【正文】 域的問題的有效方法，智能搜索算法綜合了生物學(xué)、計(jì)算機(jī)和人工智能等各個科學(xué)領(lǐng)域的知識，隨著各個科學(xué)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(shí)際需求為依據(jù)，定義JSP遺傳算法所需要的JSP個體適應(yīng)度，并設(shè)計(jì)JSP個體適應(yīng)度的求解方法。因此，在一開始需要實(shí)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(yīng)度函數(shù)值來評估個體，在此基礎(chǔ)上進(jìn)行遺傳操作。(5)具有自組織、自適應(yīng)和自學(xué)習(xí)性。蟻群算法是一種模擬進(jìn)化算法，初步的研究表明該算法具有許多優(yōu)良的性質(zhì)。(3)易與其它方法結(jié)合:蟻群算法很容易與多種啟發(fā)式算法結(jié)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(gòu)造一步問題的解，進(jìn)行局部信息素更新。以上算法中，螞蟻逐步構(gòu)造問題的可行解，在一步解構(gòu)造過程中，螞蟻以概率方式選擇信息素強(qiáng)且啟發(fā)式因子高的弧達(dá)到下一個節(jié)點(diǎn)，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(shí)際螞蟻的信息素濃度。經(jīng)過個時刻。PSO 算法屬于進(jìn)化算法的一種，和遺傳算法相似，它也是從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評價解的品質(zhì)，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(dāng)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(shù)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(shè)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(chǔ)完備，已經(jīng)在組合優(yōu)化領(lǐng)域取得巨大成功。蟻群算法魯棒性強(qiáng)，具有優(yōu)越的正反饋機(jī)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(yīng)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(jī)制的基礎(chǔ)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(biāo)函數(shù)的函數(shù)值，無需目標(biāo)函數(shù)的梯度值等特殊信息，對各參數(shù)的選擇也不很敏感。在一片水域中，魚生存的數(shù)目最多的地方就是本水域中富含營養(yǎng)物質(zhì)最多的地方，根據(jù)這一特點(diǎn)來模仿魚群的覓食等行為，從而實(shí)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(shí)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(jī)分布在變量區(qū)域內(nèi)的值，算法的終止條件可以根據(jù)實(shí)際情況設(shè)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(yù)期的誤差，或直接規(guī)定迭代的次數(shù)。對于一種算法，人工魚的覓食行為奠定了算法收斂的基礎(chǔ)，聚群行為增強(qiáng)了算法收斂的穩(wěn)定性和全局性，追尾行為則增強(qiáng)了算法收斂的快速性和全局性，算法中對各參數(shù)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(jìn)，如果發(fā)現(xiàn)比當(dāng)前狀態(tài)x更好，那么它就向狀態(tài)戈的方向前進(jìn)一步到達(dá)狀態(tài)。通常數(shù)據(jù)的均值表征本組數(shù)據(jù)的優(yōu)劣，其標(biāo)準(zhǔn)誤差(SE)則可以反映該組數(shù)據(jù)的穩(wěn)定性。TSP問題是一個具有廣泛的實(shí)用背景與重要的理論價值的組合優(yōu)化難題，許多關(guān)于TSP的工作并不是由應(yīng)用直接推動的，而是因?yàn)門SP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(yīng)用于各種離散優(yōu)化問題，其次，TSP大量的直接應(yīng)用給研究領(lǐng)域帶來了生機(jī)，并引導(dǎo)了未來的工作。其中國表示集合、中元素個數(shù)。 (3,8) ()的中心。總結(jié)以上的研究，可以得出魚群算法的以下特點(diǎn):1并行性:多個AF并行的進(jìn)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(diǎn)的漂移，本算法具有快速跟蹤變化的能力?？偨Y(jié)以上的研究，可以得出魚群算法的以下特點(diǎn):并行性，簡單性，全局性，快速性，跟蹤性。同時，在學(xué)習(xí)期間導(dǎo)師為我提供了良好的研究環(huán)境和實(shí)踐條件，并對一些創(chuàng)新性的工作給予了大量的指導(dǎo)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(shè)計(jì)模式，個體行為之間具有相對獨(dú)立性和互補(bǔ)性，使得整個算法有較穩(wěn)定的收斂性能。當(dāng)人工魚個體數(shù)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(shù)的增多減緩了進(jìn)化速度，可見魚群算法中蘊(yùn)含著集群智能的優(yōu)勢。3全局性:算法具有很強(qiáng)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(shí)現(xiàn)方法，對經(jīng)典數(shù)據(jù)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(jì)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(shù)的減少時呈冪指數(shù)下降的，這或許能補(bǔ)償一下由于人工魚數(shù)目增加而造成的計(jì)算量增加的問題，因此，合理選擇人工魚的數(shù)目是提高算法效率的關(guān)鍵，這一規(guī)律是否具有一般性還有待進(jìn)一步研究，如與目標(biāo)函數(shù)的性質(zhì)有無關(guān)系，與算法的代碼有無關(guān)系等。由于每次巡視的視點(diǎn)都是隨機(jī)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(jìn)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(shù)陷入局部極值的人工魚向多數(shù)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(zhuǎn)而游向全局極值，當(dāng)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(zhuǎn)而游向局部極值，這對一個個體當(dāng)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(jī)率。追尾行為有助于快速的向某個極值方向前進(jìn)，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