人工鱼群法在组合优化问题的研究毕业论文

合集下载

基于鱼群神经网络的信息安全性评价与研究论文

基于鱼群神经网络的信息安全性评价与研究论文基于鱼群神经网络的信息安全性评价与研究论文信息安全评估是保障和维护网络信息安全的重要环节。针对BP神经网络技术在对信息安全进行评估时存在的收敛速度慢、不易获得全局最优解、诊断精度低以及网络结构不确定等缺点，而人工鱼群算法具有较优的全局收敛能力及较快的寻优速度。因此，本文利用人工鱼群算法对BP神经网络的初始权值和阈值进行了优化，建立了一种新的网络信息安全评价模型，并将该模型应用到具体的评价实例中。结果表明，人工鱼群神经网络算法具有收敛速度快及泛化能力强的优点，为信息安全评估提供一种高效、准确及可靠的方法。目前国内外常用的信息安全风险评价模型主要由层次分析法(AHP)、基于概率统计的ALE算法，模糊综合评价法等，也取得了一定的研究成果。但上述算法的基本思想是基于线性映射和概率密度分布的，即各风险指标与最终评价结果之间存在着线性关系[2]。然而，这种关系的存在是否科学至今也没有得到准确的答复，同时这些方法在实施时虽然给出了定量计算的算法，但操作较为繁琐，难以达到快速识别的要求。目前应用较广泛的BP神经网络评价算法存在着网络参数难确定、收敛速度较慢且易陷入极小值等问题。为了解决上述问题，本文应用鱼群算法对BP神经网络进行了改进，结合信息安全评价实例进行了测试，并将测试数据与标准BP神经网络进行了比较与分析，取得了理想的结果。一、信息安全的概念所谓的信息安全评估指的是通过分析信息系统所包含的资产总值、识别系统本身的防御机制以及所受到的危险性系数，利用数学模型综合判断出系统当前的风险值。信息安全风险评估主要包括三方面的内容，分别是资产总值识别、外部威胁识别以及脆弱性识别。资产总值识别是为了识别出系统所涉及的资产总值，外部威胁识别指的是识别当前状态下系统受攻击或威胁的程度，而脆弱性识别指的是系统自身的脆弱性程度。其中综合考虑外部威胁以及内部脆弱性可以得出发生风险事件的危害性，而自然总值识别再加上脆弱性识别就可以得到系统的易损性，基于上述过程可以得到信息安全系统的风险值。二、基本BP神经网络算法 BP神经网络算法是一种采用误差反向传播的多层前馈感知器。其特点是具有分布式的信息存储方式，能进行大规模并行处理，并具有较强的自学习及自适应能力。BP网络由输入层(感知单元)、计算层(隐藏层)、输出层三部分组成。输入层神经元首先将输入信息向前传递至隐含层节点，经过激活函数预处理后，隐层节点再将输出信息传送至输出层得到结果输出。输入层与输出层节点的个数取决于输入、输出向量的维数，隐含层节点个数目前并没有统一的标准进行参考，需通过反复试错来确定。根据Kolmogorov定理，具有一个隐层的三层BP神经网络能在闭集上以任意精度逼近任意非线性连续函数，所以本文选择单隐层的BP神经网络。三、人工鱼群算法 3.1基本原理通过对鱼类觅食的观察可知，鱼类一般能自行或者尾随其他同伴找到食物数量相对充足的地方。因此，一般鱼类数量较多的地区即为食物相对充足的区域。