【正文】 sh to find the feasible solution .After each iteration, the best solution will be on the bulletin board. When all iterations are finished, the solution on the bulletin boards is the optimal solution. Mixed artificial intelligence algorithms can overe the shortings that AFSA would be premature and ABC would not have a high degree of convergence. Under the same condition, mixed artificial intelligence algorithms will generally obtain a better solution than that of AFSA and ABC. Keyword: ABC, AFSA , artificial intelligence algorithm 3 1 引言 隨著市場經(jīng)濟發(fā)展步伐的加快，作為 “第三利潤源泉 ”的物流行業(yè)對經(jīng)濟活動的影響益明顯，越來越引起人們的重視 [1]。隨著問題規(guī)模的增大，使用數(shù)學(xué)中的確定算法獲精確解幾乎是不可能的 [4]。 人工蜂群算法是 2021年由土耳其學(xué)者 KaraBoga[11]提出的模擬蜜蜂群體尋找優(yōu)質(zhì)蜜源的一種動物仿真的智能算法，是群體智能思想的應(yīng)用。為了研究方便起見，本文假設(shè)不存在某客戶的需求量超過一個貨車載重量的 情況，并且所有車輛的載重量相同，同時不考慮時間窗約束，僅僅將車輛的最短行駛距離作為目標函數(shù)。 VRP 的解 必須滿足 以 下條件： （ 1） 每個需求點的需求量均小于或等于配送貨車的載重量； （ 2） 客戶的需求必須得到滿足，且每個需求點只能由一輛貨車一次運送完成 ； （ 3） 運送完后，貨車必須要回到配送中心 。 k=1,2,… ,m）。229。 人工魚群算法原理及其模型 人工魚群算法由李曉磊等人采用自下而上的尋優(yōu)模式在 2021 年提出。魚類生活習(xí)性具有以下幾種典型行為： (1)覓食行為：指魚通過味覺、視覺來判斷食物的位置和濃度，從而接近食物的行為。這是魚類較常見的一種現(xiàn)象，魚聚群時所遵守的規(guī)則有三條： ① 分隔規(guī)則：盡量避免與臨近伙伴過于擁擠： ② 對準規(guī)則：盡量與臨近伙伴的平均方向一致； ③ 內(nèi)聚規(guī)則：盡量向臨近伙伴的中心移動。 每條人工魚通過對環(huán)境的感知，在每次移動中經(jīng)過嘗試后，執(zhí)行其中的一種行為。這兩種過程是在保證不與伙伴過于擁擠，且 7 與臨近伙伴的平均移動方向一致的情況下向群體極值 (中心 )移動。 Step 表示人工魚每次移動的最大步長，為了防止運動速度過快而錯過最優(yōu)解，步長不能設(shè)置的過大，當(dāng)然，太小的步長也不利于算法的收斂。 Step2 在其感知范圍內(nèi)隨機選擇一個狀態(tài) Xv(t)： xvj(t)=xij(t)+rand()?Visual (j=1,2,…, D) Step3 若 Yv(t)?Yi(t)，則向該方向前進一步，達到狀態(tài) Xi(t+1)： xij(t+1)=xij(t)+rand()?Step?(xvj(t)xij(t))/|| Xv(t) Xi(t)|| (j=1,2,…, D) 結(jié)束。 (2)聚群行為 聚群行為是每條魚在游動過程中盡量向臨近伙伴的中心移動并避免過分擁擠。 (3)追尾行為 追尾行為是魚向臨近的最活躍者追捉的行為。 (4)設(shè)立公告板 在人工魚群算法中，設(shè)置一個公告板，用以記錄當(dāng) 前搜索到的最優(yōu)人工魚狀態(tài)及對應(yīng)的適應(yīng)值，各條人工魚在每次行動后，將自身當(dāng)前狀態(tài)的適應(yīng)值與公告板進行比較，如果優(yōu)于公告板，則用自身狀態(tài)及其適應(yīng)值取代公告板中的相應(yīng)值，以使公告板能夠記錄搜索到的最優(yōu)狀態(tài)及該狀態(tài)的適應(yīng)值。也就是選擇較優(yōu)行 為前進，即任選一種行為，只要能向優(yōu)的方向前進即可。 人工魚群算法通過這些行為的選擇形成了一種高效的尋優(yōu)策略，最終，人工魚集結(jié)在幾個局部極值的周圍，且值較優(yōu)的極值區(qū) 域周圍一般能集結(jié)較多人工魚。 