【正文】 uring their journey to Kazakhstan, May 5, 2021. The caravan, consisting of more than 100 camels, three horsedrawn carriages and four support vehicles, started the trip from Jingyang county in Shaanxi on Sept 19, 2021. It will pass through Gansu province and Xinjiang Uygur autonomous region, and finally arrive in Almaty, formerly known as AlmaAta, the largest city in Kazakhstan, and Dungan in Zhambyl province. The trip will cover about 15,000 kilometers and take the caravan more than one year to plete. The caravan is expected to return to Jingyang in March 2021. Then they will e back, carrying specialty products from Kazakhstan A small art troupe founded six decades ago has grown into a household name in the Inner Mongolia autonomous region. In the 1950s, Ulan Muqir Art Troupe was created by nine young musicians, who toured remote villages on horses and performed traditional Mongolian music and dances for nomadic families. The 54yearold was born in Tongliao, in eastern Inner Mongolia and joined the troupe in says there are 74 branch troupes across Inner Mongolia and actors give around 100 shows every year to local nomadic people. I can still recall the days when I toured with the troupe in the early 39。s president, who is also a renowned tenor, tells China Daily. During a tour in 1985, he went to a village and met an elderly local man, who told him a story about his friendship with a solider from Shenyang, capital of Northeast China39。t just about sharing art with nomadic families but also about gaining inspiration for the music and dance. Ulan Muqir literally translates as red burgeon, and today39。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 26 算法 更加穩(wěn)定 。 實驗結(jié)果的分析 從圖 6 6 63 中可以看出，人工蜂群算法 30 次運行結(jié)果的平均值為，人工魚群算法 30 次運行結(jié)果的平均值為 ，混合人工智能算法 30 次運行結(jié)果的平均值為 。 表 61 中的 limit 代表領域搜索次數(shù)； max_Cycle代表最大循環(huán)次數(shù) 表 61 人工蜂群算法參數(shù) 人工蜂的數(shù)量 limit max_Cycle 50 30 2021 混合人工智能算法參數(shù)見表 62。但是該公式所得結(jié)果都為小數(shù)，不適合 VRP 問題上自然數(shù)的編碼方式，因此本文在 VRP 問題上采取以下方法實現(xiàn)領域搜索：設計四種編碼交換的方式，在實際操作中隨機選擇一種即可。