人工鱼群算法是指通过长期对鱼类觅食行为的观察，构造人工鱼来模拟鱼类的觅食、群聚、尾随以及随机行为，从而完成全局最优值的寻找。算法所包含的基本过程如下：觅食行为：鱼类会利用视觉或嗅觉来感知水中食物浓度的高低，以此来选择觅食的路线。聚群行为：鱼类一般会以群体形式进行觅食，以此来躲避天敌的伤害并以最大概率获得准确的觅食路线。尾随行为：当群体中的某条鱼或几条鱼寻找到食物后，其附近的其他同伴会立刻尾随而来，其他更远处的鱼也会相继游过来。随机行为：鱼在水中的活动是不受外界支配的，基本上处于随机状态，这种随机性有利于鱼类更大范围的寻找食物及同伴。 3.2 鱼群算法优化BP神经网络的原理 BP神经网络在求解最优化问题时容易陷入局部极值，并且网络的收敛速度较慢。鱼群算法通过设定人工鱼个体，模拟鱼群在水中的觅食、尾随和群聚行为，通过个体的局部寻优，最终实现全局寻优。人工鱼在不断感知周围环境状况及同伴状态后，集结在几个局部最优点处，而值较大的最优点附近一般会汇集较多的人工鱼，这有助于判断并实现全局最优值的获取。因此用人工鱼群算法来优化BP神经网络是一种合理的尝试。 3.3 具体工作步骤人工鱼群算法用于优化神经网络时的具体步骤如下： ①设定BP神经网络结构，确定隐层节点数目; ②设定人工鱼参数，主要包括个体间距离、有效视线范围以及移动步长等; ③人工鱼进行觅食、群聚及尾随行为来优化BP神经网络; ④通过设定的`状态参量，判断是否达到目标精度; ⑤若达到精度要求则输出网络优化权值，并执行网络循环，否则继续改化参数进行优化; ⑥输出最终优化参数并进行计算机网络安全评价。四、仿真实验将信息安全风险评估常用的3项评价指标的分值作为BP神经网络的输入，网络的期望输出只有一项，即安全综合评价分值。目前用于信息安全风险评价的数据还很少，本文采用文献[3]所列的15组典型信息安全单项指标评价数据，其中1-10项作为训练，11-15项用于仿真。通过实际实验分析，本文将权值调整参数α=0.1，阈值调整参数β=0.1，隐层神经元数目为6，学习精度ε=0.0001。网络经过2000次训练，收敛于所要求的误差，人工鱼群算法的相关参数：种群大小为39;可视域为0.8;最大移动步长为0.6;拥挤度因子为3.782。然后对检验样本及专家评价样本进行仿真，结果如表1所示。可以看出，鱼群神经网络得到的仿真结果与期望值之间的平均误差为0.001，而标准BP神经网络为0.0052，所以鱼群神经网络的得到的仿真精度较高，取得了理想的实验结果。五、结论本文将鱼群算法和神经网络结合起来对信息安全评价进行了研究，得到了如下几个结论： (1) 基于鱼群算法优化后的BP神经网络具有收敛速度快、拟合精度高等优点，克服了标准BP神经网络收敛速度慢、容易陷入局部极小值的缺点。同时，优化算法编码过程简单，并具有较强的鲁棒性。 (2) 本文采用的实验数据仅有15个，基于鱼群算法优化后的BP神经网络精度有明显提高，避免了由于样本数量少造成的拟合精度低等缺点。 (3) 通过将标准BP神经网络算法与鱼群神经网络算法进行对比发现，后者的收敛速度明显加快并且自组织能力也有一定提高，在实际的工程建设中可以将其代替传统的BP神经网络算法来进行信息安全的风险评估。

