【正文】 參數(shù)的選擇更多還是依靠實(shí)驗(yàn)和經(jīng)驗(yàn)，沒有定理來確定解決組合優(yōu)化問題的幾種智能算法，而且計(jì)算時(shí)間偏長。(2)對于蟻群中的每只螞蟻，每個(gè)解構(gòu)造。它由Marco Dorigo于1992年在他的博士論文中提出，其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。(2)遺傳算法同時(shí)處理群體中的多個(gè)個(gè)體，即對搜索空間中的多個(gè)解進(jìn)行評估，減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，同時(shí)算法本身易于實(shí)現(xiàn)并行化。染色體作為遺傳物質(zhì)的主要載體，即多個(gè)基因的集合，其內(nèi)部表現(xiàn)（即基因型）是某種基因組合，它決定了個(gè)體的形狀的外部表現(xiàn)，如黑頭發(fā)的特征是由染色體中控制這一特征的某種基因組合決定的。近年連來有很多的國內(nèi)外學(xué)者在研究遺傳算法，粒子群算法解決TSP問題。優(yōu)化問題是生產(chǎn)過程中廣泛存在的一個(gè)問題，經(jīng)過優(yōu)化處理后，生產(chǎn)過程系統(tǒng)會降低能量消耗、提高生產(chǎn)效率。典型的組合優(yōu)化問題有旅行商問題、背包問題、車間作業(yè)調(diào)度問題、裝箱問題、圖著色問題、聚類問題等。蟻群算法決旅行商問題存在收斂速度慢，而且參數(shù)的設(shè)定對算法的性能影響很大，而人工魚群算經(jīng)過實(shí)例證明具有優(yōu)于蟻群算法的收斂速度。 ※※※※※※※※※※※※※※※※※※※※※※※※2013屆學(xué)生畢業(yè)設(shè)計(jì)(論文)材料（四）學(xué) 生 畢 業(yè) 設(shè) 計(jì)（論 文）課題名稱 人工魚群法在組合優(yōu)化問題的研究姓 名何少武學(xué) 號090940117院 系數(shù)學(xué)與計(jì)算科學(xué)學(xué)院專 業(yè)數(shù)學(xué)與應(yīng)用數(shù)學(xué)指導(dǎo)教師林仁 講師2013年4月23 日湖南城市學(xué)院本科畢業(yè)設(shè)計(jì)（論文）誠信聲明本人鄭重聲明：所呈交的本科畢業(yè)設(shè)計(jì)（論文），是本人在指導(dǎo)老師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果，成果不存在知識產(chǎn)權(quán)爭議，除文中已經(jīng)注明引用的內(nèi)容外，本設(shè)計(jì)（論文）不含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的作品成果。關(guān)鍵字:人工魚群算法。這些問題描述簡單，并且有很強(qiáng)的工程代表性，但最優(yōu)化求解很困難，其主要原因是求解這些問題的算法需要極長的運(yùn)行時(shí)間與極大的存儲空間，以致根本不可能在現(xiàn)有計(jì)算機(jī)上實(shí)現(xiàn)，即所謂的“組合爆炸”。為提供解決優(yōu)化領(lǐng)域的問題的有效方法，智能搜索算法綜合了生物學(xué)、計(jì)算機(jī)和人工智能等各個(gè)科學(xué)領(lǐng)域的知識，隨著各個(gè)科學(xué)的發(fā)展，也是逐漸深入的。并且取得了一定的成效。因此，在一開始需要實(shí)現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評估個(gè)體，在此基礎(chǔ)上進(jìn)行遺傳操作。蟻群算法是一種模擬進(jìn)化算法，初步的研究表明該算法具有許多優(yōu)良的性質(zhì)。螞蟻按照信息素及啟發(fā)式信息的指引構(gòu)造一步問題的解，進(jìn)行局部信息素更新。我們以求解平面上個(gè)城市的 JSP問題(1，2，…，表示城市序號)為例說明蟻群算法的模型。經(jīng)過個(gè)時(shí)刻。所有的鳥都不知道食物在那里。然后通疊代找到最優(yōu)解。通常==2，大多數(shù)情況 0≤=≤4在每一維粒子的速度都會被限制在一個(gè)最大速度，如果某一維更新后的速度超過用戶設(shè)定的，那么這一維的速度就被限定為.