一种改进的人工鱼群优化算法

合集下载

改进人工鱼群算法优化小波神经网络的变压器故障诊断

改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。

在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。

在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。

基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。

近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。

一种求解复杂优化问题的新型人工鱼群算法

一种求解复杂优化问题的新型人工鱼群算法洪兴福;胡祥涛【摘要】In this paper, the social behaviors of fish swarm are classified in three ways:foraging behavior, reproductive behavior, and flight behavior. Inspired by this, a Novel Artificial Fish Swarm Algorithm(NAFSA)is proposed, which inte-grates the mutation strategy and evolution behavior into the social behaviors of fish swarm. In the case of mutation strategy,the basic cloud generator is used as the mutation operator because of the properties of randomness and stable tendency of a normal cloud model. For the reproductive behavior, the selection, and crossover operator in evolutionary algorithm are applied to define the reproductive ability of an artificial fish. Furthermore, the parameters of step and visual are developed in forms of hyperbolic tangent function to adjust the optimize performance dynamically during iterations process. Ten standard test functions are used as the benchmark to validate the effectiveness of the NAFSA. Experimental results have confirmed the superiority of NAFSA in terms of both solution quality and convergence speed, and shown broad applica-tion prospect in engineering.%受自然界群体生物繁衍生息行为的启发，提出了一种新型人工鱼群算法。

基于社会学习机制的改进人工鱼群算法

基于社会学习机制的改进人工鱼群算法作者：郑延斌刘晶晶王宁来源：《计算机应用》2013年第05期摘要：针对人工鱼群算法后期搜索速度慢、不易得到精确解等问题，结合社会学习机制提出一种改进算法。

当人工鱼群算法进行到优化后期时，使用群体社会学习机制中的趋同和趋异行为进行寻优。

两种行为搜索速度快，寻优精度高，且趋异现象提高了群体的多样性，增强了跳出局部极值的能力，在一定程度上改善了原算法的搜索性能。

仿真实验结果表明了改进算法的可行性和有效性。

关键词：人工鱼群算法；社会学习机制；趋同；趋异；优化0引言人工鱼群算法[1]（Artificial Fish Swarm Algorithm， AFSA）是李晓磊等受鱼群生活习性的启发所提出的一种群智能优化算法。

该算法具有较强的全局搜索和快速跟踪变化能力，鲁棒性强，简单灵活易实现，被广泛应用在交通规划[2]、网络无线定位[3]、图形图像处理[4]、机器人路径规划[5]等许多领域。

自AFSA提出以来，研究者从鱼群的初始化、算法参数的调整、基本行为的改进以及和其他智能算法的结合等方面进行了改进研究，以提高AFSA的优化效率。

如：王联国等[6]对AFSA进行简化研究，提高了算法的自适应能力和优化精度；祁俊等[7]将双混沌映射应用在AFSA中，用Tent映射增强了初始鱼群的多样性，用Logistic映射产生变异算子对鱼群进行扰动，促进了其跳出局部最优值。

刘佳等[8]用模拟退火算法中的Metropolis 判别准则改进觅食行为，同时用模拟退火算子实施局部细化，提高了算法的运行效率和求解质量。

陈建荣等[9]将捕鱼算法与AFSA相结合，在优化初期使用 AFSA搜索局部最优域，后期使用捕鱼算法搜索最优值，混合算法提高了寻优精度但收敛速度不高。

姚祥光等[10]将AFSA 与微粒群算法相结合，在某种程度上避免了陷入局部最优值，但收敛精度有待进一步提高。

改进算法在一定程度上能很好地解决非线性函数优化问题，但随着问题的不断深入，算法在优化初期收敛速度比较快，而后期往往较慢，且容易陷入局部最优。

人工鱼群算法的改进

$
人工鱼群算法的改进
本课件PPT仅供大家学习使用学习完请自行删除，谢谢！本课件PPT仅供大家学习使用学习完请自行删除，谢谢！本课件PPT仅供大家学习使用学习完请自行删除，谢谢！本课件PPT仅供大家学习使用学习完请自行删除，谢谢！
$
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。
$
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
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σ作为是否进行参数变化的衡量标准。定义如下：
$
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(δ ) 表示对拥挤度因子作相应调整；θ，φ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。
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。

