猴群空翻机制作用下的自适应人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度过慢及人工鱼群寻优精度低等问题,对动态分组方案的人工鱼群算法进行了研究,提出一种新的自适应人工鱼群算法。该算法利用猴群算法中的空翻行为替代鱼群的聚群和追尾行为,同时引入模糊函数,自适应调整鱼群算法的视野及步长,提高了算法的运行效率,更好地平衡了全局搜索与局部搜索之间的关系。算法在后期避免提前收敛,能够快速跳出局部最优位置,保证了寻优质量。仿真实验表明,该算法明显优于基于动态分组方案的人工鱼群算法,有效提高了寻优精度和寻优质量,避免了人工鱼群的早熟现象。     

全局人工鱼群算法求解水果运输调度问题

分析4种不同的水果运输调度问题（Fruits in Vehicle Routing Problem,FVRP）：带硬时间窗的具有需求关联的模型、带容量约束的车辆运输调度问题模型、车辆运输调度问题模型和旅行商问题模型,并构建了相应的数学模型,采用基本人工鱼群算法和全局人工鱼群算法对所建立的4种模型求解,实验证明,全局人工鱼群算法克服了精度低、后期收敛慢、复杂度较高等缺点,能有效地求解此类问题,进一步证明了问题模型的复杂程度影响算法寻优能力,问题模型越复杂,收敛更慢.同时,也体现出当问题模型较复杂时,全局人工鱼群算法的寻优质量和速度优于人工鱼群算法.     

K-means和人工鱼群结合的聚类算法研究

针对K-means算法对初始聚类中心敏感、容易收敛于局部极值和人工鱼群算法最大步长固定、寻优精度不高、后期收敛速度慢的问题,提出一种K-means和人工鱼群相结合的聚类算法。该算法将K-means聚类中心引入人工鱼群适应度函数,自动确定近似全局最优的初始聚类中心,并将其作为K-means初值详细进行局部搜索,以提高精度。同时采用淘汰机制和自适应的最大步长策略,优化人工鱼群算法性能。在Iris、Wine数据集和EPA-HTTP应用日志数据上对IAFSA KM算法进行实验仿真分析,验证了算法的有效性和可行性。     

基于改进人工鱼群算法优化参数的支持向量机研究

为了降低人为设定参数值对支持向量机运行结果准确度的影响,采用智能算法中的人工鱼群算法,搜寻支持向量机相应参数的最优解。由于人工鱼群算法运算在寻优精度和效率方面均有提升空间,故将混沌机制引入人工鱼参数初始化,通过改进固定参数和行为算子得到支持向量机预测模型。使用该模型进行中长期电力需求预测研究,并与其它参数优化算法产生的模型进行均方误差对比。研究结果表明：改进后的模型在拟合均方误差和预测均方误差上都优于未优化的模型,支持向量机在预测精度方面有一定程度的提升。     

改进人工鱼群算法及在函数优化问题中的应用

为改进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,提出一种改进的人工鱼群优化算法（SA_IAFSA）,并用于求解多峰函数的优化问题。仿真结果表明,该算法保持AFSA算法简单、易实现的特点,克服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,显著提高算法的运行效率和求解质量。     

基于多群竞争的改进人工鱼群算法

为了改进基本的人工鱼群算法的性能及更好地模拟自然界鱼群捕食的行为,该文提出了一种基于多群竞争的改进人工鱼群算法.算法中引入了多个鱼群,除了描述基本的鱼个体觅食行为外,鱼群间还存在竞争机制.TSP的数值实验表明了改进算法的可行性及更好的全局优化性.     

