混沌协同人工鱼粒子群混合算法及其应用

针对基本人工鱼群算法(AFSA)收敛速度较慢、精度较低和粒子群易陷于局部的缺点,提出了混沌协同人工鱼粒子群混合算法(CCAFSAPSO)。该算法采取AFSA、PSO的全局并行搜索与模拟退火算法(SA)的局部串行搜索机制相结合的搜索方式,并用混沌映射的遍历性和模拟退火算法的突跳功能,克服了AFSA、PSO的收敛速度、求解精度和易陷于局部最优的不足。典型函数测试进一步表明CCAFSAPSO算法和同类算法相比,收敛速度更快、求解精度较高。最后将算法应用于化工数据处理,获得满意效果。

改进的人工鱼群算法的参数分析

基于原始人工鱼群算法,进行觅食、追尾、聚群行为的改进,以及可视域的自适应调整,提出了改进的人工鱼群算法。算法采用不同的参数值进行匹配,以优化函数值为例进行仿真实验。实验分析研究了主要参数对该算法优化性能的影响,并得出了合理的参数取值,以解决人工鱼群算法寻优精度低、运行速度慢的问题;实验还通过不同函数验证了改进的人工鱼算法具有更高的求解精度、更快的执行速度、更高的稳定性等优点。

基于人工鱼的全局优化文化算法

针对基本人工鱼算法存在多样性缺失、搜索后期收敛速度较慢和搜索精度不高等不足,以及传统文化算法的框架模式,提出了基于人工鱼的全局优化文化算法.算法中首先人工鱼进行跳跃式全局搜索,当搜索过程较慢或处于停滞状态时,采用高斯变异算子对最优值进行变异,然后让人工鱼继续在最优值的周围搜索,可使结果精度更高.通过典型的基准测试函数和应用实例表明该算法收敛速度快、精度高,可有效用于全局优化问题的解决.

基于协同进化思想的人工鱼和粒子群混合优化算法

在分析人工鱼群算法(AFSA)、粒子群算法(PSO)存在不足的基础上,提出一种将PSO群与AFSA群作为两个独立进化的群,同时进行搜索的算法.该算法利用协同思想与正反馈机制,让AFSA群跟踪PSO群的全局最优解,PSO群跟踪AFSA群的全局最优解的算法.这样,一方面利用AF-SA的快速找到全局极值邻域的能力克服PSO易陷入局部的不足;另一方面利用PSO的快速收敛能力来提高AFSA的收敛速度和求解精度.基于典型的函数和实例测试的结果都说明了该算法具有收敛速度较快、精度较高的特点.

二群协同的人工鱼群优化算法

针对基本人工鱼群算法(AFSA)收敛速度较慢,精度较低的缺点,提出二群协同的人工鱼群算法(TSCAFSA)。该算法采用并行的拓扑结构和正反反馈的信息交流方式。搜索时,将两个AFSA群作为两个独立进化的群同时进行搜索同时相互跟踪对方的全局最优解。通过协同进化,正反馈机制和当前得到的最优解来指导二个种群进化的方式,TSCAFSA获得较快的收敛速度和比较精确的求解精度。基于典型的函数和实例测试的结果都证明了该算法较基本的AFSA收敛速度较快、精度较高。

分类觅食人工鱼群算法

针对人工鱼群算法搜索速度和搜索精度不高,且对高维问题寻优能力较差等缺点,提出了一种改进的人工鱼群算法——分类觅食人工鱼群算法(Assorted Foraging Artificial Fish Swarm Algorithm-AFAFSA)。该算法对执行觅食行为的个体分类进行更新,既保持种群的多样性又通过觅食行为加快算法的搜索速度,同时加入禁忌的思想帮助算法跳出局部最优,提高算法的性能。通过一系列的测试试验,发现改进算法在收敛速度和精度方面都有了明显的提高,对于高维问题有也具有较好的寻优能力。

多群多层协同进化算法的约束优化求解及应用

针对基于可行性规则求解约束优化问题易陷入局部、master-slave协同进化模型同层种群间没有信息交流的情况,提出多群多层协同进化算法(MSMHCO)。算法在信息交流上,同层采用种群单向信息交流,不同层采用顶层指导底层的信息交流;在进化方式上采用后一层在前一层的基础上的进化方式;在搜索方式上融合全局并行搜索、局部串行搜索、混沌映射的遍历性和模拟退火算法的突跳功能。典型函数测试表明,MSMHCO算法和同类算法相比,收敛速度更快,求解精度更高。丁烯烷化过程的约束优化实例也进一步证明了MSMHCO算法的有效性。

TSP求解问题的各种方案比较

本文论述TSP解决的各种方法,并且用各种方法求解了TsP问题,最后随着城市数目的增加,越来越显示出各种方法的优缺点,其中人工鱼算法运行速度快,遗传算法精度更高。