人工鱼群算法的改进

《人工鱼群算法的改进》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、$人工鱼群算法组员：主讲人：AFSA的特点只需要比较目标函数值，对目标函数的性质要求不高；对初值的要求不高，初值随机产生或设定为固定值均可以；对参数设定的要求不高，有较大的容许范围；具备并行处理的能力，寻优速度较快；具备全局寻优的能力，能够快速跳出局部极值点。AFSA的不足之处容易收敛于局部最优解精度不够高保持探索与开发平衡的能力较差算法运行后期搜索的盲目性较大算法后期收敛速度慢，易陷入局部最优改进思路一、基于算法参数的改进二、基于鱼群行为的改进三、高阶行为模式四、混合优化算法一、基于算法参数的改进算法参数：1.视野visual2.步长

2、step3.人工鱼总数N4.尝试次数trynumber5.拥挤度因子1、基于视野的改进:在人工鱼群算法的初始阶段，每条人工鱼以一个大的视野寻找解，这样能扩大寻优的范围。随着算法的运行，鱼群的视野范围将适当的减小以加快收敛的速度。改变视野的变化函数定义为：其中α是衰减因子，且α∈(0,1)。这里必须解释的一点是鱼群视野在聚群行为和追尾行为中仍然保持不变，仅在觅食行为中变换。2.基于步长的改进2.1WangCuiru等提出的改进方法的基本思路就是将人工鱼群算法的实际步长改为参数定义域内的随机数，以保证更好的全局搜索能力。2.2王西邓等提出了

3、两种对步长进行改进的鱼群算法：一种是移动步长缩减策略，另一种是移动步长动态调整策略。2.3王宗利等提出的利用评价函数的步长改进算法。2.2.1移动步长缩减策略算法在完成一次鱼群演化后，根据函数最优适应值的变化情况更新最适应值保持次数keepTimes0最优适应值已更新KeepTimes=Keeptimes+1最优适应值不变根据最优适应值保持次数对人工鱼的移动步长进行更新:M_stepkeepTimes>1且m_step>M_step=M_step其他其中为步长缩减因子，T为给定的常数，:为给定的移动步长最小值。2.2.2移动步长动态调整

4、策略为了保证迭代能够到达最大值，必须要求移动步长大于0。因此有:其中为一个预定义的小的正数算法在完成一次鱼群演化后，根据函数最优适应值的变化情况更新最优适应值的更新次数changeTimes，changeTimes+0最优适应值未更新ChangeTimes=ChangeTimes+1最优适应值已更新2.2.2移动步长动态调整策略每经过n次鱼群演化，根据最优适应值在最近10n次迭代中的更新次数对人工鱼的移动步长进行更新:其中，为步长缩减因子，取0.85；为给定的移动步长最小值。并将changeTimes恢复为0:ChangeTimes0进

5、行下一次移动步长的自动调整准备。2.3基于评价函数的步长改进算法设当前人工鱼状态Xi,在可视范围内随机选择一个状态Xj,如果食物浓度Yj>>Yi,即Xj处的食物浓度较Xi大很多,可以认为Xj处的营养物质较为丰富,Xi应该向Xj移动一大步。基本人工鱼群算法中,移动步长随机而定,在改进的人工鱼群算法中,评价函数：(其中Ymax为初始状态适应值函数的最大值,Ymin为初始状态适应值函数的最小值)状态Xi与状态Xj处的食物浓度之差为&Yij=Yj-Yi,如果&Yij>&Y,则向Xj方向移动3step的距离。如果&Yij<&Y,则向Xj方向移动一

6、步。3.基于视野和步长的改进取决于人工鱼当前所在的状态和视野中视点感知的状态的自适应步长的改进策略：对于人工鱼的当前状态和所探索的下一个状态其表示如下：4.基于步长和拥挤度因子的改进对步长和拥挤度因子进行适时的自行调整，以达到提高收敛精度的目的。在该算法中，运用最优适应值变化率K和变化方差σ作为是否进行参数变化的衡量标准。定义如下：4.基于步长和拥挤度因子的改进根据以上两个判别准则，对步长和拥挤度因子作调整，表达式如下：其中f(Step)表示按一定规则对步长进行调整；f(δ)表示对拥挤度因子作相应调整；θ，φ表示评价系数，根据具体问题给

7、出不同的值，用来控制变步长的速度和迭代的进程。5.引入新参数（改变参数）自适应人工鱼群算法：视步系数=步长/视野基本思想是：1）每次迭代后，人工鱼都将自身的位置信息及食物浓度写入并更新公告板。2）人工鱼根据鱼群的状态智能地获取视野visual。3）确定一个视步系数a（0

8、）AAFSA1:基于平均距离的自适应人工鱼群算法即每次迭代前，每条人工鱼都要对其他人工鱼到自身的距离进行测算，并计算出平均值，把它作为自身的视野visual。2）AAFSA2:基于最优人工鱼的自适应人工鱼群