【正文】 域的問題的有效方法，智能搜索算法綜合了生物學、計算機和人工智能等各個科學領域的知識，隨著各個科學的發(fā)展，也是逐漸深入的。對TSP問題，優(yōu)化專家們提出各種不同啟發(fā)式算法，以得到該問題的近似優(yōu)化算法。并且取得了一定的成效。JSP仿真，以JSP的實際需求為依據，定義JSP遺傳算法所需要的JSP個體適應度，并設計JSP個體適應度的求解方法。因此，在一開始需要實現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，在此基礎上進行遺傳操作。(5)具有自組織、自適應和自學習性。蟻群算法是一種模擬進化算法，初步的研究表明該算法具有許多優(yōu)良的性質。(3)易與其它方法結合:蟻群算法很容易與多種啟發(fā)式算法結合，以改善算法的功能。螞蟻按照信息素及啟發(fā)式信息的指引構造一步問題的解，進行局部信息素更新。以上算法中，螞蟻逐步構造問題的可行解，在一步解構造過程中，螞蟻以概率方式選擇信息素強且啟發(fā)式因子高的弧達到下一個節(jié)點，直到不能繼續(xù)移動為止。我們以求解平面上個城市的 JSP問題(1，2，…，表示城市序號)為例說明蟻群算法的模型。來模擬實際螞蟻的信息素濃度。經過個時刻。PSO 算法屬于進化算法的一種，和遺傳算法相似，它也是從隨機解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應度來評價解的品質，但它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的“交叉”(Crossover) 和“變異”(Mutation) 操作，它通過追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)。所有的鳥都不知道食物在那里。PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥。然后通疊代找到最優(yōu)解。另外也可以不用整個種群而只是用其中一部分最為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。通常==2，大多數情況 0≤=≤4在每一維粒子的速度都會被限制在一個最大速度，如果某一維更新后的速度超過用戶設定的，那么這一維的速度就被限定為.遺傳算法發(fā)展歷史長，理論基礎完備，已經在組合優(yōu)化領域取得巨大成功。蟻群算法魯棒性強，具有優(yōu)越的正反饋機制，每個個體只能感知局部的信息，一不直接使用全局信息。是一類基于多主體的智能算法，各主體之間通過相互協(xié)作來更好地適應環(huán)境。由于粒子群算法粒子間快速的信息交換，使得粒子群算法早期收斂速度較快，但是這種信息交換方式是建立在粒子都向最優(yōu)方向移動機制的基礎上，使得粒子趨向同一化，所以到尋優(yōu)后期算法容易陷入局部最優(yōu)。并且算法中只使用目標函數的函數值，無需目標函數的梯度值等特殊信息，對各參數的選擇也不很敏感。在一片水域中，魚生存的數目最多的地方就是本水域中富含營養(yǎng)物質最多的地方，根據這一特點來模仿魚群的覓食等行為，從而實現(xiàn)全局最優(yōu)，這就是魚群算法的基本思想。2)避免過分擁擠，這樣就基本實現(xiàn)人工魚的聚群能力。 //AF’s position float AF_step。 //condition of jamming Function。 //behavior of folllow float AF_prey()。 //evaluate and select the behavior float AF_init()。通常初始化AF為隨機分布在變量區(qū)域內的值，算法的終止條件可以根據實際情況設定，通常的方法是判斷連續(xù)多次所得值的均方差是否小于預期的誤差，或直接規(guī)定迭代的次數。對于一種算法，人工魚的覓食行為奠定了算法收斂的基礎，聚群行為增強了算法收斂的穩(wěn)定性和全局性，追尾行為則增強了算法收斂的快速性和全局性，算法中對各參數的取值范圍還是很寬容的，并且對算法的初值也基本無要求。(3)為了限制了聚群的規(guī)模引入擁擠度因子。在覓食行為中，人工魚的個體總是嘗試向更優(yōu)的方向前進，如果發(fā)現(xiàn)比當前狀態(tài)x更好，那么它就向狀態(tài)戈的方向前進一步到達狀態(tài)。通常數據的均值表征本組數據的優(yōu)劣，其標準誤差(SE)則可以反映該組數據的穩(wěn)定性。TSP問題是一個具有廣泛的實用背景與重要的理論價值的組合優(yōu)化難題，許多關于TSP的工作并不是由應用直接推動的，而是因為TSP為其他一般的各類算法提供思想方法平臺，而這些算法廣泛的應用于各種離散優(yōu)化問題，其次，TSP大量的直接應用給研究領域帶來了生機，并引導了未來的工作。其中國表示集合、中元素個數。 (3,8) ()的中心?？偨Y以上的研究，可以得出魚群算法的以下特點:1并行性:多個AF并行的進行搜索。5跟蹤性:隨著工作狀況或其他因素的變更造成的極值點的漂移，本算法具有快速跟蹤變化的能力?？偨Y以上的研究，可以得出魚群算法的以下特點:并行性，簡單性，全局性，快速性，跟蹤性。同時，在學習期間導師為我提供了良好的研究環(huán)境和實踐條件，并對一些創(chuàng)新性的工作給予了大量的指導與支持。17。感謝朋友們在我撰寫論文期間的理解和鼓勵。算法采用自上而下的設計模式，個體行為之間具有相對獨立性和互補性，使得整個算法有較穩(wěn)定的收斂性能。當人工魚個體數自增加時，魚群算法的收斂速度得以提高，而遺傳算法則由于種群數的增多減緩了進化速度，可見魚群算法中蘊含著集群智能的優(yōu)勢。3全局性:算法具有很強的跳出局部極值的能力。并對典型的組合優(yōu)化問題旅行商問題研究，解決編碼方式，旅行商問題中行為的具體實現(xiàn)方法，對經典數據測試，證明算法有好的收斂精度和速度。在人工魚TSP問題中通過計算distance(A，B)可以得出兩條魚之間的距離，如果距離小于Visual那么這兩條魚就是互為鄰居。，表示商人沒有選擇走這條路。AFnumbe的增加對迭代次數的減少時呈冪指數下降的，這或許能補償一下由于人工魚數目增加而造成的計算量增加的問題，因此，合理選擇人工魚的數目是提高算法效率的關鍵，這一規(guī)律是否具有一般性還有待進一步研究，如與目標函數的性質有無關系，與算法的代碼有無關系等。由于每次巡視的視點都是隨機的，所以不能保證每一次覓食行為都是向著更優(yōu)的方向前進的，這在一定程度上減緩了收斂的速度，但是從另一方面看，這又有助于人工魚擺脫局部極值的誘惑，從而去尋找全局極值。(4)聚群行為能夠促使少數陷入局部極值的人工魚向多數趨向全局極值的人工魚方向聚集，從而逃離局部極值。 (1)在前往局部極值的途中，人工魚有可能轉而游向全局極值，當然其相反的一面也會發(fā)生的，就是在去往全局極值的途中，可能轉而游向局部極值，這對一個個體當然不好判斷它的禍福，但是對于群體來說，好的一面往往會具更大機率。追尾行為有助于快速的向某個極值方向前進，加快尋優(yōu)速度，并防止AF在局部震蕩而停滯不前。}。 float AF swarm()。//food consistence of AF’s cyrrent