人工鱼群算法的分析及改进

1、引入动态调整策略
在AFSO算法中，随着迭代次数的增加，鱼群的全局最优解可能逐渐偏离真正的最优解。这是由于在寻优过程中，鱼群可能会陷入局部最优陷阱。为了解决这个问题，我们引入了动态调整策略，即根据算法的迭代次数和当前的最优解，动态地调整鱼群的搜索范围和搜索速度。
2、增加随机扰动
在AFSO算法中，鱼群通常会向当前的全局最优解集中。这可能会导致算法过早地陷入局部最优陷阱。为了解决这个问题，我们引入了随机扰动。即在每次迭代时，随机选择一部分鱼，将其位置和速度进行随机扰动，以增加算法的探索能力。
2、计算适应度：对于每一条鱼，计算其适应度函数值（通常是目标函数值），这个值代表了这条鱼的“健康”状况。
3、比较适应度：将每条鱼的适应度与全局最优解进行比较，更新全局最优解。
4、更新领头鱼：随机选择一条鱼作为领头鱼，然后根据一定的规则，如最小距离规则，选择其他鱼跟随领头鱼。
5、更新鱼群：根据领头鱼的位置和行为，更新其他鱼的位置和行为。
4、多种群并行搜索：通过将搜索空间划分为多个子空间，并在每个子空间中独立运行AFSA，我们可以实现多种群的并行搜索。这种并行搜索方法可以显著提高算法的搜索速度和效率。
四、结论
本次演示对人工鱼群算法进行了详细的分析和改进。通过引入混沌理论、变异机制和自适应调整参数等方法，我们可以有效地提高AFSA的全局搜索能力和效率，避免算法过早地陷入局部最优解。多种群并行搜索方法也可以显著提高算法的搜索速度和效率。这些改进方案为AFSA在实际应用中的广泛应用提供了有力的支持。
感谢观看
3、引入学习因子
在AFSO算法中，每个鱼会根据自身经验和群体行为来调整自己的方向和位置。然而，这个学习因子通常是固定的。为了提高算法的收敛速度和精度，我们引入了可变的学习因子。即根据算法的迭代次数和当前的最优解，动态地调整学习因子的大小。

改进人工鱼群的移动机器人避障寻优算法

DOI: 10.11991/yykj.202101007改进人工鱼群的移动机器人避障寻优算法郭凡，何柳，侯媛彬，秦学斌，卢志强，王冕西安科技大学电气与控制工程学院，陕西西安 710054S T 摘要：针对移动机器人处于有障碍物的情况下寻找最短路径问题，对自制搬运机器人的运行环境进行建模，提出一种基于改进的人工鱼群算法(AVAFSA)的机器人避障寻优算法。

该算法以传统的人工鱼群算法为基础，利用鱼群视野自适应的形式来对可见视线值的下限进行设定；引入衰减函数来改善视觉效果，引入自适应算子来增强步长的自适应能力，从而避免因视野太小而导致易陷入局部最小；然后结合栅格图大小，设置每格的边长、障碍物的个数、机器人起点坐标和终点坐标位置，从而实现AVAFSA 的机器人路径优化。

仿真及实验结果表明，基于改进的人工鱼群算法相对于传统的人工鱼群算法在路径规划的寻优速度与准确性上得到明显提高。

关键词：移动机器人；路径规划；人工鱼群算法；视野自适应中图分类号：TP18;TP242 文献标志码：A 文章编号：1009−671X(2021)03−0041−06Obstacle avoidance and optimization algorithm based on improvedartificial fish swarm algorithm of mobile robot pathGUO Fan, HE Liu, HOU Yuanbin, QIN Xuebin, LU Zhiqiang, WANG MianCollege of electrical and control engineering Xi’an University of Science and Technology. Xi’an 710054, ChinaAbstract : Aiming at the problem that path planning for mobile robots in an environment with obstacles, the running environment model of the mobile robots is analyzed in the self-developed robot. And then a robot obstacle avoidance optimization algorithm based on improved artificial fish swarm algorithm, i.e., adaptive vision based artificial fish-swarm (AVAFSA) is proposed. The algorithm is based on the traditional artificial fish swarm algorithm, and uses the fish group vision adaptive form to set the lower limit of the line of sight. An attenuation function is introduced to improve the visual effect, and an adaptive operator is introduced to enhance the adaptive capability of the step size, so as to avoid the local minimum because of too small field of vision. Then, in combination with the size of the raster map, set the edge length of each grid, the number of obstacles, the coordinates of the starting point S of the robot and the coordinates of the end point T , realizing the robot path planning algorithm of AVAFSA. The results of simulation and experiment show that compared with the traditional artificial fish swarm algorithm, the improved artificial fish swarm algorithm has significantly improved the speed and accuracy of path planning.Keywords: mobile robot; path planning; artificial fish swarm algorithm; visual field adaptive近几年来，随着计算机、信息处理与智能控制的迅猛发展，人们对于机器人的研究也在逐渐加深，机器人的功能也在慢慢完善，而本文所研究的移动机器人也是其中的一种[1]。