双序列比对人工鱼群算法蚁群算法论文

基于智能算法的DNA序列比对研究【摘要】计算机分子生物学是一门交叉学科,以计算机、网络为工具,采用数学、信息科学、生物学的理论、方法和技术来研究生物大分子。

生物信息学的目的是揭示遗传和功能信息的根本规律,以及基因组信息结构的复杂性,进一步解释生物的遗传语言。

序列比对是生物信息学中基本的信息处理方法之一,可以发现生物序列之间的进化、功能和结构信息,为生物信息学提供理论基础。

序列比对分析最初是由生物同源性的研究提出的,后随着技术发展,其应用范围越来越广。

本文重点介绍了分子生物学的背景知识、DNA序列比对的基本原理、人工鱼群算法与蚁群算法的基本思想。

首先介绍了序列比对涉及的基本问题:基本操作、相关定义、空位罚分和替换矩阵,然后介绍了双序列比对算法:NW算法、Smith-Waterman算法与BLAST算法,针对多序列比对,介绍了基本算法有:渐进比对算法和迭代比对算法。

最后将人工鱼群算法应用在DNA双序列比对中,通过实验证明了算法的可行性。

同时对经典蚁群算法进行改进,并将改进的智能蚁群算法应用在双序列比对中,通过实验证明算法的速度和准确率都有了明显的提高。

本文第四章中,通过对人工鱼群算法的基本思想、运算流程及应用等方面的研究,将其应... 更多还原【Abstract】 Computational Molecular Biology is aninterdisciplinary which uses computers, Internet, Mathematics, Informatics and Biology as tools to deal with research onbiomacromolecule. The purpose of Computational Molecular Biology is to reveal basic rules for genetic information, functional information and the complexity of genome structure. Sequence alignment is a basic information processing approach in Computational Molecular Biology. Sequence alignment can find genentic information, functional info... 更多还原【关键词】双序列比对；人工鱼群算法；蚁群算法；【Key words】DNA pair-wise sequence alignment；Artificial Fish-swarm Algorithm；Ant Colony Algorithm；【索购全文】Q联系Q：138113721 Q联系Q: 139938848付费即发摘要6-7Abstract 7-8第一章绪论9-151.1 研究背景和意义9-101.1.1 研究背景9-101.1.2 序列比对意义101.2 国内外研究现状10-121.2.1 双序列比对10-111.2.2 多序列比对11-121.3 本文主要研究内容12-131.3.1 序列比对算法121.3.2 基于人工鱼群算法的DNA 双序列比对121.3.3 基于改进蚁群算法的DNA 双序列比对12-131.4 本文创新点131.5 本文组织结构13-15第二章DNA 序列比对15-252.1 生物信息学背景知识15-172.1.1 蛋白质与核酸15-162.1.2 中心法则16-172.2 DNA 序列比对的数学描述17-202.2.1 DNA 双序列比对的数学描述17-182.2.2 DNA 多序列比对的数学描述18-202.3 序列比对基本原理20-252.3.1 基本操作202.3.2 相关定义20-212.3.3 空位罚分21-222.3.4 替换矩阵22-25第三章序列比对算法研究25-323.1 双序列比对算法25-293.1.1 NW 算法25-263.1.2 Smith-Waterman 算法26-283.1.3 BLAST 算法28-293.2 多序列比对算法29-323.2.1 渐进比对算法29-313.2.2 迭代比对算法31-32第四章基于人工鱼群算法的DNA 双序列比对32-444.1 人工鱼群算法32-374.1.1 人工鱼群算法的基本思想32-334.1.2 人工鱼群算法的定义33-344.1.3 人工鱼群算法的描述34-364.1.4 人工鱼群算法的研究现状36-374.2 人工鱼群算法在DNA 双序列中的应用37-424.2.1 算法思想37-404.2.2 算法描述40-414.2.3 算法流程41-424.3 算法实现与实验结果分析42-434.3.1 参数设置424.3.2 实验结果与分析42-434.4 本章小结43-44第五章基于改进蚁群算法的DNA 双序列比对44-565.1 蚁群算法的原理与应用44-475.1.1 蚁群算法的基本原理445.1.2 蚁群算法的发展44-455.1.3 蚁群算法的计算模型45-465.1.4 蚁群算法的应用46-475.2 蚁群算法在DNA 双序列比对的应用47-505.2.1 蚁群算法求解DNA 双序列比对的模型47-485.2.2 蚁群算法求解DNA 序列比对的算法流程48-505.3 改进蚁群算法在DNA 双序列比对中的应用50-525.3.1 算法改进策略50-515.3.2 算法描述51-525.4 算法实现与实验结果分析52-555.4.1 参数设置525.4.2 实验结果与分析52-555.5 本章小结55-56第六章总结与展望56-586.1 研究总结566.2 研究展望56-58参考文献。

人工鱼群和蒙特卡罗混合算法的应用

人工鱼群和蒙特卡罗混合算法的应用李军民;李立博【摘要】为方便快捷地使用计算机求解二重积分的数值解,采用人工鱼群和蒙特卡罗的混合算法,将蒙特卡罗求解二重积分数值解的思想引入到人工鱼群算法中,改进了人工鱼群算法中的适应度函数和积分求和公式.最后,通过一个算例进行了验证,实验结果表明:当分割点数目仅为100时,误差已经降低为0.000 4107;而进化策略的实验结果是:当分割点数目达到1 024时,误差才降为0.000 148.改进的后算法一方面很好的体现了人工鱼群算法易于和蒙特卡罗算法结合的优点,另一方面在保留改进的蒙特卡罗算法原有优点的基础上,也在一定程度上减少了分割点的数目,提高了算法的收敛速度和数值计算精度.经过分析研究与实例验证,其计算结果和其他方法进行比较表明该方法是可行有效的,对构建高效的二重积分数值求解算法进行了有益的探索.【期刊名称】《西安科技大学学报》【年(卷),期】2014(034)002【总页数】4页(P224-227)【关键词】二重积分数值解;人工鱼群算法;蒙特卡罗算法【作者】李军民;李立博【作者单位】西安科技大学计算机科学与技术学院,陕西西安710054;西安科技大学计算机科学与技术学院,陕西西安710054【正文语种】中文【中图分类】TP301.60 引言人工鱼群算法继承了基本鱼群算法的特性:从人工鱼个体的最底层寻优到整个鱼群的全局寻优。

