人工鱼群算法研究综述-论文.pdf

《人工鱼群算法研究综述-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、0KEXUEZIXUN科学咨询若Y／n．三6Yk执行觅食行为。追尾行为提高了算法的收敛速人工鱼群算法研究综述度。福建工程学院数理学院(4)随机游走鱼为了在更大范围内找寻食物或同伴，会在水中随机游来游去。人工鱼定义该行为为随机行为，就福建工程学院数据分析研究中心林江宏是在人工鱼视野范围中随机选择一个状态，然后向该方向移摘要：人工鱼群算法提出以来，获得了广泛的研究和应动(公式1-3)。人工鱼的随机行为，增加了算法搜索的区用。本文在简述基本人工鱼群算法的原理后，分析了算法存在域。的不足，综述了改进算法和与其它算法融合的相关研究工作，归在不同的条

2、件下人工鱼的四种行为相互转换，通过对四纳了人工鱼群算法在多个领域的应用及其今后的研究方向。关键字：人工鱼群算法算法改进并行综述种行为的适用度值，取最优的结果，作为人工鱼下一步迭代的位置。算法终止条件可以设定为迭代次数、聚群的人工鱼数目达到某个阈值或是多次迭代后均方差小于某个误差。李晓磊博士对鱼群的行为特点进行研究，在2002年提出了人工鱼群算法(ArtificialFishSwarmAlgorithm，2．人工鱼群算法的改进AFSA)[1]。人工鱼群算法是一种新型的群体智能优化算2．1行为的增加和参数优化法，它通过模拟鱼类的觅食、聚群、追

3、尾、随机游走等行李晓磊等[3]引入了生存机制和竞争机制改进算法，提为，通过每只人工鱼的局部寻优实现鱼群的全局寻优，其具高了算法的收敛速度和搜索效率。ChengYM等[4]引入了吞有全局收敛性好，收敛速度快、对于初始值不敏感以及对目食行为，将适应度小于阈值的人工鱼淘汰，并随机生成新的标函数要求不高等诸多优点。在提出后的十多年时间中，人人工鱼，提高了算法跳出局部极值的能力。工鱼群算法得到了广泛的研究，并应用于解决实际工程优化基本人工鱼群算法采用固定的视野和步长，存在寻优精问题，成为群体智能算法中的一个经典算法。度不高，后期收敛速度慢等缺陷，刘

4、彦君等[5]提出了多种1．人工鱼群算法的基本原理自适应视野和步长的人工鱼群算法克服这一缺陷。2．2与其它算法的融合人工鱼定义了以下四种基本行为[1，2]。(1)觅食行为人工鱼趋向于食物的一种行为，人工混合人工鱼群算法将人工鱼群算法结合其它算法的优鱼通过视觉来感知周围食物，进而选择觅食方向。设人工点以提高算法的总体性能。刘白等[6]提出了混合遗传算法鱼当前位置为，在其可感知的范围内随机选择一个位置x和人工鱼群算法，当人工鱼群的适应度连续变化小于某阈值xx+Visual·RandO(公式卜1)式中，Visual是人工鱼的时，采用遗传算法的交叉

5、、变异操作，改变人工鱼的位置，视觉范围，Rand0是在(0，1)区间的均匀分布数，在求极大使人工鱼有机会跳出局部极值。刘凌子等[7]提出将人工鱼群算法嵌入文化算法框架，增加了人工鱼群的种群多样性，值问题中适应度Y(Y(或是求极小值YY，本文以极大值问题论述)，则人工鱼k在第t+l步迭代位置Xki+l为第t步位置提高了算法的收敛速度和求解精度。ZhuKc等[8]提出小生Xkt向x方向移动：境人工鱼群算法实现求解多目标优化问题。另外还有大量文^：一z·‘+‘rI———_二——————‘●u耐‘oI，一l‘(公式献是关于人工鱼群算法融合蚁群、粒

6、子群[9]、模拟退火、1—2)混沌优化、量子等理论的}昆合算法，并都取得了一定的改进效果。其中Step是移动步长。2．3并行人工鱼群算法若求极大值问题中YY(或是求极小值YY)，则重新选择可能的觅食位置，反复尝试N次后，若仍然不能满足人工鱼群算法的收敛速度正比于人工鱼的数量，人工鱼条件，则在视野范围内随机选择一个位置，做为下一步迭代越多收敛速度也越快，精度越高，跳出局部极值的能力也越的位置Xk11=+Visual·RandO(公式1—3)强，但也加大了计算量，程序运行时间变长。通过并行化方人工鱼的觅食行为是算法收敛的基础。法可以有效地解决

7、这一问题。胡一帆等[1o]在GPU+CPU异构(2)聚群行为人工鱼尽量向其它伙伴鱼群中心移动的并行环境上，采用CUDA开发实现了并行人工鱼群算法，将每只人工鱼映射为一个CUDA线程，在GPU上并行执行，在保证行为，但要避免过分拥挤。设人工鱼k当前位置为X，视野与串行人工鱼群算法相同的优化性能的同时，获得了3o倍的范围内的伙伴数目为n，伙伴的中心位置为X。若Yc／n>6Y(6是拥挤度因子)，即伙伴的中心位置食物较多，又不太加速比。拥挤，则向伙伴中心位置方向移动3．人工鱼群算法的应用1，一l，f．x7=墨+盈=R册do(公式1_4)人工鱼群算

8、法在组合优化问题的求解(如0—1背包问题，TSP问题，车间作业调度问题)[11]、神经网络的训练优化[12]、数据聚类(如K一均值聚类和模糊C一均值聚类)否则执行觅食行为。[13]、图像处理(