Step4 (更 新公告板 )每條人工 魚對自身的適應(yīng)值和公告板的值進行比較，如優(yōu)于公告板的值則取代之，否則公告板的值不變。 人工蜂群算法原理及數(shù)學(xué)模型 在 ABC 算法中有 3 個重要的基本部分：食物源、人工蜂群、算法過程。 （ 2） 人工蜂群。每個解 xi(i=1,2,… ,D)是一個 D 維的向量。 ② 所有的引領(lǐng)蜂完成搜索之后，在舞蹈區(qū)把食物源的信息傳達給跟隨蜂，跟隨蜂根據(jù)得到的信息按照概率選擇食物源。 ④ 如果某個解經(jīng)過 limit 次循環(huán)后沒有得到改善，那么這個節(jié)就要被丟棄。由于上述一些原因，本論文對傳統(tǒng)的方法加以改進，使用獨特的人工魚視域以及人工魚覓食行為，使得人工魚在 VRP 問題上更快的向最優(yōu)解靠近。 通過上述的特點，本文對每個種群的初始化采用如下策略： （ 1） 隨機的生成一組 1～ Client_Number 這 Client_Number 個正整數(shù)的排列，將該排列賦給種群； （ 2） 確保每個種群的值是不同，否則從新生成新的排列。 食物濃度的計算 食物濃度是指模型中的目標函數(shù)值，用來衡量種群當(dāng)前狀態(tài)的優(yōu)劣程度。 人工魚行為的設(shè)計 （ 1） 感知能力設(shè)計 人工魚的感知能力是它感知其他伙伴的狀態(tài)和周圍環(huán)境的保證，它的感知能力設(shè)計為有限的（在 visual 范圍內(nèi)，只有和魚的距離不大于 visual 時才能被感知），符合現(xiàn)實中的魚的實際情況，也從一定程度上降低了人工魚行為的復(fù)雜度。用數(shù)學(xué)語 14 言描述如下： 1 x[m][j] ≠ x[n][j] ej = 0 x[m][j] = x[n][j] ???Cjeojd 其中 C 表示 Client_Number， j 表示人工魚的第 j 個參數(shù)。對于兩個種群的距離運 算中，最壞的情況是兩種種群里面的值完全是不同的，這是他們之間的距離就是 2*Client_Number。 基于上面的考慮，對于每個種群的行動采取讓人工魚直接跳向更優(yōu)狀態(tài)的策略，這樣會使問題變得更加簡單易行，而且收效也很好。 得到 y 后就進一步判斷該點的食物濃度是否更優(yōu)，如果是則跳向它。 中心狀態(tài)根據(jù) x[Food_Number][Client_Number]矩陣得出，設(shè)中心點的坐標為center[Client_Number]={0}(初始化 )，對于矩陣的計算是 :首先標記出人工魚 index的視野范圍內(nèi)的人工魚，將 friendflag[index][Food_Number]內(nèi)的在范圍內(nèi)的人工魚標號為 true。 根據(jù)上面出現(xiàn)的兩個問題采取以下修復(fù)措施 。也就是選擇較優(yōu)行為前進，即任選一種行為，只要能向更優(yōu)的方向前進即可。 但是我們發(fā)現(xiàn)實際上 a 與 b 的相似程度是很高的 ，因為 a 與 b 中有共同的編碼片段 2 3 4 5，這意味著 a 與 b 所代表的 VRP 問題的解具有若干個相同的巡回路徑，雖然傳統(tǒng)的編碼距離表現(xiàn)出 a 與 b 之間的差異很大，但是實際上它們的差異很小。 通過以上的步驟可以方便的計算兩條人工魚之間的 基于相似片段的距離 ，而且這種方法能夠更加清晰的反映人工魚之間 基于相似片段的距離 的大小與人工魚中某些片段的相識程度的關(guān)系。 人工魚視域的改變 隨著人工魚迭代次數(shù)的增加，增加人工魚的視域可以使得人工魚的搜索范圍增加，使得人工魚在更大的范圍內(nèi)向最優(yōu)解靠近。 表 41 客戶位置及需求基本信息 客戶編號 0 1 2 3 4 5 6 7 8 9 橫坐標 0 0 0 2 3 3 4 4 1 1 縱坐標 0 1 3 2 3 1 0 1 2 1 配送量 0 客戶編號 10 11 12 13 14 15 16 17 18 19 橫坐標 1 3 3 2 1 2 2 1 3 1 縱坐標 3 4 0 0 3 1 1 4 2 1 配送量 實驗參數(shù)的設(shè)置 為實驗對比公平起見，兩種處理方法采用相同的技術(shù)參數(shù)和 迭代次數(shù) 。 人工魚群算法傳統(tǒng)的處理方法，結(jié)果如圖 41 所示。 在 圖 43 中， 藍色曲線 表示 傳統(tǒng)處理方法 ； 綠色曲線 表示 改進的方法 。因此， 在相同條件下， 改進的方法 比 傳統(tǒng)處理方法 從整體上能夠獲得更好的滿意解。 因此， 本論文 對 人工魚群算法 的使用將采用 改進后的處理方法，以便得到更優(yōu)的解。就算法中的單個個體而言只是遵循某種規(guī)律的自然行為，并沒有表現(xiàn)出智能，而且這兩種算法中個體所遵循的運動規(guī)律具有一定的相似性。