基于人工鱼群模型的自动组卷抽题算法研究

结合人工鱼群模型的基本思想,针对组卷问题这一具体应用,在人工鱼群算法中采用保留最优个体的策略对个体鱼的觅食行为进行改进,以防止鱼群中最优个体的退化．并且,为使全局最优个体能更快求出,对鱼群的聚群、追尾行为也进行了改进．     

基于改进鱼群算法的网络通信安全极限挖掘

为提高计算机网络通信安全极限特征挖掘能力,提出基于改进鱼群算法的网络通信安全极限挖掘技术。构建通信多径传输信道模型,均衡控制网络通信安全的自适应信道,采用多径滤波和自相关匹配检测方法进行码间干扰抑制,建立网络通信安全极限信道容量参数估计模型,结合改进的鱼群算法进行极限信息挖掘,并利用模糊信息聚类方法对挖掘结果进行自适应寻优。实验结果表明,所提方法准确性以及信道均衡性更优,提高了网络通信的安全性。     

基于人工鱼群算法的多目标含风电机配电网重构

基于人工鱼群算法研究风电机组的配电网重构,采用Monte-Carlo模拟法产生服从正态分布的风速,进而计算出风速对应的输出功率。选择两个风机接入到任意节点中,然后建立系统有功损耗最小、负荷均衡及供电可靠性为目标函数的多目标优化数学模型,应用改进的人工鱼群算法求取最优方案,实验结果表明选择的指标均得到极大优化。     

一种鲸鱼优化算法改进的加权质心定位算法

针对加权质心定位算法受 RSSI 测距误差影响导致定位结果不理想的问题,提出一种鲸鱼优化算法改进的加权质心算法,利用鲸鱼优化算法的快速收敛、不易陷入局部最优等优势对加权质心算法定位结果进行优化。首先,通过加权质心算法计算待测点位置;其次,根据锚节点位置信息、RSSI 测距信息及待测点位置信息建立适应度函数;最后,利用鲸鱼优化算法不断迭代寻优,对待测点定位结果进行优化,以提高定位精度。在通信半径相同、锚节点数为 30 的条件下,改进后的定位算法定位精度为 0.58m,而粒子群加权质心算法与人工鱼群加权质心算法定位精度分别为 0.64m 和 0.62m,且随着锚节点个数的增加或通信半径的增大,改进后的定位算法仍能获得更高的定位精度。因此,改进后的定位算法精度更高,具有一定可行性。     

基于无模型控制理论的机械臂运动控制

工业串联机械臂是工业机器人的一种,由多个关节串联而成.由于关节较多,机械臂在运动过程中各关节运动误差不断叠加,导致机械臂末端执行器误差较大.为了更加精确控制机械臂运动,文章在分析微分先行PID算法的基础上,结合HOOKE搜索法,改进了原始人造鱼群优化算法.基于传统无模型控制理论,提出一种改进的无模型控制算法,并进行了相关仿真分析.仿真结果表明,改进后的人造鱼群优化算法具有较高的准确性,收敛速度大大加快,改进后的无模型自适应算法,具有较好的鲁棒性,系统跟踪误差明显降低。     

基于改进粒子群算法的图像匹配技术研究

在分析基本粒子群优化算法的基础上,对学习因子进行非线性异步策略调整,改变其固定常数模式,平衡算法在迭代过程中的局部和全局搜索能力;同时引入活力因子,对失活粒子执行变异操作,提高种群多样性。改进算法可以提升对多维空间的全局寻优能力,避免粒子产生早熟收敛现象。将改进粒子群算法引入图像匹配优化问题中,提出了一种基于改进粒子群算法的图像匹配算法,实验结果表明,该算法具有更快的匹配速度以及更高的匹配精度,具有强鲁棒性。     

基于人工鱼群算法的复杂系统可靠性优化

由于复杂系统可靠性函数常常具有非线性的特点,因此设计既要满足可靠度又要使系统成本最小,成了优化设计中的难点。针对这一问题,提出了基于群体智能-人工鱼群算法（Artificial Fish School Algorithm,AFSA）的优化方法。给出了基于鱼群算法的可靠性的求解策略,详细探讨了鱼群算法在系统的可靠性优化计算中应用的可行性．并对非串-并联系统的可靠性分配的可靠性优化设计问题进行分析计算。结果表明该算法具有较强的局部搜索能力和较高的搜索效率,论证了该算法在复杂系统可靠性优化中的可行性和有效性。     