目前人工鱼群算法在数值计算方面，已经由解决一维静态优化问题发展到解决二维甚至更高维的动态组合优化问题，其特点就是无需借助目标函数的梯度值等信息，仅使用目标函数的函数值，在搜索全局最优解的过程中具有一定的自适应能力。

特别是人工鱼群算法对初值无要求、参数的选择在某种程度上也不敏感，使得算法更加具有并行、全局、快速、跟踪等特点。

该算法已经广泛应用到通信［1-3］、神经网络、数据挖掘、控制、交通等领域，同时为NP 类问题、参数优化［4］、数值求解［5-7］、模型求解等问题［8-10］提供了很好的求解途径。

人工鱼群算法的改进

高了搜索效率。采用了自适应拥挤度因子并提出新的适应度函数，加快了系统满意解的收敛速度，使数值解更加稳定。
实验结果表明，与基本人工鱼群算法相比，该方法具有明显的优越性。关键词：随机行为；拥挤度因子；适应度函数；人工鱼群算法；优化中图分类号：ＴＰ３０１．６文献标识码：Ａ文章编号：１６７３ — ６２９Ｘ（２０１６）１１ — ００３７ — ０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－６２９Ｘ．２０１６．１１．０ｏ８
ＩｍｐｒｏｖｅｍｅｎｔｏｆＡｒｔｉｉｃｆｉａｌＦｉｓｈＳｗａｒｍＡｌｇｏｒｉｔｈｍ
（１．南京理工大学理学院，江苏南京２１００９４；２．海军指挥学院科研部，江苏南京２１００１６）
摘要：人工鱼群算法（ＡＦＳＡ）是一种新型随机搜索优化算法。通过初步的研究表明，该算法具有许多优良的性质，但也
ｄａｐｔｉｏｎａｄｊｕｓｔｓｈｅｔｐａｒａｍｅｔｅｒｏｆｔｈｉｓｅｈｂａｖｉｏｒ，ａｎｄａｌａｒｇｅｎｕｍｂｅｒｏｆｕｎｕｓｅｄｃｉｒｃｕｉｔｏｕｓｓｅａｒｃｈｅｓａｅｒｒｅｄｕｃｅｄ，ａｎｄａｎｌ０ｒｅｃｏｍｐｌｅｅｔｓｅａｒｃｈ

基于人工鱼群算法的桁架结构的优化

基于人工鱼群算法的桁架结构的优化李彦苍;程芳萌;杨贝贝;张学志【摘要】In view of the slow convergence and low accuracy of the artificial fish - swarm algorithm for the optimal design of truss structures, the Logistic equation was used to initialize the fish group to improve the efficiency and quality of solution on the initial stage of the algorithm, and the inertia weight adjustment strategy of particle swarm optimization was used to adjust the artificial fish' s vision and to step to raise the speed and accuracy of optimization in the process of operation. Then the improved artificial fish - swarm algorithm was applied to the truss structural optimization, and the optimal design model was established with the section size of the truss as the design variable, the minimum structural weight of structure as the objective function. The Matlab was used for the optimization analysis of the model, and the result was compared with those of other algorithms. It is showed that the algorithm is improved in the convergence rate and searching precision and the effect is obvious especially on the initial stage.%针对基本人工鱼群算法在解决桁架结构优化问题时存在的后期收敛速度慢、寻优精度不高等缺陷,在算法初期采用Logistic方程初始化解群,提高求解效率和质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,以提高寻优的速度和精度.将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构最小重量为目标函数建立优化设计模型,运用MATLAB进行模型优化分析,并与其它算法优化结果进行对比.结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显.【期刊名称】《河北工程大学学报（自然科学版）》【年(卷),期】2012(029)001【总页数】4页(P5-7,11)【关键词】人工鱼群算法;尺寸优化;桁架;自适应;混沌【作者】李彦苍;程芳萌;杨贝贝;张学志【作者单位】河北工程大学土木工程学院,河北邯郸056038;河北工程大学土木工程学院,河北邯郸056038;河北工程大学土木工程学院,河北邯郸056038;滨州运通房地产开发有限公司,山东滨州256600【正文语种】中文【中图分类】TU323桁架结构的优化设计思想从马克斯威尔理论的提出到米歇尔桁架的出现，已有百年历史。