如在蜂群中引領(lǐng)蜂如果在規(guī)定的次數(shù)內(nèi)沒有發(fā)現(xiàn)更好的食物源，那么引領(lǐng)蜂將會變成偵查蜂（隨機產(chǎn)生一組解）；在魚群中人工魚進行覓食行為時如果在規(guī)定的次數(shù)內(nèi)沒有找到更好的食物源，那么人工魚將在視野范圍內(nèi)隨機的前進一步。 （ 2）兩種算法的優(yōu)點分析 由于人工魚群算法考慮了人工魚的聚群和追尾行為，所以人工魚群更加容易造成人工魚的聚集行為，但是由于設(shè)置了擁擠因子，使 得人工魚群沒有完全集中在一個位置中。 人工蜂群算法在尋優(yōu)的過程中，考慮更多的 是單個蜜蜂的尋優(yōu)，所以在某些地方可能會錯過最優(yōu)解的位置，從而使得人工蜂群算法的收斂速度不夠快。所以 我們希望有一種算法既能滿足時間的要求又能獲得一個比較理想的解，所以我們設(shè)計一個混合人工蜂群 —人工魚群算法。 混合人工蜂群 — 人工魚群算法 示意圖 初始化種群，數(shù)量為 N 使用人工蜂群算法進行領(lǐng)域搜索 取出 N 個最好且互不相同的解 作為人工魚的初始值 使用人工魚群算法進行種群行為 取出公告欄中的最優(yōu)解，結(jié)束 22 混合人工蜂群 — 人工魚群算法 的實現(xiàn) 混合人工蜂群 — 人工魚群算法實現(xiàn)步驟 如下： Step1 首先進行初始化蜂群參數(shù)，生成 SN 個初始種群，引領(lǐng)蜂先對對應(yīng)的食物源進行一次領(lǐng)域搜索，并選擇適應(yīng)度最高的食物源（解）； Step2 所有的引領(lǐng)蜂完成搜索后，在舞蹈區(qū)把食物源的信息傳達給跟隨蜂，跟隨蜂根據(jù)得到的信息按照概率選擇食物源。本論文關(guān)于人工魚群的處理方法已經(jīng)在第三章有過詳細的介紹，所以下面只介紹人工蜂群的處理方法。 （ 2） 概率值的計算 23 將引領(lǐng)蜂的適應(yīng)度值全部存儲在 fitness[Food_Number]中，計算出最大的那個值 maxfli，然后使用公式 prob[i]=(*(fitness[i]/maxfit))+ 計算每個引領(lǐng)蜂被選擇的概率值，當(dāng)隨機產(chǎn)生一個在 0 與 1 之間的一個小數(shù)時，則跟隨蜂將根據(jù)引領(lǐng)蜂的信息進行領(lǐng)域搜索。 下面給出 混合人工智能算法 的 仿真測試，并將結(jié)果與單純的人工蜂群算法和人工魚群算法進行比較，說明混合人工智能算法用來解決此類 VRP 問題時是有一定的有效性。 表 62 混合人工智能算法參數(shù) 群體數(shù)量 Tm max_Cycle limit visualmin visualmax visual delta 50 1000 1000 30 2 6 2 3 三種人工 智能算法 的實驗結(jié)果 為了檢驗程序結(jié)果的有效性，將所有程序重復(fù)運行 30 次，比較程序出現(xiàn)的平均值，用平均值來評價算法的性能 ，用方差來判斷程序的穩(wěn)定性 。 圖 62 人工魚群算法 的實驗結(jié)果 25 混合人工智能算法結(jié)果 見圖 63。 在 圖 64 中， 藍色曲線 表示人工魚群算法的結(jié)果； 綠色曲線 表示人工蜂群算法的結(jié)果；紅色曲線表示混合人工智能算法的結(jié)果 。因此， 在相同條件下，混合人工智能算法比人工蜂群算法和人工魚群算法從整體上能夠獲得更好的滿意解。 27 為你提供優(yōu)秀的畢業(yè)論文參考資料，請您刪除以下內(nèi)容， O(∩ _∩ )O 謝謝?。?！ A large group of tea merchants on camels and horses from Northwest China39。t help but sing the folk songs, Nasun says. The vastness of Inner Mongolia and the lack of entertainment options for people living there, made their lives lonely. The nomadic people were very excited about our visits, Nasun recalls. We didn39。s villages and entertain nomadic families, but their fame has spread around the world. On May 16 and 17, nearly 100 singers and dancers from the troupe performed at Beiji