一种新颖的改进人工鱼群算法
本文关键词： 人工鱼群算法 混沌变换 觅食行为 体能变换模型 出处：《计算机科学》2017年04期 论文类型：期刊论文
【摘要】：针对基本人工鱼群算法(AFSA)在函数优化问题中存在的后期收敛速度慢、求解精度低和易陷入局部最优等缺点,提出了一种新的改进人工鱼群算法(IAFSA)。首先,使用混沌变换来初始化鱼群个体的位置,使鱼群更加均匀地分布在有限的区域内,保证种群具有多样性,利于全局收敛;其次,对觅食行为中具有不同函数值的人工鱼个体采取不同的视野策略,不仅提高了算法的寻优速度,而且有效地降低了鱼群陷入局部最优的可能性;最后,根据运动和体能之间的关系构建体能变换模型,在鱼群觅食的后期,体能开始变弱,这时适时地减小鱼群觅食、聚群和追尾行为中移动的步长可有效提高算法收敛的速度和寻优的精度。通过标准测试函数和14个城市的TSP对算法进行验证,仿真实验结果表明,相比基本人工鱼群算法,改进后的算法具有更快的后期收敛速度和更高的求解精度。
[Abstract]:In view of the shortcomings of the basic artificial fish swarm algorithm (AFSA) in the function optimization problems, such as slow convergence, low precision and easy to fall into local optimum, a new improved artificial fish swarm algorithm is proposed. The chaotic transformation is used to initialize the individual position of the fish group, so that the fish herd is more evenly distributed in a limited area, which ensures the diversity of the population and is conducive to global convergence. Different visual field strategies are adopted for artificial fish with different function values in foraging behavior, which not only improves the optimization speed of the algorithm, but also effectively reduces the possibility of fish group falling into local optimum. According to the relationship between physical activity and physical fitness, the physical fitness transformation model is constructed. In the later stage of fish feeding, physical fitness begins to weaken, and then the fish flock foraging is timely reduced. The speed of convergence and the precision of optimization can be improved effectively by moving step size in clustering and rear-end behavior. The algorithm is verified by standard test function and TSP in 14 cities. The simulation results show that compared with the basic artificial fish swarm algorithm, the proposed algorithm is more efficient than the basic artificial fish swarm algorithm. The improved algorithm has faster late convergence speed and higher accuracy.