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;

基于蚁群与鱼群的混合优化算法

2008年7月July 2008—206— 计算机工程Computer Engineering 第34 第14期Vol 卷.34 No.14 ·人工智能及识别技术·文章编号：1000—3428(2008)14—0206—02文献标识码：A中图分类号：TP301.6基于蚁群与鱼群的混合优化算法修春波1，张雨虹2(1. 天津工业大学计算机技术与自动化学院，天津 300160；2. 唐山学院信息工程系，唐山 063000)摘要：基于鱼群算法和蚁群算法提出一种混合优化算法用于求解组合优化问题。

将鱼群算法中拥挤度的概念引入到蚁群算法中，在优化过程的初期，设置较强的拥挤度限制，保证大部分蚂蚁不受信息素浓度的影响而进行随机寻优。

随着寻优迭代次数的增加，拥挤度的限制逐渐减弱，最后蚁群完全由信息素和启发信息来指导寻优。

在寻优初期该算法具有较强的遍历寻优能力，能够较快发现全局最优解的存在，而寻优后期，算法利用信息素正反馈的作用保持了较快的收敛速度。

仿真结果验证了该方法的有效性。

关键词：人工鱼群算法；蚁群算法；组合优化Hybrid Optimization Algorithm Based on Ant Colony and Fish SchoolXIU Chun-bo 1, ZHANG Yu-hong 2(1. School of Computer Technology and Automation, Tianjin Polytechnic University, Tianjin 300160;2. Department of Information Engineering, Tangshan College, Tangshan 063000)【Abstract 】This paper proposes a hybrid optimization algorithm to resolve combinatorial optimization problem. Aswarm degree in the artificial fish school algorithm is used in ant colony algorithm. During the initial process of the optimization, the aswarm degree plays the main role to guide the ants to search the new path randomly, which makes the algorithm have the stronger ergodicity searching ability. The role of the aswarm degree gradually decreases to zero, the algorithm becomes the conventional ant colony and completes the optimal process by the principle of pheromone positive feedback, which insures the algorithm to have a quick convergence rate. Simulation results prove the validity of the algorithm. 【Key words 】artificial fish school algorithm; ant colony; combinatorial optimization许多实际工程问题最终都可以转化为优化问题进行求解。

粒子群及人工鱼群算法优化研究

粒子群及人工鱼群算法优化研究洪蕾【摘要】本文分析了粒子群算法和人工鱼群算法的基本原理,提出粒子群及人工鱼群算法优化策略,该算法综合利用了人工鱼群算法良好的全局收敛性及粒子群算法快速的局部收敛性,算法易实现,同时,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,粒子群及人工鱼群优化算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.【期刊名称】《软件》【年(卷),期】2014(035)008【总页数】4页(P83-86)【关键词】粒子群算法;人工鱼群算法;收敛性;算法优化【作者】洪蕾【作者单位】金陵科技学院江苏南京 211169【正文语种】中文【中图分类】TP301.60 引言粒子群优化(PSO)算法是由Kennedy和Eberhart于1995年用计算机模拟鸟群觅食这一简单的社会行为时，受到启发，简化之后而提出的[1-2]。

粒子群优化(PSO)是一种新兴的基于群体智能的启发式全局搜索算法，具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，成为发展最快的智能优化算法之一。

人工鱼群算法是一种基于模拟鱼群行为的随机搜索优化算法,主要利用了鱼的觅食、聚群和追尾行为，从构造单条鱼的底层行为做起，通过鱼群中各个体的局部寻优达到全局最优值在群体中突现来的目的。