算法開始使用人工蜂群算法 在整個迭代過程中 產(chǎn)生 的 若干個比較好的解，最后使用人工魚群算法將上述得到的解作為人工魚 ，進行人工魚的聚群、追尾和覓食等行為， 從而得到從全局出發(fā)更好的解。 由于人工蜂群算法中的人工蜂的分布位置不受其他人工蜂的影響，所以人工蜂的位置分布十分廣泛，這樣有利我們在全局的范圍內(nèi)尋找最優(yōu)解，而且人工蜂在處理問題的時候步驟比較單一使得程序的運行速度也大大的加快。如魚群總是聚集在食物源最充足的地方，蜂群中引領蜂總是將食物源高的地方的信息帶回蜂巢告訴跟隨蜂。因此，在相同條件下， 改進的方法 比 傳統(tǒng)處理方法的結(jié)果更加穩(wěn)定 。 圖 42 改進后的處理方法 的計算結(jié)果 用 matlab 將這兩種方法的 30 次結(jié)果進行對比，如圖 所 示。 傳統(tǒng)處理方法與改進的方法的實驗對比分析 以某公司運送貨物為例，對人工魚群算法改進的方法進行仿真測試，并將結(jié)果與傳統(tǒng)的處理方法進行比較。例如上述 a 與 b之間的基于相似片段的距離為 2。 行為選擇 本文主要采取的是進步即可原則來進行行為選擇。 （ 3） 聚群行為 聚群行為實現(xiàn)過程是首先找到視野范圍內(nèi)的其他人工魚，將它們的狀態(tài)存在 15 friendflag[index][i]（其中 index 表示這條人工的編號， i 表示第 i 條人工，這個數(shù)組存儲的值為 bool 型， true 表示在該魚的視野范圍內(nèi)， false 則表示不在其的視野范圍內(nèi)）中，然后計 算出這些人工魚的中心位置，在判斷這一中心是否優(yōu)于人工魚的當前的狀態(tài)，如果比當前的狀態(tài)優(yōu)而且周圍并不擁擠，該人工魚就跳向中心，否則就保持原來的狀態(tài)不變。所以步長的設計對于該問題的意義就不大。 對于任意的兩個變量數(shù)組，將數(shù)組中每個存儲位置的值進行比較，如果兩者不相等，則取值為 1，否則取值為 0。例如，假設貨車的載重量為 1， weight[Client_Number]={,}為 1～ Client_Number 號站點依次需要貨物的重量。算法步驟如下： Step1 產(chǎn)生初始解集 xij， i?{1,2,...,SN}， j?{1,2,...,D}； Step2 計算各個解 xij 的適應度值； 11 Step3 置 cycle=1（外循環(huán)）； Step4 置 s=1（內(nèi)循環(huán)）； Step5 引領蜂根據(jù)如下公式做領域搜索產(chǎn)生新解 vij ，并計算其適應度值： vij = xij + Rij(xij xkj) k?{1,2,...,SN} 且 k≠i Step6 如果 vij 的適應度值大于 xij，則 xij=vij，否則 xij 不變； Step7 計算 xij 的適應度，并根據(jù)如下公式計算概率值 Pi： Pi = fi / ?j=0SNfj Step8 跟隨蜂根據(jù) Pi 選擇食物源（解），并進行領域搜索產(chǎn)生新解 vij，計算其適應度； Step9 同步驟 6； Step10 記錄到目前為止最好的解； Step11 s = s + 1 Step12 cycle cycle + 1 Step13 如果 s limit ， 則轉(zhuǎn)步驟 5； Step14 經(jīng)過 limit 次循環(huán)后，判斷是否有要丟棄的解，如果存在，則偵查蜂根據(jù)如下公式產(chǎn)生一個新解 xij 代替： xij = xjmin + rand(0,1)(xjmax xjmin) Step15 如果 cycle MCN （最大循環(huán)次數(shù)），則轉(zhuǎn)步驟 Step4。 ① 引領蜂先對對應的食物源（解）進行一次領域搜索，并選擇花蜜數(shù)量多也就是適應度較高的食物源（解）。不同的食物源代表了各種可能的解，且食物源的值由多種因素決定， 比如蜜源和蜂巢的距離、能量的大小和集中程度以及采取該食物的容易程度等，所以每個食物源都包含了一系列的可優(yōu)化參數(shù)。 Step2 (設置公告板 )計算初始魚群各個人工魚的適應值并進行比較大小，取最優(yōu)的人工魚狀態(tài)及其值賦給公告板。 (5)行為選擇（移動策略） 根據(jù)所要解決的問題性質(zhì)，對人工魚當前所處的環(huán)境進行評價，從上述各行為中選取一種合適的行為。 