基于改进人工鱼群算法的智能组卷的研究

基于改进人工鱼群算法的智能组卷的研究智能组卷是指通过计算机算法和人工智能技术来自动生成试卷的过程。

它能够根据试题的属性和难度等要素，以及考生的特点和需求等因素，自动选择合适的试题，并根据一定的约束条件组合成试卷。

智能组卷的研究，对于提高试卷的质量和效率具有重要意义。

人工鱼群算法是一种模拟自然进化过程的优化算法，它通过模拟鱼群在寻找食物的过程中的行为，来解决复杂优化问题。

人工鱼群算法具有较好的全局搜索能力和较强的寻优能力，在解决组卷问题上有很大的潜力。

需要对试题的属性和难度进行建模和表示。

试题的属性可以包括知识点、题型、难度等信息，可以将其表示为向量或矩阵形式，用于计算和比较。

需要考虑试题的约束条件，如题目数量、题型分布等。

需要设计适合于组卷问题的目标函数。

目标函数可以包括试题的多样性、难度适应性、知识点覆盖等指标，用于评价试题组合的优劣。

通过对目标函数的定义和优化，可以得到更合理的试题组合方案。

然后，需要设计改进的人工鱼群算法来求解组卷问题。

可以通过改变人工鱼群的行为规则、参数设置和模拟过程等方式来增强其搜索和优化能力。

可以采用多种交叉和变异策略，引入试题互补性和关联性等因素，从而提高算法的性能和效果。

需要进行实验和评估，验证改进的人工鱼群算法在智能组卷问题上的有效性和效果。

可以通过使用真实试题库进行测试，比较改进算法和其他算法的性能差异。

还可以针对不同的应用场景和实际需求，进行参数调优和算法组合，进一步提升智能组卷系统的性能。

基于改进人工鱼群算法的智能组卷研究，可以有效地提高组卷的质量和效率，具有较好的应用前景。

希望未来能够有更多的学者和研究者加入到该领域的研究中，不断推动智能组卷技术的发展。

群体智能优化算法-鱼群优化算法

（5）
AF_Follow的伪代码如下：
functionAF_Follow（）
{
fmax=-∞；
for (j=0;j<friend_num;j++)
{
if (di,j<Visual andf(Xj)>fmax)
{
fmax=f(Xj);Xmax=Xj;
}
}
nf=0;
for (j=0;j<friend_num;j++)
对Xi(t)执行觅食行为，计算Xi,prey。
ifmin(f(Xi,swarm),f(Xi,follow),f(Xi,prey))<f(Xi)then
Xi(t+1)=argmin(f(Xi,swarm),f(Xi,follow),f(Xi,prey));
end if
endfor
End
参考文献
1.Yazdani, D., A. Nadjaran Toosi, and M.R. Meybodi.Fuzzy Adaptive Artificial Fish Swarm Algorithm. inAI 2010: Advances in Artificial Intelligence. 2011. Berlin, Heidelberg: Springer Berlin Heidelberg.
（4）
AF_Swarm的伪代码如下：
function AF_Swarm（）
{
nf=0;Xc=0;
for (j=0;j<fried_num;j++)
{
if (di,j<Visual)
{
nf++;Xc+=Xj;