本文通过对两种算法的研究比对，提出基于这两种算法相结合的优化算法。

1 算法概述1.1 粒子群优化算法在粒子群优化算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。

所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。

然后粒子们就追随当前的最优粒子在解空间中搜索。

优化开始时先初始化为一群随机粒子(随机解)。

然后通过迭代找到最优解。

在每一次迭代中，粒子通过跟踪两个极值来更新自己。

第一个极值就是整个种群目前找到的最优解。

这个极值是全局极值。

另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。

基于人工鱼群的优化K-means聚类算法

万方数据
万方数据
万方数据
万方数据
万方数据
基于人工鱼群的优化K-means聚类算法
作者：于海涛，贾美娟，王慧强，邵国强， YU Hai-tao， JIA Mei-juan， WANG Hui-qiang， SHAO Guo-qiang
作者单位：于海涛,贾美娟,YU Hai-tao,JIA Mei-juan(大庆师范学院计算机科学与信息技术学院大庆163712;哈尔滨工程大学计算机科学与技术学院哈尔滨150001)，王慧强,WANG Hui-qiang(哈尔滨工程大学计算机科
学与技术学院哈尔滨150001)，邵国强,SHAO Guo-qiang(大庆师范学院计算机科学与信息技术学院大
庆163712)
刊名：
计算机科学
英文刊名：Computer Science
年，卷(期)：2012,39(12)
本文链接：/Periodical_jsjkx201212014.aspx。

改进的鱼群算法

人工鱼群算法是一种收敛速度快、全局优化能力强的新型群智能算法。

然而,在基本鱼群算法的应用中发现:在迭代前期,算法具有较强的搜索能力;但在运行后期,其搜索能力减弱,易陷入局部极值,且搜索到的最优解精度不高。

针对上述弱点,提出对可视域和步长采用自适应变化策略,引入变异算子策略,通过消亡操作对部分个体进行重新初始化或变异,对基本鱼群算法进行改进,并以函数优化和多维变量的非线性优化问题为例进行了实验研究。

结果表明:改进后的人工鱼群算法具有较好的优化效果。

关键词:改进人工鱼群算法;函数优化;自适应策略;投影寻踪模型1 引言人工鱼群算法是国内学者李晓磊等[1-2]模仿鱼类行为方式提出的一种基于动物行为的新型仿生优化方法,该算法根据“水域中鱼生存数目最多的地方一般就是该水域中富含营养物质最多的地方”这一特点来模拟鱼群的觅食等行为来实现全局优化的,是集群智能思想的一个具体应用。

该算法具有良好的克服局部极值、取得全局极值的能力,并且算法的实现不需要目标函数的梯度值等信息,只需要对问题进行优劣的比较,对搜索空间具有一定的自适应能力,有着较快的收敛速度[3]。

目前,人工鱼群算法已应用到许多领域。

李晓磊等最初将其用于解决连续性函数优化问题和解决组合优化问题(以TSP问题为例),取得了较好的寻优效果;此外,在解决PID参数的整定问题方面,鱼群算法也表现出较好的有效性[2]。

此后,马建伟等将鱼群算法用于神经网络的训练过程,表明了鱼群算法具有鲁棒性强、全局收敛性好的特点[4];唐剑东等将其用于电力系统的无功优化,进行了实例分析,结果表明鱼群算法具有鲁棒性强、全局收敛性好的特点[5];李祚泳等将其用于可持续发展评价、水资源可持续利用评价过程中公式的参数优化,也取得了满意的优化效果。

[6]虽然基本鱼群算法在应用中具有一定的优化特性,但在应用过程中发现,一方面鱼群算法前期收敛速度快,能较快地逼近极值点,但在算法运行后期,鱼群的多样性变差,导致算法进化停滞不前,易陷入局部极值点。

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)。

学生毕业设计（论文）课题名称人工鱼群法在组合优化问题的研究

姓名何少武学号 0909401-17 院系数学与计算科学学院专业数学与应用数学指导教师林仁讲师

2013年4月23 日

※※※※※※※※※ ※※ ※※ ※※ ※※※※※※※※※

2013届学生毕业设计(论文)材料（四） I 湖南城市学院本科毕业设计（论文）诚信声明

本人郑重声明：所呈交的本科毕业设计（论文），是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本设计（论文）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。

本科毕业设计（论文）作者签名：二○ 年月日 II

摘要... ........................................................1

关键词... ......................................................1 Abstract... .................................................. .1 Keywords... ............................................... ....1 1绪论.... .........................................................2 1.1课题背景及意义................................................2 1.2课题的研究现状............................................... 2 2解决组合优化问题的几种智能算法.......... ........ .... ...........3 2.1遗传算法...... .............................................. 3 2.2蚁群算法......... ............................................4 2.3粒子群算法........................................... ..... ..5 2.4几种智能算法特点........................................... ..6 2.5小结...... ......................................... ...... ..7 3基本人工鱼群算法.................................... .. ..........7 3.1人工鱼群算法模型............................................ .7 3.2算法描述.................................................... .8 3.3算法全局收敛性............................................... 11 3.4各参数对收敛性能的影响分析.，................................ .12 3.5应用........................................................ .12 3.6小结......................................................... 12 4总结和展望................................................... .. .14 参考文献......................................... ...... ...... ..14 致谢....................................................... .....15 1