【作者单位】： 华东理工大学信息科学与工程学院;
【分类号】：TP18
【正文快照】： 1引言人工鱼群算法[1]是一种先进的群智能优化方法,它是2001年由李晓磊博士基于自然界中的鱼群及其觅食而衍生出来的算法,该算法具有鲁棒性强、全局搜索能力强、收敛速度快等优点。但人工鱼群算法也存在前期收敛速度快而后期收敛速度慢、求解精度不高等缺点。针对上述人工鱼群
【参考文献】
相关期刊论文 前10条
1 王兆嘉;俞毅;彭培真;蒋珉;;混沌搜索在人工鱼群算法中的应用[J];工业控制计算机;2015年04期
2 李志平;王勇;张呈志;;一种采用动态游动模式的鱼群算法[J];计算机仿真;2015年04期
3 朱旭辉;倪志伟;程美英;;变步长自适应的改进人工鱼群算法[J];计算机科学;2015年02期
4 孙王杰;卢月亮;孙书贝;巩晓悦;;基于约束优化问题的人工鱼群算法及其改进[J];吉林化工学院学报;2014年11期
5 马宪民;刘妮;;自适应视野的人工鱼群算法求解最短路径问题[J];通信学报;2014年01期
6 杨增桥;刘弘;王爱霖;;一种人工鱼群混合智能优化算法[J];山东师范大学学报(自然科学版);2013年03期
7 张英杰;李志武;奉中华;;一种基于动态参数调整的改进人工鱼群算法[J];湖南大学学报(自然科学版);2012年05期
8 张军丽;周永权;;一种用Powell方法局部优化的人工萤火虫算法[J];模式识别与人工智能;2011年05期
9 李跃松;樊金生;张巧迪;;用改进的人工鱼群算法求解TSP问题[J];石家庄铁道大学学报(自然科学版);2011年02期
10 曲良东;何登旭;;一种混沌人工鱼群优化算法[J];计算机工程与应用;2010年22期
相关博士学位论文 前1条
1 李晓磊;一种新型的智能优化方法-人工鱼群算法[D];浙江大学;2003年
【共引文献】
相关期刊论文 前10条
1 王志敏;;基于时变衰减函数的改进人工鱼群算法研究[J];甘肃科技纵横;2017年05期
2 周修飞;张立毅;费腾;;基于自适应均匀变异人工鱼群投资组合优化算法的研究[J];数学的实践与认识;2017年08期
3 刘东林;李乐乐;;一种新颖的改进人工鱼群算法[J];计算机科学;2017年04期
4 刘廷;田有;朱洪翔;周超;乔汉青;;基于人工鱼群算法和Pearson相关系数的裂缝属性识别[J];世界地质;2017年01期
5 张思建;唐若笠;张捷;方彦军;;基于自适应多行为模式鱼群算法的电能计量设备运维作业优化研究[J];电测与仪表;2017年05期
6 彭凯;黄宜庆;邵寿琛;;基于粒子群与人工鱼群混合算法的TSP求解模型[J];四川理工学院学报(自然科学版);2017年01期
7 赵志豪;赵敏;陈奇;蔡力炯;;基于IAFSA的四自由度翼伞分段归航设计[J];火力与指挥控制;2017年02期
8 王丽;王晓凯;;多峰函数优化的改进群居蜘蛛优化算法[J];计算机工程与应用;2017年03期
9 康文雄;许耀钊;;节点约束型最短路径的分层Dijkstra算法[J];华南理工大学学报(自然科学版);2017年01期
10 李杨;战艺;李岩舟;;基于改进蜘蛛群居算法的移动机器人路径规划方法研究[J];科学技术与工程;2016年35期
相关博士学位论文 前10条
1 姚正华;改进人工鱼群智能优化算法及其应用研究[D];中国矿业大学;2016年
2 唐若笠;基于群集智能的复杂问题优化算法与应用研究[D];武汉大学;2016年
3 刘义海;基于信息融合的水中目标属性识别关键技术研究[D];西北工业大学;2015年
4 范德明;基于智能算法的应用层组播算法设计与研究[D];山东大学;2015年
5 任思源;超声法气体温度场的TSR算法重建及实验研究[D];华北电力大学;2015年
6 曾鸣;铁路集装箱中心站物流系统资源调配优化与仿真研究[D];西南交通大学;2015年
7 刘志君;基于进化算法的飞控系统性能指标分配方法研究[D];西北工业大学;2015年
8 张鹄志;钢筋混凝土复杂应力构件的配筋优化研究[D];湖南大学;2014年
9 朱占龙;惯性/地磁匹配组合导航相关技术研究[D];东南大学;2015年
10 玄冠涛;凸轮轮廓NURBS重构与工作特性优化研究[D];山东农业大学;2014年
【二级参考文献】
相关期刊论文 前10条