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ａｎｉｍｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ
ＷＵＣｈａｎｇｙｏｕ
（ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＩｎｓｔｉｔｕｔｅｏｆＢｕｓｉｎｅｓｓＡｎｄＴｅｃｈｎｏｌｏｇｙ，Ｙａｎｔａｉ２６４００５，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｂａｓｉｃｐｒｉｎｃｉｐｌｅｓｏｆａｒｔｉｆｉｃｉａｌｆｉｓｈ＇ｓｂｅｈａｖｉｏｒｓｏｆｐｒｅｙ，ｓｗａｒｍ，ｆｏｌｌｏｗａｎｄｂｕｌｌｅｔｉｎｂｏａｒｄｓｅｔｗｅｒｅａｎａｌｙｚｅｄ．Ｉｎｖｅｓｔｉｇａｔｉｏｎｓｗｅｒｅｃｏｎｄｕｃｔｅｄｔｏｅｘｐｌｏｒｅｔｈｅｒｅａｓｏｎｓｗｈｙｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｐｒｏｄｕｃｅｔｈｅｉｎｉｔｉａｌａｒｔｉｆｉ⁃ ｃｉａｌｆｉｓｈｓｗａｒｍ，ａｎｄｗｈｙｉｔａｌｗａｙｓｆａｌｌｓｉｎｔｏｌｏｃａｌｏｐｔｉｏｎａｌｓｏｌｕｔｉｏｎ．Ｔｈｅｐｒｏｐｏｓｅｄｓｏｌｕｔｉｏｎｉｍｐｒｏｖｅｓｔｈｅａｒｔｉｆｉｃｉａｌｆｉｓｈａｌｇｏｒｉｔｈｍｗｉｔｈｔｈｅｍｅｔｈｏｄｏｆｔｈｅｐｒｏｄｕｃｅｏｆｉｎｉｔｉａｌａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍ，ｉｎｔｈｅａｒｔｉｆｉｃｉａｌｆｉｓｈ＇ｓｂｅｈａｖｉｏｒｓｏｆｐｒｅｙ，ｓｗａｒｍａｎｄｆｏｌｌｏｗｉｎｔｒｏｄｕｃｅｄｔｈｅａｄａｐｔｉｖｅｍｏｂｉｌｅｓｔｅｐｌｅｎｇｔｈｗｉｔｈｍｕｔａｔｉｏｎｓｔｒａｔｅｇｙｉｎｔｏｔｈｅａｒｔｉｆｉｃｉａｌｆｉｓｈａｔｔｈｅｓａｍｅｔｉｍｅ，ａｖｏｉｄｉｎｇｆｉｓｈｃａｕｇｈｔｉｎｌｏｃａｌｏｐｔｉｍａ，ｉｍｐｒｏｖｉｎｇｔｈｅａｂｉｌｉｔｙｏｆｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎ．Ｆｉｎａｌｌｙ，ｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉ⁃ ｍｅｎｔｏｆｔｈｅ４ｔｅｓｔｆｕｎｃｔｉｏｎｓｃｏｎｃｌｕｄｅｄｔｈａｔａｓｆｏｒｔｈｅｆｕｎｃｔｉｏｎｏｆｆ１，ｆ２ａｎｄｆ４，ｗｈｉｌｅｔｈｅｉｍｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍａｌｇｏｒｉｔｈｍａｎｄａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍａｌｇｏｒｉｔｈｍｈａｖｅｒｅａｃｈｅｄｔｈｅｏｐｔｉｍａｌｖａｌｕｅ，ｂｕｔｔｈｅｃｏｎｖｅｒｇｅｎｃｅｏｆｔｈｅｉｍ⁃ ｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍａｌｇｏｒｉｔｈｍｉｓｆａｓｔｅｒ．Ａｓｔｏｔｈｅｆｕｎｃｔｉｏｎｏｆｆ３，ｔｈｅｓｔａｎｄａｒｄａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍａｌｇｏｒｉｔｈｍｒｕｎｉｎｔｏｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｉｎｓｅｖｅｒａｌｔｉｍｅｓ＇ｏｐｅｒａｔｉｏｎａｎｄｔｈｅｇｌｏｂａｌｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｃａｎｎｏｔｂｅｆｏｕｎｄ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｈｏｗｓｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄａｃｃｕｒａｃｙｏｆｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｐｒｅｙ；ｓｗａｒｍ；ｆｏｌｌｏｗ；ｍｏｖｉｎｇｓｔｅｐｌｅｎｇｔｈ；ｍｕｔａｔｉｏｎｓｔｒａｔｅｇｙ
中文引用格式：吴昌友．一种新的改进人工鱼群优化算法［Ｊ］．智能系统学报，２０１５，１０（３）：４６５⁃４６９．英文引用格式：ＷＵＣｈａｎｇｙｏｕ．ＡｎｉｍｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓ⁃ ｔｅｍｓ，２０１５，１０（３）：４６５⁃４６９．
第１０卷第３期智能系统学报Ｖｏｌ．１０ №．３２０１５年６月ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＪｕｎ．２０１５
摘要：对人工鱼群优化算法的觅食行为、群聚行为、追尾行为和公告板设置等基本原理进行分析，指出算法在复杂优化问题上产生初始人工鱼群难和陷入局部最优解的原因，提出了改进人工鱼群优化算法，给出了初始人工鱼群产生的方法，在人工鱼群优化算法的觅食行为、群聚行为、追尾行为中引入了自适应移动步长，同时在算法中引入变异策略，避免算法陷入局部最优，提高全局寻优能力。最后通过对４个测试函数进行实验，对于函数ｆ１、ｆ２和ｆ４来说，虽然改进的人工鱼群算法和标准人工鱼群算法都达到了最优值，但是改进的人工鱼群算法收敛的速度更快；函数ｆ３来说，标准人工鱼群算法运行多次都陷入最优解，无法找到全局最优解。因此，实验说明了改进算法的有效性与精确性。关键词：人工鱼群优化算法；觅食；群聚；追尾；移动步长；变异策略中图分类号：ＴＰ１８文献标志码：Ａ文章编号：１６７３⁃４７８５（２０１５）０３⁃０４６５⁃０５
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１４０４０１０网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１５３８．ｔｐ．２０１５０４０９．１６５７．００１．ｈｔｍｌ
一种改进的人工鱼群优化算法
吴昌友
（山东工商学院管理科学与工程学院，山东烟台２６４００５）