基于人工鱼群算法的机器人路径规划

首先采用链接图建立机器人工作空间模型,用Dijkstra算法求得链接图最短路径;然后使用人工鱼群算法对此路径进行优化,最终得到全局最优路径。以一个路径为例,进行了实际编程计算,结果表明,基于人工鱼群算法的机器人路径规划方法,具有较快的收敛性和较高的计算精度。     

基于人工鱼群的无轨迹粒子滤波算法

针对粒子滤波算法中粒子退化现象及重采样所带来的粒子贫化问题,提出一种基于人工鱼群的无轨迹粒子滤波算法。采用无轨迹变换选取优化的重要性密度函数,将人工鱼群的智能思想引入到粒子滤波中代替重采样过程,通过觅食、聚群和追尾行为找到全局最优位置,驱动粒子向最优点靠近,从而增加粒子多样性。仿真结果表明,与传统的无轨迹粒子滤波和常规粒子滤波相比,该算法在估计精度上有显著的提高。     

基于改进人工鱼群算法和MAKLINK图的机器人路径规划

针对静态二维环境下移动机器人全局路径规划问题,提出一种基于改进人工鱼群算法(IAFSA)和MAKLINK图的路径规划方法.该方法以Lorentzian函数和正态分布函数为视野和步长的自适应算子,引入指数递减惯性权重因子,能够提高AFSA算法的收敛速度和计算精度. MS (JoséLuis Esteves Dos Santos)算法结合IAFSA算法分步寻优,取IAFSA算法优化后的最优路径为全局最优路径,可以解决以往算法在MAKLINK图中只能求近似全局最优路径的问题.仿真实验结果表明了所提出改进算法方案的可行性和有效性.     

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.     

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。     

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.     

基于改进人工鱼群算法的神经网络优化

针对人工鱼群算法的寻优速度慢,后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法(Improvement Artificial Fish Swarm Algorithm,IAFSA)。进而应用IAFSA算法对BP神经网络初始权值进行寻优,以解决BP网络初始权值选取困难且优化过程中容易陷入局部极值的问题。最后,将IAFSA-BP网络混合算法应用于PID参数的优化,从而克服了PID控制参数难以整定的难题。通过仿真实验,结果表明:改进的人工鱼群算法寻优速度更快,优化值更加合理。应用IAFSA-BP混合算法得到的PID控制参数使得系统响应更快,稳态误差更小,系统性能得到提升。     

一种基于人工鱼群的混合聚类算法

聚类分析是数据挖掘的核心技术之一,它是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。文中通过分析K-平均算法的优缺点,提出了一种基于人工鱼群算法的聚类分析算法,并把它与传统的K-平均算法结合得到一种新的混合聚类算法。仿真实验表明,该算法是有效的,具有聚类速度快、精度高特点。     

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。     

基于变异算子的人工鱼群混合算法

把Hooke-Jeeves 模式搜索方法作为人工鱼群算法的一个局部搜索算子,嵌入到带变异算子的人工鱼群算法中,提出一种基于变异算子的人工鱼群混合算法。其中,Hooke-Jeeves的强局部搜索能力提高了人工鱼群混合算法的局部收敛速度,变异算子的引入增加了群体的多样性,避免人工鱼群混合算法陷入局部最优。通过基准函数和实例测试验证,表明了该算法是高效可行的。     

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.     

基于人工鱼群算法的动态模糊聚类

针对传统的模糊C-均值(FCM)聚类算法的聚类有效性对空间样本分布的依赖性等缺点,提出了一种新的基于人工鱼群算法的动态模糊聚类。通过引入模糊等价矩阵来表示高维样本之间的相似程度,并将高维样本映射到二维平面。然后利用人工鱼群算法不断优化二维样本的坐标值,使样本之间的欧氏距离向样本间的模糊等价矩阵趋近,最终实现模糊聚类。该方法克服了聚类有效性对高维样本空间分布的依赖性并同时提高了效率。仿真实验结果证明了该算法是有效的,具有聚类速度快、精度高等特点。     

基于改进量子旋转门人工鱼群算法的K-means聚类算法及其应用

为改进传统K-means聚类算法中存在因随机选择初始质心而导致聚类结果不稳定且准确度低的缺点,提出基于改进量子旋转门人工鱼群算法的K-means聚类(IQAFSA)算法,通过动态更新量子旋转门的旋转角提高下一代更新方向准确度及更新速度。变异策略从传统的非门改为H门,既增加种群的多样性,又使全局搜索能力增强;最终使用所改进算法选取K-means的初始质心再进行聚类。通过UCI数据的测试以及在医学相关数据上的实验表明,提出的算法具有有效性,准确度较高且收敛速度较快。     

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。