【正文】 的問題,許多問題最后都可以歸結為優(yōu)化問題。目前常見的啟發(fā)式算法有遺傳算法、模擬退火算法、禁忌搜索算法、人工魚群算法、蟻群算法、粒子群算法等。人工魚群算法對目標函數(shù)的性質要求不高，對初值要不高，對參數(shù)設定的要求不高，具備全局優(yōu)化能力，能夠快速跳出局部極值點。人工魚群算法是一種新型的智能優(yōu)化算法，目前用人工魚群算法解決組合優(yōu)化問題還是一個比較新的領域。這些不同算法的共同目的是盡量提高其解的精度。JSP問題的研究廣泛吸收遺傳算法，粒子群算法，人工神經網絡，模擬退火算法的精髓。2解決組合優(yōu)化問題的幾種智能算法遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經過基因（gene）編碼的一定數(shù)目的個體(individual)組成。由于仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼，初代種群產生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解，在每一代，根據(jù)問題域中個體的適應度（fitness）大小選擇（selection）個體，并借助于自然遺傳學的遺傳算子（genetic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。適應度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設定。遺傳算法利用進化過程獲得的信息自行組織搜索時，適應度大的個體具有較高的生存概率，并獲得更適應環(huán)境的基因結構。針對PID控制器參數(shù)優(yōu)化設計問題，將蟻群算法設計的結果與遺傳算法設計的結果進行了比較，數(shù)值仿真結果表明，蟻群算法具有一種新的模擬進化優(yōu)化方法的有效性和應用價值。諸多研究表明，蟻群算法具有很強的尋優(yōu)能力，不僅利用了正反饋原理，而且是一種本質并行算法，不同個體之間不斷進行著信息交流與傳遞，從而能夠相互協(xié)作，有利于發(fā)現(xiàn)較好的解。(3)以某些已獲得的解為起點進行鄰域搜索.(4)根據(jù)某些己知獲得的質量進行全局信息素更新。此時，螞蟻走過的路徑對應求解問題的一個可行解。個城市的 TSP問題就是尋找通過個城市各一次且最后回到出發(fā)點的最短路徑。在初始化的時候，個螞蟻被放置在不同的城市上，賦予每條邊上的信息量為（0）。螞蟻走完所有的城市，完成一次循環(huán)。這種算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點引起了學術界的重視，并且在解決實際問題中展示了其優(yōu)越性。但是他們知道當前的位置離食物還有多遠。我們稱之為“粒子”。在每一次疊代中，粒子通過跟蹤兩個極值來更新自己。在找到這兩個最優(yōu)值時,粒子根據(jù)如下的公式來更新自己的速度和新的位置 v[]=w*v[]*rand()*(pbest[]present[])*rand()*(gbest[]present[]) (a) present[]=persent[] v[]遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優(yōu)解的風險，遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導他的搜索方向。個體可改變環(huán)境、并通過環(huán)境來進行間接通訊。具有潛在的并行性，其搜索過程不是從一點出發(fā)，而是從多個點同時過行，這種分布式多智能體的協(xié)作是異步并發(fā)進行的，分布并行的模式將大大提高整個算法的運行效率和快速反應的能力。本章主要介紹了遺傳算法，蟻群算法幾種智能算法的基本理論和求解組合優(yōu)化問題的的基本步驟和方法，總結了這幾種智能算法的優(yōu)缺點，為本課題在研究人工魚群算法求解組合優(yōu)化問題提供參考。動物在進化過程中，經過漫長的自然界的優(yōu)勝劣汰，形成了形形色色的覓食和生存方式，這些方式為人類解決問題的思路帶來了不少啟發(fā)和鼓舞。魚群的活動中，覓食行為，聚群行為，追尾行為和隨機行為與尋優(yōu)命題的解決有著密切的關系，如何利用簡單有效的方式來構造實現(xiàn)這些行為是算法實施的主要問題。追尾行為就是一種向臨近的最活躍者追逐的行為，在尋優(yōu)算法中可以理解為是向附近最優(yōu)伙伴前進的過程。 //distance that AF can move for each float AF_visual。 float AF_foodconsistence()。 //behavior of prey。 //initialize the AF Artificaal fish()。初始化魚群迭代計數(shù)器每條魚執(zhí)行追尾行為，缺省行為為覓食行為每條魚執(zhí)行群聚行為，缺省行為為覓食行為分別對每條魚比較兩種行為的結果執(zhí)行適應度好的行為以適應值好的人工魚更新公告板判斷是否結束迭代結束圖3一1人工魚群算法流程圖聚群行為能夠很好的跳出局部最優(yōu)解，并盡可能的搜索到其他的極值，最終搜索到全局極值。算法中，使人工魚逃逸局部極值實現(xiàn)全局最優(yōu)的因素主要有以下幾點。只有較優(yōu)的地方才能聚集更多的人工魚，使得人工魚能夠更廣泛的尋優(yōu)。如果狀態(tài)并不比狀態(tài)X好，那么它繼續(xù)隨機巡視視野范圍內的狀態(tài)，如果巡視次數(shù)達到一定的次數(shù)(trynumber)仍舊沒有找到更優(yōu)的狀態(tài)，那么就做隨機的游動。人工魚群算法的提出者李曉磊驗證過參數(shù)Step,，而人工魚數(shù)目的影響通過回歸分析可以看出是呈二次函數(shù)上升的。旅行商問題的數(shù)學模型描述為: （） () () （） （）其中時稱為對稱距離TSP，否則稱為非對稱距離TSP。在人工魚TSP問題中，兩條人工魚的城市排序為A={}和B={ }之間的距離表示如下: （）其中 （）在TSP問題中兩條魚之間的距離就是在同一位置不同城市代號的個數(shù)。本節(jié)通過對人工魚群算法解決組合優(yōu)化問題的行為的具體實現(xiàn)方法進行研究，給出組合優(yōu)化問題中魚群鄰居的尋找方法，魚群中心的尋找方法。2簡單性:算法中僅使用了目標問題的函數(shù)值。人工魚群算法中當人工魚個體數(shù)目較少時，還不能體現(xiàn)出它的優(yōu)勢，當然對遺傳算法來說，種群數(shù)較少時容易陷入局部極值和早熟的可能。算法的提出者李曉磊對參數(shù)對算法的影響進行討論，總體來說，整個算法對各參數(shù)的取值范圍的容許度還是相當大的。在此論文完成之際，謹向林老師表示由衷的感謝