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.     

混沌搜索在人工鱼群算法中的应用

随着人工鱼群算法（AFSA）的发展,其相关思想及方法已广泛应用于工程实例的各个领域。针对全局人工鱼群算法（GAFSA）中搜索行为的随机性造成的收敛稳定性差、寻优精度低等缺点,将混沌搜索与全局人工鱼群算法相结合,提出了一种改进的人工鱼群算法（CSGAFSA）。该算法一方面将鱼群算法四种基本行为中的随机移动改进为混沌行为,有效避免了搜索的无方向性、不确定性、重复性,保证了寻优值的稳定性（CGAFSA）;另一方面对全局人工点（公告牌）做混沌搜索,实现了全局鱼群算法在收敛后期搜索精度的进一步提高（CS＿GAFSA）。通过对一系列国际标准测试函数的计算和比较,证明了这种方法确实在寻优精度、收敛性能上均有提升。     

改进的人工鱼群混合算法在交通分配中的应用

关于交通规划优化过程,针对均衡交通分配问题,采用目前Frank- Wolfe算法收敛速度较慢、计算负担较大限制了均衡模型在实际中的应用,提出遗传算法的人工鱼群混合优化算法求解均衡交通分配问题.在人工鱼群混合优化算法中引入遗传算法的交叉和变异操作,实现优化行为的互补,建立遗传算法的人工鱼群混合优化算法求解变量较多,有较好的弹性需求和用户均衡交通分配模型.通过数值仿真,表明混合优化算法比单一的人工鱼群算法求解交通分配问题效果好,混合优化算法可靠、有效.     

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。     

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.     

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。     

基于模拟退火算法的改进人工鱼群算法研究

研究人工鱼群算法优化问题,为了改进AFSA优化精度低、运行时间长的问题,借鉴模拟退火算法中的Metropolis判别准则改进了人工鱼的觅食行为,在利用人工鱼全局寻优的同时并利用模拟退火算子实施局部细化,提出了一种改进的人工鱼群优化算法(SA_ IAFSA),保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动以及容易陷入局部最优值的缺点,显著提高了算法的运行效率和求解质量.通过函数和实例进行仿真,结果表明改进算法的可行性和有效性.     

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.     

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。     

改进人工鱼群算法在无极绳绞车控制系统中的应用

无极绳绞车在煤炭生产中的重要性日益凸显,保证其稳定安全的运行尤为关键.本文将改进人工鱼群算法应用到无极绳绞车的控制系统中,利用该算法对控制系统参数进行优化.实验结果表明,优化后的系统稳定性和抗干扰能力增强,有效地保证了无极绳绞车的安全运行,具有重要的意义.     

改进人工鱼群算法在SVM参数优化中的应用

支持向量机的参数优化一直是一个重要的研究方向。参数的好坏很大程度上决定了支持向量机的分类精度和泛化能力。针对人工鱼群算法优化支持向量机参数时,容易在后期徘徊于最优解附近、难以逼近的问题,提出了人工鱼群加速算法,使用速度参数代替人工鱼步长,从而求得最优目标并得到SVM的最优参数组合。仿真实验结果表明：该算法收敛速度快,求解数值精度高,对初值的依赖程度低,在SVM参数优化中具有更好的性能、更高的分类准确率,是一个极其有效的参数优化方法。     

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。     

基于WFPSO算法的云虚拟机放置策略

随着云计算技术的大规模应用,云应用的交互更加依赖于网络,较差网络拓扑的选择,增加了应用在网络中的通信流量,严重影响应用的运行效率和服务质量。为解决此问题,提出了一种基于粒子群优化算法的虚拟机放置策略。该策略通过建立云环境内部时延模型,利用改进的粒子群优化算法求解目标函数,来降低应用的时延,提高运行效率。并在CloudSim平台上进行仿真实验,实验结果表明,该策略的响应时间低于基本粒子群优化算法（PSO）,并且修改后的PSO算法在不影响收敛精度的前提下较大幅度地提高粒子群算法的收敛速度,提高了云环境中应用的运行效率。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

0-1背包问题的萤火虫群优化算法

根据群集智能优化原理,给出了一种基于萤火虫寻优思想的新算法———萤火虫群优化算法,并针对0-1背包问题进行求解。经仿真实验并与蜂群算法、蚁群算法和微粒群算法进行了比较,获得了满意的结果,这说明了算法在0-1背包问题求解上的有效性和具有更快的收敛速度,拓展了萤火虫群优化算法的应用领域。     

求解组合优化问题的鱼群算法的收敛性证明

为了证明求解组合优化问题的人工鱼群算法的全局收敛性,将人工鱼群算法的搜索空间定义为离散空间,其中的每个点即为一个人工鱼的位置状态,其食物浓度即为该点的目标函数值。根据食物浓度大小将整个离散空间集合分为若干个非空子集;将所有人工鱼集合也对应划分为若干个非空子集。在人工鱼的觅食、聚群和追尾过程中,人工鱼从一个位置状态转移到任意一个位置状态的转移概率可以计算出来;人工鱼移动过程中的每个位置状态对应于有限Markov链上的一个状态,且满足可归约随机矩阵的稳定性条件,据此证明了工鱼群算法具有全局收敛性。