有较好的全局收敛性,通过群体寻优较易达到全局最优解,同时为了避免鱼群搜索的盲目性,利用差分进化算法的快速局部收敛性,将二者相结合,有效地提高了进化效率。为了验证新算法的可行性,用MATLAB/Simulink仿真软件,将求解出的开关角用于两电平逆变器进行仿真研究,并利用以TMS320F28335为核心的实验平台进行了实验,实验证明了所求解能够消除选定的低频次谐波。     

求解聚类问题的改进人工鱼群算法

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用。聚类问题可以归结为一个优化问题。人工鱼群算法（AFSA）是一种新提出的新型仿生优化算法。在分析AFSA存在不足的基础上,提出一种改进人工鱼群算法,并应用于求解聚类问题。算法保持了AFSA算法简单、易实现的特点．通过改进个体鱼的行为,并引入均匀交叉算子,将人工鱼群算法和遗传算法融合,显著提高了算法运行效率和求解质量。仿真实验取得了较好的结果。     

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。     

基于人工鱼群算法的混杂FMS优化调度

针对已有的调度方法难以找到混杂柔性制造系统调度全局最优解的问题,根据一阶混杂Petri网模型提出了一种基于人工鱼群算法的混杂柔性制造系统调度方法.利用混杂Petri网不变行为状态序列与时间序列的对应关系把寻找最优解转换成寻找最优时间序列.首先给出了合法时间序列的定义及其基于人工鱼群算法的判定方法;然后给出了最优时间序列求解的人工鱼群算法,同时提出基于最优解视野变异的人工鱼群算法以解决多次优化过程中只会得到某个局部最优解的问题.最后基于这些算法给出混杂柔性制造系统的最优调度求解方法.实验结果表明所提出方法正确有效.     

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.     

基于黎曼流形的图像投影配准算法

提出了基于黎曼流形的图像投影配准优化方法, 根据投影变换的特点, 用SL(3)表征目标的图像投影变换, 研究SL(3)的几何结构, 通过变分的方法求出了SL(3)上的测地线, 给出相应的黎曼指数映射, 设计了一种新的基于SL(3)群上黎曼分析的平面投影配准算法, 分析了算法的优点, 并对其收敛性做出了证明. 模拟图像数据和真实图像序列测试的对比实验结果表明, 本文算法在效率和精度上较现有文献中基于欧氏空间的图像投影配准算法有显著提高, 优于基于李群的图像配准算法.     

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。