【正文】 求解方法。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。 (5)具有自 組織、自適應(yīng)和自學(xué)習(xí)性。 (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 。以上算法 5 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(gè)節(jié)點(diǎn)，直到不能繼續(xù)移動(dòng)為止。來模擬實(shí)際螞蟻的信息素濃度。 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(jià)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)。 PSO 從這種 模型 中得到啟示并用于解決優(yōu)化問題。第一個(gè)就是粒子本身所找到的最優(yōu)解。但是，由于遺傳算法是基 于個(gè)體競爭這樣一種機(jī)制，使得算法后期多樣性匾乏，降低算法效率。 粒子群算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解，它具有概念簡單容易實(shí)現(xiàn)，搜索速度快，搜索范圍大的突出優(yōu)點(diǎn)，粒子群算法參數(shù)少，原理簡單，易于編程實(shí)現(xiàn)最初是用來解決連續(xù)優(yōu)化問題，一般采用實(shí) 8 數(shù)編碼。 人工魚群算法模型 人工魚群算法是一種基于行為的人工智 能思想 ,通過魚在水里的行為方式模擬構(gòu)建了一種魚群模式 ,用來解決尋優(yōu)問題 ,從而產(chǎn)生了一種新型的智能算法。人工魚的模型用如下 描述 : Class Artificial_fish { Various: float AF_X[n]。 //AF move to the next position float AF_follow()。 算法描述 鑒于以上描述的人工魚行為，每個(gè)人工魚探索它當(dāng) 前所處的環(huán)境狀況和伙伴的狀況，其實(shí)伙伴的狀況相對于其自身應(yīng)該也是歸屬于環(huán)境的狀況，從而選擇一 10 種行為，最終，人工魚集結(jié)在幾個(gè)局部極值的周圍一般情況下，在討論求極大問題時(shí)，擁有較大的 AF_foodcinsistence 值的人工魚一般處于值較大的極值域周圍，這有助于獲取全局極值域，而值較大的極值區(qū)域周圍一般能集結(jié)較多的人工魚，這有助于判斷并獲取全局極值。 (2)覓食行為 tryesnumber 的次數(shù)較少時(shí)，為人工魚提供了隨機(jī)游動(dòng)的機(jī)會(huì)，從而能跳出局部極值的鄰域 。 各參數(shù)對收斂性能的影響分析 由于算法存在一定的隨機(jī)性，在相同參數(shù)下，熟練過程和結(jié)果也存在一定的差異，所以再一下的討論中，將針對每一種參數(shù)連續(xù)多次進(jìn)行全局尋優(yōu)收斂實(shí)驗(yàn)作為一組數(shù)據(jù)，然后對多組數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，從而確定各參數(shù)的性質(zhì)。 ji? 的約束減少變量的個(gè)數(shù)，使得共有)1( ??nn 個(gè)決策變量，目標(biāo)式 要求距離之和最小。 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(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。 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，當(dāng)然對遺傳算法來說，種群數(shù)較少時(shí)容易陷入局部極值和早熟的可能 。在此論文完成之際，謹(jǐn)向林老師表示由衷的感謝。 參考文獻(xiàn) [l]馬立肖，王江晴，遺傳算法在組合優(yōu)化問題中的應(yīng)用，計(jì)算機(jī)工程 與科學(xué) [J],20xx 年 7月， [2]陳永剛，牛丹梅，范慶輝，粒子群算法在組合優(yōu)化問題上的研究與應(yīng)用，電腦與電信[J]20xx 年 [3」楊劍鋒，蔣靜坪，蟻群算法及其在組合優(yōu)化問題中的應(yīng)用 [J]，科技通報(bào)， 20xx 年 7 月，vo122， No4 [4]李曉磊，一種新型的智能優(yōu)化方法一人工魚群算法仁 [D]，浙江大學(xué)， 20xx 年 [5]紀(jì)樹新，錢積新，孫優(yōu)賢，遺傳算法在車間作業(yè)調(diào)度中的應(yīng)用 [J]，系統(tǒng)工程理論與實(shí)踐，1998 年 ， [6]沈艷，郭兵，古天祥，粒子群優(yōu) 化算法及其與遺傳算法的比較，電子科技大學(xué)學(xué)報(bào) [J]，20xx 年 10 月 . [7]陳振同，基于改進(jìn)遺傳算法的車間調(diào)度問題研究與應(yīng)用 [D]，大連理工大學(xué) [8]何利，劉永賢，謝華龍，劉笑天，基于粒子群算法的車間調(diào)度與優(yōu)化 [J]，東北大學(xué)學(xué)報(bào)，20xx 年 4， ， [9]雷秀娟，史忠科，孫瑰琪，基于粒子群優(yōu)化算法的比較分析，計(jì)算機(jī)工程與應(yīng)用 [J]， 20xx年 [10]胡中共，李靜，群智能算法的研究進(jìn)展，控制理論與應(yīng)用 [J]， 20xx 年， ， [11]韓文民，范吉文，基于改進(jìn)遺傳算法的柔性作業(yè)車間調(diào)度問題研究，科學(xué)技術(shù)與工程 [J]，20xx 年 ， . [12]張鳳梅，邵城，甘勇，李梅娟，基于變異算子與模擬退火混合的人工魚群優(yōu)化算法，電子學(xué)報(bào) [J]， 20xx 年 8， ， . 17 [l3]鄧娟，陳萃萌，一種基于極大相似性的 TSP 問題求解算法，計(jì)算機(jī)工程仁 [J]， 20xx 年9， ， . [14]Kennedy J, Eberhart RC. Particle Swarm Optimization [M].Perth :Australia， IEEE International Conference neural . [15]黃光球，陸秋琴，劉冠，基于魚群算法的通風(fēng)巷道漏風(fēng)點(diǎn)辨識(shí)方法研究 [J]，系統(tǒng)仿真學(xué)報(bào) [J]， 20xx 年 6， ， 致 謝 在論文完成之際，我衷心感謝我的導(dǎo)師林仁老師對我的關(guān)懷和悉心指導(dǎo)，林老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，廣闊的學(xué)術(shù)視野和思考問題獨(dú)特的視角以及對學(xué)生的真誠無私的幫助，都給了我很深的印象，這將使我受益終生。 4 快速性 :算法中雖然有一定的隨進(jìn)因素，但總 體是在步步向最優(yōu)搜索 。 例如 :A(4， 2， I， 3)和 B(3， 2， 4， 1) Distance(A， B)=3 在 TSP 問題中人工魚群的聚群中心規(guī)定如下 : FISH(t)表示整個(gè)視野內(nèi)魚群， )...,( 21 pnpPp FFFF 為一條魚所包含的信息，即城市 15 的排列。 問題的數(shù)學(xué)模型 旅行商問題的數(shù)學(xué)模型描述為 : ijijxd?min （ ） ,...2,1,1. 1 nixts nj ij ???? () ,...2,1,11 njxni ij ???? () 14 }...2,1{,22,1, nsnssxsji ij ???????? （ ） jinjix ij ??? ,. . .2,1,},1,0{ （ ） 其中 jiij dd ? 時(shí)稱為對稱距離 TSP，否則稱為非對稱距離 TSP。如果狀態(tài) Xj 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) 13 (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