融合 Rosenbrock 搜索法的混合粒子群算法

为克服粒子群算法在处理复杂高维问题时易陷入局部最优及寻优精度低等缺陷,提出一种融合 Rosenbrock 搜索法的混合粒子群算法。首先,利用 Tent 混沌序列进行种群初始化;其次,采用去速度项的简化粒子群公式提高收敛速度并对个体极值加入扰动,增强粒子种群多样性;最后,当全局最优个体更新停滞时,利用Rosenbrock 搜索法对全局最优个体进行局部搜索,提高解的精度。利用 8 个常用基准测试函数分别对 30 维和50 维问题进行实验,证实该算法可寻到病态函数 Rosenbrock 全局最优值,且比其它 7 个函数的寻优精度提高10-2 数量级。实验证明该算法收敛速度快,解的精度高,全局搜索能力强,寻优能力明显提高。     

基于连续型Hopfield神经网络的系统辨识

连续型Hopfield神经网络(CHNN)可用于优化计算,但其会遭遇较复杂的参数辨识问题.为了较好地解决这一问题,将擅长全局搜索的蚁群-粒子群混合算法用于对系统参数的最优化选取.再将此混合算法与CHNN有机结合,更好地解决参数辨识问题,且能有效避免CHNN在应用过程中陷入局部最优解.最后,将理论结果应用于求解TSP问题来验证其有效性.     

Fast multi-swarm optimization based-on Cauchy mutation and crossover operation

The standard particle swarm optimization （PSO） algorithm is a novel evolutionary algorithm in which each particle studies its own previous best solution and the group＇s previous best solutions to optimization problems. One problem in PSO is its tendency of trapping into local optima. In this paper, a multi-swarm technique based on fast particle swarm optimization（FPSO） algorithm is proposed by introducing crossover operation. FPSO is global search algorithm which can prevent PSO from trapping into local optima in light of Cauchy mutation. Though it can get high optimizing precision, the convergence rate is not satisfactory. FMSO can not only find satisfying solutions, but also speed up the search.     

Codebook design using improved particle swarm optimization based on selection probability of artificial bee colony algorithm

In the paper, a new selection probability inspired by artificial bee colony algorithm is introduced into standard particle swarm optimization by improving the global extremum updating condition to enhance the capability of its overall situation search. The experiment result shows that the new scheme is more valuable and effective than other schemes in the convergence of codebook design and the performance of codebook, and it can avoid the premature phenomenon of the particles.     

一种自适应变异二进制粒子群算法

针对二进制粒子群算法(BPSO)具有过早收敛的缺陷,在粒子位置更新后提出变异概率自适应从大到小的变异操作。 同时对算法惯性权重参数采用递增的设置方案,从而得到一种自适应变异BPSO 算法(AMBPSO),将其应用于特征选择问题。 实验结果表明,提出的新算法前期具有较强的全局搜索能力,后期具有较强的局部搜索能力,能使平均选择特征数量最多从27.6 个减少到20.2 个,平均分类准确率最多从91.346%提升到94.135%。     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

一种跨邻域学习的改进粒子群优化算法

为了改善传统粒子群优化算法过早陷入局部最优解的缺点,进一步增强算法收敛性,通过使用一定范围内邻域最好位置lBest代替自身历史最好位置pBest进行速度与位置更新,以增强粒子跨邻域学习能力。使用整个群体中最好位置gBest进行速度与位置更新,可增强算法收敛性,且具有较好的全局搜索能力。在8个不同的单峰和多峰函数上系统地对3种算法进行测试与比较,实验结果表明,提出的跨邻域学习改进粒子群优化算法可避免粒子群陷入局部最优解,求解精度与算法收敛性都提升了15%以上。