遺傳算法發(fā)展歷史長，理論基礎(chǔ)完備，已經(jīng)在組合優(yōu)化領(lǐng)域取得巨大成功。是一類基于多主體的智能算法，各主體之間通過相互協(xié)作來更好地適應(yīng)環(huán)境。并且算法中只使用目標(biāo)函數(shù)的函數(shù)值，無需目標(biāo)函數(shù)的梯度值等特殊信息，對各參數(shù)的選擇也不很敏感。2)避免過分擁擠，這樣就基本實(shí)現(xiàn)人工魚的聚群能力。 //condition of jamming Function。 //evaluate and select the behavior float AF_init()。對于一種算法，人工魚的覓食行為奠定了算法收斂的基礎(chǔ)，聚群行為增強(qiáng)了算法收斂的穩(wěn)定性和全局性，追尾行為則增強(qiáng)了算法收斂的快速性和全局性，算法中對各參數(shù)的取值范圍還是很寬容的，并且對算法的初值也基本無要求。在覓食行為中，人工魚的個(gè)體總是嘗試向更優(yōu)的方向前進(jìn)，如果發(fā)現(xiàn)比當(dāng)前狀態(tài)x更好，那么它就向狀態(tài)戈的方向前進(jìn)一步到達(dá)狀態(tài)。TSP問題是一個(gè)具有廣泛的實(shí)用背景與重要的理論價(jià)值的組合優(yōu)化難題，許多關(guān)于TSP的工作并不是由應(yīng)用直接推動的，而是因?yàn)門SP為其他一般的各類算法提供思想方法平臺，而這些算法廣泛的應(yīng)用于各種離散優(yōu)化問題，其次，TSP大量的直接應(yīng)用給研究領(lǐng)域帶來了生機(jī)，并引導(dǎo)了未來的工作。 (3,8) ()的中心。5跟蹤性:隨著工作狀況或其他因素的變更造成的極值點(diǎn)的漂移，本算法具有快速跟蹤變化的能力。同時(shí)，在學(xué)習(xí)期間導(dǎo)師為我提供了良好的研究環(huán)境和實(shí)踐條件，并對一些創(chuàng)新性的工作給予了大量的指導(dǎo)與支持。感謝朋友們在我撰寫論文期間的理解和鼓勵。當(dāng)人工魚個(gè)體數(shù)自增加時(shí)，魚群算法的收斂速度得以提高，而遺傳算法則由于種群數(shù)的增多減緩了進(jìn)化速度，可見魚群算法中蘊(yùn)含著集群智能的優(yōu)勢。并對典型的組合優(yōu)化問題旅行商問題研究，解決編碼方式，旅行商問題中行為的具體實(shí)現(xiàn)方法，對經(jīng)典數(shù)據(jù)測試，證明算法有好的收斂精度和速度。，表示商人沒有選擇走這條路。由于每次巡視的視點(diǎn)都是隨機(jī)的，所以不能保證每一次覓食行為都是向著更優(yōu)的方向前進(jìn)的，這在一定程度上減緩了收斂的速度，但是從另一方面看，這又有助于人工魚擺脫局部極值的誘惑，從而去尋找全局極值。 (1)在前往局部極值的途中，人工魚有可能轉(zhuǎn)而游向全局極值，當(dāng)然其相反的一面也會發(fā)生的，就是在去往全局極值的途中，可能轉(zhuǎn)而游向局部極值，這對一個(gè)個(gè)體當(dāng)然不好判斷它的禍福，但是對于群體來說，好的一面往往會具更大機(jī)率。}。//food consistence of AF’s cyrrent posit float AF_move()。算法采用自上而下的設(shè)計(jì)方法，所以首先著重構(gòu)造人工魚的模型，采用面向?qū)ο蟮募夹g(shù)，并用C+十語言的偽代碼形式來說明。動物一般不具備人類所具有的復(fù)雜邏輯推理能力和綜合判斷能力的高級智能，它們的目的是在個(gè)體的簡單行為或通過群體的簡單行為而達(dá)到或突現(xiàn)出來的。蟻群算法在構(gòu)造解的過程中，隨機(jī)選擇策略增加了生成解的隨機(jī)性，接收了解在一定程度上的退化，使得搜索范圍在一段時(shí)間內(nèi)保持足夠大這樣影響了算法的收斂速度。具有自組織、自適應(yīng)和自學(xué)習(xí)性。第一個(gè)就是粒子本身所找到的最優(yōu)解。那么找到食物的最優(yōu)策略是什么呢。此時(shí)，要根據(jù)下式對各路徑上的信息量作更新： （2）其中： = （3）表示螞蟻在本次循環(huán)中在城市和城市之間留下的信息量，其計(jì)算方法根據(jù)計(jì)算模型而定，在最常用的ant cycle system模型中； =