【正文】 時刻。螞蟻按照信息素及啟發(fā)式信息的指引構造一步問題的解，進行局部信息素更新。(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，在此基礎上進行遺傳操作。并且取得了一定的成效。這些問題描述簡單，并且有很強的工程代表性，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行時間與極大的存儲空間，以致根本不可能在現(xiàn)有計算機上實現(xiàn)，即所謂的“組合爆炸”。 ※※※※※※※※※※※※※※※※※※※※※※※※2013屆學生畢業(yè)設計(論文)材料（四）學 生 畢 業(yè) 設 計（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 號090940117院 系數學與計算科學學院專 業(yè)數學與應用數學指導教師林仁 講師2013年4月23 日湖南城市學院本科畢業(yè)設計（論文）誠信聲明本人鄭重聲明：所呈交的本科畢業(yè)設計（論文），是本人在指導老師的指導下，獨立進行研究工作所取得的成果，成果不存在知識產權爭議，除文中已經注明引用的內容外，本設計（論文）不含任何其他個人或集體已經發(fā)表或撰寫過的作品成果。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)調度問題、裝箱問題、圖著色問題、聚類問題等。近年連來有很多的國內外學者在研究遺傳算法，粒子群算法解決TSP問題。(2)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，同時算法本身易于實現(xiàn)并行化。(2)對于蟻群中的每只螞蟻，每個解構造。 用表示在￡時刻螞蟻由城市轉移到城市的概率，則 = （1）其中表示螞蟻下一步允許走過的城市的集合，它隨螞蟻的行進過程而動態(tài)改變；信息量隨時間的推移會逐步衰減，用1表示分別表示螞蟻在運動過程中所積累的信息量及啟發(fā)式因子在螞蟻選擇路徑中所起的不同作用,為由城市轉移到城市的期望程度可根據某種啟發(fā)算法而定。 PSO初始化為一群隨機粒子(隨機解)。(b)v[]是粒子的速度,w是慣性權重,persent[][] 和gbest[]如前定義rand()是介于（0，1）之間的隨機數. ,是學習因子。該算法具有良好的克服局部極值、取得全局極值的能力。 //attemp time un the behavior of prey float delta。魚群算法在對以上兩種行為進行評價后，自定選擇的行為，從而形成一種高效快速的尋優(yōu)策略。人工魚群算法求解旅行商問題（TSP）。4快速性:算法中雖然有一定的隨進因素，但總體是在步步向最優(yōu)搜索。感謝所有幫助和支持過的各位老師、同學和朋友。人工魚群算法采用了自下而上的設計思路，從AF的個體行為出發(fā)，達到了最終結果的突現(xiàn)，為優(yōu)化問題的解決提供了一條新的思路。 由于算法存在一定的隨機性，在相同參數下，熟練過程和結果也存在一定的差異，所以再一下的討論中，將針對每一種參數連續(xù)多次進行全局尋優(yōu)收斂實驗作為一組數據，然后對多組數據進行統(tǒng)計分析，從而確定各參數的性質。鑒于以上描述的人工魚行為，每個人工魚探索它當前所處的環(huán)境狀況和伙伴的狀況，其實伙伴的狀況相對于其自身應該也是歸屬于環(huán)境的狀況，從而選擇一種行為，最終，人工魚集結在幾個局部極值的周圍一般情況下，在討論求極大問題時，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)域周圍一般能集結較多的人工魚，這有助于判斷并獲取全局極值。人工魚的模型用如下描述:Class Artificial_fish{ Various: float AF_X[n]。粒子群算法的基本思想是通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解，它具有概念簡單容易實現(xiàn)，搜索速度快，搜索范圍大的突出優(yōu)點，粒子群算法參數少，原理簡單，易于編程實現(xiàn)最初是用來解決連續(xù)優(yōu)化問題，一般采用實數編碼。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區(qū)域。（=1，2... ）表示城市和之間的路徑上殘留的信息量。(2)分布式計算，蟻群算法是一種基于種群的進化算法，具有本質并行性，易于并行實現(xiàn)。與傳統(tǒng)的優(yōu)化算法相比，遺傳算法具有以下特點: (1)遺傳算法從問題解的串集開始搜索，而不是從單個解開始。與其他群集智能算法相比，人工魚群算法既有相同點又有自己的特點和相異之處。 binatorial optimization problems。人工魚群算法是一種新的群智能優(yōu)化算法，其原理簡單，收斂速度快，求解精度高。人工魚群算法已經成為交叉學科中一個非?；钴S的研究問題。JSP仿真，以JSP的實際需求為依據，定義JSP遺傳算法所需要的JSP個體適應度，并設計JSP個體適應度的求解方法。(5)具有自組織、自適應和自學習性。以上算法中，螞蟻逐步構造問題的可行解，在一步解構造過程中，螞蟻以概率方式選擇信息素強且啟發(fā)式因子高的弧達到下一個節(jié)點，直到不能繼續(xù)移動為止。PSO 算法屬于進化算法的一種，和遺傳算法相似，它也是從隨機解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應度來評價解的品質，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，它通過追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)。PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥。另外也可以不用整個種群而只是用其中一部分最為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。蟻群算法魯棒性強，具有優(yōu)越的正反饋機制，每個個體只能感知局部的信息，一不直接使用全局信息。在一片水域中，魚生存的數目最多的地方就是本水域中富含營養(yǎng)物質最多的地方，根據這一特點來模仿魚群的覓食等行為，從而實現(xiàn)全局最優(yōu)，這就是魚群算法的基本思想。 //behavior of folllow float AF_prey()。(3)為了限制了聚群的規(guī)模引入擁擠度因子。其中國表示集合、中元素個數。總結以上的研究，可以得出魚群算法的以下特點:并行性，簡單性，全局性，快速性，跟蹤性。算法采用自上而下的設計模式，個體行為之間具有相對獨立性和互補性，使得整個算法有較穩(wěn)定的收斂性能。在人工魚TSP問題中通過計算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。(4)聚群行為能夠促使少數陷入局部極值的人工魚向多數趨向全局極值的人工魚方向聚集，從而逃離局部極值。 float AF swarm()。覓食行為主要認為就是循著食物多的方向游動的一種行為，在尋優(yōu)算法中則是向較優(yōu)方向前進的迭代方式，如魚群模式中的視覺概念。是一類概率型的