1 廖孝勇;李尚键;孙棣华;何伟;余楚中;;一种基于膜计算的改进人工鱼群算法[J];小型微型计算机系统;2014年05期
2 孙福;张箭锋;闫军;张胤;;文化算法框架下的改进人工鱼群算法研究[J];计算机仿真;2014年04期
3 张洪青;卜涛;;基于和声搜索的混合人工鱼群算法[J];计算机应用与软件;2014年03期
4 马宪民;刘妮;;自适应视野的人工鱼群算法求解最短路径问题[J];通信学报;2014年01期
5 陶杨;韩维;张磊;;基于群体行为的自适应变异算子鱼群算法[J];中国电子科学研究院学报;2013年05期
6 张仲海;王多;王太勇;林锦州;蒋永翔;;采用粒子群算法的自适应变步长随机共振研究[J];振动与冲击;2013年19期
7 刘艳林;马苗;刘艳丽;许红飞;;基于改进人工鱼群算法的含噪图像分割方法[J];计算机工程与应用;2013年20期
8 段其昌;唐若笠;徐宏英;李文;;粒子群优化鱼群算法仿真分析[J];控制与决策;2013年09期
9 刘薇;刘柏嵩;王洋洋;;基于改进鱼群和K-means的混合聚类算法[J];计算机工程与应用;2013年22期
10 张大斌;杨添柔;温梅;孙莹;周茜;;基于差分进化的鱼群算法及其函数优化应用[J];计算机工程;2013年05期
【相似文献】
相关期刊论文 前10条
1 曲良东;何登旭;;改进的人工鱼群算法及其在近似求导中的应用[J];微电子学与计算机;2009年05期
2 王联国;洪毅;赵付青;余冬梅;;一种简化的人工鱼群算法[J];小型微型计算机系统;2009年08期
3 王宗利;刘希玉;王文平;;一种改进的人工鱼群算法[J];信息技术与信息化;2010年03期
4 韦修喜;曾海文;周永权;;云人工鱼群算法[J];计算机工程与应用;2010年22期
5 曾蒙迪;;人工鱼群算法的简介及应用[J];信息与电脑(理论版);2011年04期
6 李媛;;基于人工鱼群算法的多元线性回归分析问题处理[J];渤海大学学报(自然科学版);2011年02期
7 陈晓峰;宋杰;;量子人工鱼群算法[J];东北大学学报(自然科学版);2012年12期
8 王波;;基于细胞膜优化的人工鱼群算法研究[J];科技通报;2013年03期
9 王培崇;;人工鱼群算法研究综述[J];中国民航飞行学院学报;2013年04期
10 李晓磊,薛云灿,路飞,田国会;基于人工鱼群算法的参数估计方法[J];山东大学学报(工学版);2004年03期
相关会议论文 前3条
1 李晓磊;钱积新;;人工鱼群算法:自下而上的寻优模式[A];过程系统工程2001年会论文集[C];2001年
2 徐公林;张铁龙;;人工鱼群算法在电力系统负荷模型参数辨识中的应用[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年
3 刘耀年;姚玉萍;李迎红;刘俊峰;;基于人工鱼群算法RBF神经网络[A];第十届全国电工数学学术年会论文集[C];2005年
相关博士学位论文 前4条
1 王联国;人工鱼群算法及其应用研究[D];兰州理工大学;2009年
2 姚正华;改进人工鱼群智能优化算法及其应用研究[D];中国矿业大学;2016年
3 李晓磊;一种新型的智能优化方法-人工鱼群算法[D];浙江大学;2003年
4 张梅凤;人工鱼群智能优化算法的改进及应用研究[D];大连理工大学;2008年
相关硕士学位论文 前10条
1 陈斐;改进的人工鱼群算法分析与研究[D];西安电子科技大学;2012年
2 王蕾;一种人工萤火虫群优化算法改进的研究[D];青岛理工大学;2015年
3 马尧;基于改进的人工鱼群算法在商旅问题中的应用研究[D];西南交通大学;2015年
4 薛亚娣;改进的人工鱼群算法及其应用研究[D];兰州大学;2015年
5 彭鹏;配电网无功优化和跟踪调节技术研究[D];沈阳理工大学;2015年
6 崔淑慧;三维管路自动敷设算法及干涉校验方法研究[D];哈尔滨工业大学;2015年
7 黄锋;混沌人工鱼群算法及其在水库(群)优化调度中的应用[D];华北电力大学;2015年
8 刘翔;基于改进人工鱼群算法的化工过程优化[D];北京化工大学;2015年
9 喻俊松;基于改进人工鱼群算法无人机航迹规划研究[D];南昌航空大学;2015年
10 陈新;基于人工鱼群算法的柔性作业车间调度研究[D];大连理工大学;2015年
，本文编号：1491480
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1491480.html