人工鱼群算法在组合优化问题的研究何少武

摘要：组合优化问题在现实生活中有着很广泛的应用，并且有很强的工程代表性，但最优

化解很困难，目前对组合优化问题的求解主要以启发式算法为主。人工鱼群算法是一种新的群智能优化算法，其原理简单，收敛速度快，求解精度高。近年来得到广泛关注和应用。人工鱼群算法的觅食行为是算法全局收敛的基础，聚群行为和追尾行为更加增强了算法的全局收敛性。蚁群算法决旅行商问题存在收敛速度慢，而且参数的设定对算法的性能影响很大，而人工鱼群算经过实例证明具有优于蚁群算法的收敛速度。关键字:人工鱼群算法;组合优化问题;群聚行为；蚁群算法

Artificial fish algorithm in combinatorial optimization problem He shao wu Abstract：Combinatorial optimization problem has a very wide range of applications in real life,

and has a strong engineering representative, but best to resolve the very difficult, solving combinatorial optimization problems mainly heuristic algorithm. Artificial fish swarm algorithm is a new swarm intelligence optimization algorithm, the principle is simple, fast convergence and high accuracy. In recent years has been widespread concern and applications. The feeding line of the artificial fish swarm algorithm is a global convergence on the basis of the behavior of clusters and rear-end behavior and more to enhance the global convergence of the algorithm. Ant colony algorithm decision traveling salesman problems of slow convergence and parameter settings affect the performance of the algorithm, artificial fish school operator through examples prove better than the ant colony algorithm convergence rate. Keywords: artificial fish swarm algorithm; combinatorial optimization problems; flocking

behavior;genetic algorithms 2

1 绪论 1.1课题背景及意义优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题。组合优化，又称离散优化问题，是通过对数学方法的研究去寻找离散事件的最优编排、分组、次序或筛选等，是运筹学中一个经典且重要的分支，随着计算机科学、管理科学、现代化生产技术等的日益发展，这类问题与日俱增，受到诸多学者的高度重视。典型的组合优化问题有旅行商问题、背包问题、车间作业调度问题、装箱问题、图着色问题、聚类问题等。这些问题描述简单，并且有很强的工程代表性，但最优化求解很困难，其主要原因是求解这些问题的算法需要极长的运行时间与极大的存储空间，以致根本不可能在现有计算机上实现，即所谓的“组合爆炸”。目前常见的启发式算法有遗传算法、模拟退火算法、禁忌搜索算法、人工鱼群算法、蚁群算法、粒子群算法等。人工鱼群算法是我国学者在2002年提出的一种新的群智能算法。得到国内外学者的广泛关注，目前处于研究改进阶段。人工鱼群算法已经成为交叉学科中一个非常活跃的研究问题。人工鱼群算法对目标函数的性质要求不高，对初值要不高，对参数设定的要求不高，具备全局优化能力，能够快速跳出局部极值点。具有并行性，简单性，全局性，快速性。 1.2课题的研究现状优化问题是生产过程中广泛存在的一个问题，经过优化处理后，生产过程系统会降低能量消耗、提高生产效率。为提供解决优化领域的问题的有效方法，智能搜索算法综合了生物学、计算机和人工智能等各个科学领域的知识，随着各个科学的发展，也是逐渐深入的。人工鱼群算法是一种新型的智能优化算法，目前用人工鱼群算法解决组合优化问题还是一个比较新的领域。人工鱼群算法（AFSA）是浙江大学的李晓磊、钱积新等人提出的，2002年李晓磊在其博士论文中对人工鱼群算法进行了系统的介绍。与其他群集智能算法相比，人工鱼群算法既有相同点又有自己的特点和相异之处。对TSP问题，优化专家们提出各种不同启发式算法，以得到该问题的近似优化算法。这些不同算法的共同目的是尽量提高其解的精度。各类启发式算法是目前比较理想的算法，适用于不同规模和时间要求的TSP问题，他们都可以得到局部最优解或全局最优解。