【正文】 在此論文完成之際，謹(jǐn)向林老師表示由衷的感謝。人工魚群算法中當(dāng)人工魚個(gè)體數(shù)目較少時(shí)，還不能體現(xiàn)出它的優(yōu)勢(shì)，當(dāng)然對(duì)遺傳算法來說，種群數(shù)較少時(shí)容易陷入局部極值和早熟的可能。本節(jié)通過對(duì)人工魚群算法解決組合優(yōu)化問題的行為的具體實(shí)現(xiàn)方法進(jìn)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。旅行商問題的數(shù)學(xué)模型描述為: （） () () （） （）其中時(shí)稱為對(duì)稱距離TSP，否則稱為非對(duì)稱距離TSP。如果狀態(tài)并不比狀態(tài)X好，那么它繼續(xù)隨機(jī)巡視視野范圍內(nèi)的狀態(tài)，如果巡視次數(shù)達(dá)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(jī)的游動(dòng)。算法中，使人工魚逃逸局部極值實(shí)現(xiàn)全局最優(yōu)的因素主要有以下幾點(diǎn)。 //initialize the AF Artificaal fish()。 float AF_foodconsistence()。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(jìn)的過程。動(dòng)物在進(jìn)化過程中，經(jīng)過漫長(zhǎng)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。具有潛在的并行性，其搜索過程不是從一點(diǎn)出發(fā)，而是從多個(gè)點(diǎn)同時(shí)過行，這種分布式多智能體的協(xié)作是異步并發(fā)進(jìn)行的，分布并行的模式將大大提高整個(gè)算法的運(yùn)行效率和快速反應(yīng)的能力。遺傳算法同時(shí)處理群體中的多個(gè)個(gè)體，即對(duì)搜索空間中的多個(gè)解進(jìn)行評(píng)估，減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，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(dǎo)他的搜索方向。 (a) present[]=persent[] v[]在每一次疊代中，粒子通過跟蹤兩個(gè)極值來更新自己。但是他們知道當(dāng)前的位置離食物還有多遠(yuǎn)。螞蟻?zhàn)咄晁械某鞘?，完成一次循環(huán)。個(gè)城市的 TSP問題就是尋找通過個(gè)城市各一次且最后回到出發(fā)點(diǎn)的最短路徑。(3)以某些已獲得的解為起點(diǎn)進(jìn)行鄰域搜索.(4)根據(jù)某些己知獲得的質(zhì)量進(jìn)行全局信息素更新。針對(duì)PID控制器參數(shù)優(yōu)化設(shè)計(jì)問題，將蟻群算法設(shè)計(jì)的結(jié)果與遺傳算法設(shè)計(jì)的結(jié)果進(jìn)行了比較，數(shù)值仿真結(jié)果表明，蟻群算法具有一種新的模擬進(jìn)化優(yōu)化方法的有效性和應(yīng)用價(jià)值。適應(yīng)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(shè)定。由于仿照基因編碼的工作很復(fù)雜，我們往往進(jìn)行簡(jiǎn)化，如二進(jìn)制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代（generation）演化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個(gè)體的適應(yīng)度（fitness）大小選擇（selection）個(gè)體，并借助于自然遺傳學(xué)的遺傳算子（genetic operators）進(jìn)行組合交叉（crossover）和變異（mutation），產(chǎn)生出代表新的解集的種群。JSP問題的研究廣泛吸收遺傳算法，粒子群算法，人工神經(jīng)網(wǎng)絡(luò)，模擬退火算法的精髓。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(gè)比較新的領(lǐng)域。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。組合優(yōu)化問題。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體均已在文中以明確方式標(biāo)明。人工魚群算法的覓食行為是算法全局收斂的基礎(chǔ)，聚群行為和追尾行為更加增強(qiáng)了算法的全局收斂性。組合優(yōu)化，又稱離散優(yōu)化問題，是通過對(duì)數(shù)學(xué)方法的研究去尋找離散事件的最優(yōu)編排、分組、次序或篩選等，是運(yùn)籌學(xué)中一個(gè)經(jīng)典且重要的分支，隨著計(jì)算機(jī)科學(xué)、管理科學(xué)、現(xiàn)代化生產(chǎn)技術(shù)等的日益發(fā)展，這類問題與日俱增，受到諸多學(xué)者的高度重視。具有并行性，簡(jiǎn)單性，全局性，快速性。各類啟發(fā)式算法是目前比較理想的算法，適用于不同規(guī)模和時(shí)間要求的TSP問題，他們都可以得到局部最優(yōu)解或全局最優(yōu)解。每個(gè)個(gè)體實(shí)際上是染色體(chromosome)帶有特征的實(shí)體。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。蟻群算法，又稱螞蟻算法，是一種用來在圖中尋找優(yōu)化路徑的機(jī)率型算法。蟻群算法解決組合優(yōu)化問題的主要步驟有:(l)設(shè)置參數(shù)，初始信息蹤跡。局部信息素更新針對(duì)螞蟻當(dāng)前走過的一步路徑上的信息素進(jìn)行，全局信息素更新是在所有螞蟻找到可行解之后，根據(jù)發(fā)現(xiàn)解的質(zhì)量或者當(dāng)前算法找到的最好路徑上的信息素進(jìn)行更新。每個(gè)螞蟻的的第一個(gè)元素賦值為它所在的城市。設(shè)想這樣一個(gè)場(chǎng)景：一群鳥在隨機(jī)搜索食物。所有的例子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值(fitnessvalue)，每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。 是一類概率型的全局搜索方法，這種非確定性使算法能夠有更多的機(jī)會(huì)求得全局最優(yōu)解。3基本人工魚群算法人工魚群算法(Artificial Fishschool Algofithm)是一種基于模擬魚群行為的優(yōu)化算法，在基本AFSA中，主要是利用了魚群的覓食、聚群和追尾行為，從構(gòu)造一條魚的底層行為做起，通過魚群中各個(gè)體的局部尋優(yōu)，達(dá)到全局最優(yōu)值在群體中突現(xiàn)出來的目的。覓食行為主要認(rèn)為就是循著食物多的方向游動(dòng)的一種行為，在尋優(yōu)算法中則是向較優(yōu)方向前進(jìn)的迭代方式，如魚群模式中的視覺概念。 //visual distance of AF float AF_number。 float AF swarm()。追尾行為有助于快速的向某個(gè)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。(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。AFnumbe的增加對(duì)迭代次數(shù)的減少時(shí)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。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。3全局性:算法具有很強(qiáng)的跳出局部極值的能力。算法采用自上而下的設(shè)計(jì)模式，個(gè)體行為之間具有相對(duì)獨(dú)立性和互補(bǔ)性，使得整個(gè)算法有較穩(wěn)定的收斂性能。17?？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(jiǎn)單性，全局性，快速性，跟蹤性?？偨Y(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(gè)AF并