人工鱼群算法的改进优秀PPT.ppt
人工鱼群算法的改进2023/2/15第1页，本讲稿共25页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。2023/2/15第2页，本讲稿共25页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2023/2/15第3页，本讲稿共25页改进思路一、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2023/2/15第4页，本讲稿共25页一、基于算法参数的改进算法参数：1.视野visual2.步长step3.人工鱼总数N4.尝试次数try number5.拥挤度因子2023/2/15第5页，本讲稿共25页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 是衰减因子，且(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。2023/2/15第6页，本讲稿共25页2.基于步长的改进2.1 Wang Cuiru 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。2023/2/15第7页，本讲稿共25页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keep Times 0 最优适应值已更新Keep Times=Keep times+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_step keep Times 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。2023/2/15第8页，本讲稿共25页2.2.2移动步长动态调整策略 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change Times，change Times+0 最优适应值未更新 Change Times=Change Times+1 最优适应值已更新 2023/2/15第9页，本讲稿共25页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change Times恢复为0:Change Times 0 进行下一次移动步长的自动调整准备。2023/2/15第10页，本讲稿共25页2.3基于评价函数的步长改进算法 设当前人工鱼状态X i,在可视范围内随机选择一个状态X j,如果食物浓度Yj Yi,即X j 处的食物浓度较X i 大很多,可以认为X j 处的营养物质较为丰富,X i 应该向X j 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X i 与状态X j 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X j 方向移动一步。2023/2/15第11页，本讲稿共25页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：2023/2/15第12页，本讲稿共25页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和变化方差作为是否进行参数变化的衡量标准。定义如下：2023/2/15第13页，本讲稿共25页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()表示对拥挤度因子作相应调整；，表示评价系数，根据具体问题给出不同的值，用来控制变步长的速度和迭代的进程。2023/2/15第14页，本讲稿共25页5.引入新参数（改变参数）自适应人工鱼群算法：视步系数视步系数=步长步长/视野视野基本思想是：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（0a1），把step=avisual 作为人工鱼的最大步长。4）忽略拥挤的因素，在执行追尾行为和聚群行为时，只要视野范围内的最优人工鱼和中心位置优于当前位置，就以rand（）step 向其移动。2023/2/15第15页，本讲稿共25页5.引入新参数（改变参数）根据视野方式不同，分为四种（AAFSA1-4）：1）AAFSA1:基于平均距离的自适应人工鱼群算法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算法基于最优人工鱼的自适应人工鱼群算法 即在每次迭代前，每条人工鱼都要测算出到当前最优人工鱼的距离，并把它作为自身的视野visual1。