Step2 若 Nf ?0，則計算該集合的中心位置 Xc(t)： Xc(t)=?(Xj(t)|j=1,2,…, Nf, Xj(t)?Si)/Nf Step3 若 Yc(t)?Yi(t)且 Nf ?Yc(t)???Yi(t) (??1)，（表明該中心位置狀態(tài)較優(yōu)并且不太擁擠）則向該中心位置方向前進一步，達到狀態(tài) Xi(t+1)： xij(t+1)=xij(t)+rand()?Step?(xcj(t)xij(t))/|| Xc(t) Xi(t)|| (j=1,2,…, D) 結(jié)束。 (1)覓食行為 覓食行為是魚循著食物多的 方向游動的一種行為。算法的進行就是人工魚個體的自適應活動過程，整個過程包括覓食、聚群以及追尾三種行為，最優(yōu)解將在該過程中突現(xiàn)出來。這是生物的一種最基本的行為，是通過感知水中的食物量或濃度來選擇趨向的。229。 k=1,2,… ,m） 。 所以本文將蜂群和魚群的特點結(jié)合起來，開始使用 蜂 群算法 能夠全局搜索解 ，然后使用 魚 群個體的 聚群、追尾等群體行為進行搜索 ，使得全局最優(yōu)值能夠突現(xiàn)出來，達到快速收斂的目的。而且合理的運送路線可以減少物流配送的運輸費用，從而使得 零售商的利潤最大化。本論文中主要討論的是人工蜂群算法和人工魚群算法，并將這兩種進行融合得到新的混合人工智能算法以解決 VRP 問題。 8 致謝 ............................................. 錯誤 !未定義書簽。 實際上上述物流配送問題就是車輛路線問題（ VRP， Vehicle Routing Problem），它是組合領域中非常著名的 NP 難題，近二十年來， VRP 都是一個非?；钴S的研究領域。 混 合人工智能算法能夠克服人工魚群算法的早熟現(xiàn)象和人工蜂群算法的收斂度不高等缺點，在同樣的條件下混合人工智能算法獲得的解一般情況下比人工魚群算法和人工蜂群算法要更好。 但是人工魚群算法也有自身的缺點，在計算早期表現(xiàn)的收斂速度較快，能夠迅速靠近最佳求解點，但是后期計算過程中該算法的收斂速度會降低很多，而且求解精度較低 [10]。該問題的目標是：在滿足車輛載重量約束和各需求點需求量的約束的情況下，盡量使用較少的車輛且使得車輛的運輸距離最短。 k = 1, 2, mi n k mdxg y qyyxyx= = =====?=== = =邋 ?229。 動物自治體通常指自主機器人或動物模擬實體，它主要是用來展示動物在復雜多變的環(huán)境里面能夠自主的產(chǎn)生自適應的智能行為的一種方式。隨機行為實際上是覓食行為的一種缺省。 人工魚群的數(shù)學模型 假設在一個 D 維的目標搜索空間中，有 N 條組成一個群體的人工魚，其中第 i 條人工魚： 位置向量 Xi=(xi1, xi2,…, xiD)， 位置的食物濃度 (目標函數(shù)適 應值 ) Yi=f(Xi)， 兩條人工魚 Xi 與 Xj之間的距離表示為 ||XjXi||， ?表示擁擠度因子，代表某個位置附近的擁擠程度，以避免與臨近伙伴過于擁擠， Visual 表示人工魚的感知范圍，人工魚每次移動都要觀測感知范圍內(nèi)的其它魚的運動情況及其適應值，從而決定自己的運動方向。其中 rand()是 [0,1]內(nèi)的隨機數(shù)。 Step4 執(zhí)行覓食行為。對于此種方法，同樣的迭代步數(shù)下，尋優(yōu)效果會好一些，但計算量也會加大。人工蜂群算法是模仿蜜蜂行為從而提出的一種優(yōu)化方法，是集群智能思想的一個具體應用，它的主要特點是不需要了解問題的特殊信息，只需要對問題進行優(yōu)劣的比 較，通過各人工蜂個體的局部尋優(yōu)行為，最終在群體中使全局 最優(yōu)值 突現(xiàn)出來，有著較快的收斂速度。 （ 3） 算法過程及數(shù)學模型 首先， ABC 算法生成含有 SN 個解（食物源）的初始種群。 跟隨蜂根據(jù)以下表達式進行領域搜索： vij = xij + Rij(xij xkj) （ k ≠ i） k?{1,2,...,SN} , j?{1,2,...,D}， 這兩個數(shù)都是隨機選取的， Rij 是一個在 1 和 1 之間的隨機數(shù)，這個步長可以適當?shù)臏p小。 例如數(shù)組 x[Food_Number][Client_Number] （設 Food_Number=4 ，Client_Number=5）為： 3 2 4 1 5 1 4 3 2 5 2 5 1 4 3 1 3 5 4 2 該數(shù)組表示的含義為： ⑴ 第 0 個種群（由于本文中的變量是基于 C 語言中的