2023/2/15第16页，本讲稿共25页5.引入新参数3 3）AAFSA3:AAFSA3:基于最优人工鱼和最近人工鱼的半复基于最优人工鱼和最近人工鱼的半复合自适应人工鱼群算法合自适应人工鱼群算法 在AAFSA2 的基础上，对觅食行为做如下改进：人工鱼测算出到离自身最近的人工鱼的距离，并把它作为觅食行为的视野（visual）进行搜索，随机确定一点，如比自身位置优，则以visual2rand（）向该点动一步；反之，则继续搜索，直至达到规定的尝试次数。如仍未找到，则执行随机行为。用visual2rand（）而不用visual2arand（）。2023/2/15第17页，本讲稿共25页5.引入新参数4）AAFSA4:基于最优人工基于最优人工鱼和最近人工鱼的复合鱼和最近人工鱼的复合自适应人工鱼群算法自适应人工鱼群算法 把AAFSA2 和AAFSA3 相结合，得到了另一种改进觅食行为的方法。2023/2/15第18页，本讲稿共25页二、基于鱼群行为的改进1.基于基本鱼群行为的改进基于基本鱼群行为的改进1.1改进的觅食行为1.2改进的聚群行为1.3改进的追尾行为2.基于新增鱼群行为的改进基于新增鱼群行为的改进2.1逃逸行为2.2繁殖行为2023/2/15第19页，本讲稿共25页三、高阶行为模式 将人工鱼以前的行为和经验也封装在对象内部，并对其采取一定的参考和学习，以达到提高算法的效率的目的。如:class Artificial fishpublicfloat AF_Xn /AFs positionfloat last AF_Xn /AFs last positionfloat evergood_AF_Xn /the ever good position of AF；这样，人工鱼就记忆着曾经的最好状态和上一次的状态，从而为下一次的行为作出更加合理的行为评价。2023/2/15第20页，本讲稿共25页四、混合优化算法 算法在优化过程初期虽然具有较快的收敛品质，但在后期却往往收敛较慢，或者无法达到要求的精度，因此，与其他算法相结合，在合适的时候与它们互相切换，实现各算法之间的优缺点互补，也是一种解决问题的常用方法。2023/2/15第21页，本讲稿共25页四、混合优化方法李晓磊针对复杂大系统的优化问题中方程数多、变量维数高等特点，描述了一种基于分解协调思想的人工鱼群优化算法。并以换热器系统为例进行了计算，结果表明，该算法具有较好的收敛性、初值不敏感性和参数不敏感性等特点。Xiaojuan Shan等提出了一种改进的人工鱼群算法，引入禁忌表，增强了人工鱼群算法的全局寻优和邻域搜索能力，避免限于局部最优解。实验结果显示改进的算法具有较好的全局寻优能力。李亮等构造了一种两点禁忌寻优算子以避免寻优过程中的迂回搜索，并用它模拟鱼群中单条鱼的追寻历史最优鱼、追尾、群聚三种行为，采用遗传算法中非均匀变异算子模拟单条鱼的觅食行为，鱼群中各个体通过这四种行为进行交流、合作从而形成了一种禁忌鱼群算法。将该算法应用于两个复杂土坡的最小安全系数搜索中，并同基本鱼群算法的计算结果进行了比较，结果证明禁忌鱼群算法具有搜索高效、适于约束优化问题求解等特点。2023/2/15第22页，本讲稿共25页四、混合优化方法张梅凤等在分析人工鱼群算法存在不足的基础上，提出了基于变异算子与模拟退火混合的人工鱼群优化算法。该算法保持了人工鱼群算法简单、易实现的特点，克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集，显著提高了算法的运行效率和求解质量。通过函数和实例测试验证，表明了该算法是可行和有效的。黄光球等通过引入网格划分策略和禁忌搜索算法，对基本人工鱼群算法进行了改进，减少了迂回搜索的无用计算，同时也使人工鱼可以在解空间内进行更为全面的搜索，提高了搜索效率，加快了系统满意解域的确定；通过对变量空间进行网格划分，提供了获取系统最优解的方法，而且加强了对鱼群公告板信息的使用。实验表明，与基本人工鱼群算法相比，该方法具有明显的优越性。高德芳等提出了融合鱼群算法及蚁群算法的优化模型求解方法，并以铁路客车内装模块化配置设计为应用，验证了该求解方法的可行性和有效性。2023/2/15第23页，本讲稿共25页四、混合优化方法宋志宇等根据混沌(CHAOS)的遍历性和随机性等特点，将混沌系统和人工鱼群算法相结合形成了一种新的融合优化算法-混沌人工鱼群算法(CAFSA)。经算例分析表明，与人工鱼群算法相比较，混沌人工鱼群算法具有收敛快、效率高和结果精度高等优点。从而为解决类似的系统优化和参数识别问题提供了一种新的方法。程晓荣等针对人工鱼群算法的这些不足，引入了改进的模拟退火算法和精英选择的思想对人工鱼群算法进行改进。然后通过对具体实例的仿真实验，比较了人工鱼群算法改进前后进行优化的结果，同时验证了该方法的可行性和有效性。2023/2/15第24页，本讲稿共25页2023/2/15第25页，本讲稿共25页
