【正文】 的方法比傳統(tǒng)處理方法從整體上能夠獲得更好的滿意解。從圖3還可以看出，藍色的波動比綠色曲線的波動幅度更大。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。由此可以得出結(jié)論，改進后的方法要優(yōu)于傳統(tǒng)處理方法。因此，本論文對人工魚群算法的使用將采用改進后的處理方法，以便得到更優(yōu)的解。5 混合人工蜂群—魚群算法及VRP應(yīng)用研究VRP問題是一個NP難題，尤其是隨著規(guī)模的增加，該問題的最終可行解求解也呈指數(shù)性增長，傳統(tǒng)的啟發(fā)式算法求解效果也并不是非常的好，都存在不同程度的問題。在第三章深入研究人工魚群算法和人工蜂群算法這兩類群智能算法基礎(chǔ)上，融合這兩類算法的優(yōu)點，提出了混合人工蜂群—魚群算法并用于解決VRP問題。（1） 兩個算法特性分析人工魚群算法和人工蜂群算法其最明顯的共同特點就是屬于種群優(yōu)化算法，同樣都是模擬自然界種群表現(xiàn)出來的種種行為。就算法中的單個個體而言只是遵循某種規(guī)律的自然行為，并沒有表現(xiàn)出智能，而且這兩種算法中個體所遵循的運動規(guī)律具有一定的相似性。只有在個體數(shù)目逐漸增大到一定規(guī)模后，簡單個體行為就會涌現(xiàn)出個體力量所無法實現(xiàn)的群智能行為。如魚群總是聚集在食物源最充足的地方，蜂群中引領(lǐng)蜂總是將食物源高的地方的信息帶回蜂巢告訴跟隨蜂。而且這兩類種群算法在個體規(guī)律上也有一定的相似之處。如在蜂群中引領(lǐng)蜂如果在規(guī)定的次數(shù)內(nèi)沒有發(fā)現(xiàn)更好的食物源，那么引領(lǐng)蜂將會變成偵查蜂（隨機產(chǎn)生一組解）；在魚群中人工魚進行覓食行為時如果在規(guī)定的次數(shù)內(nèi)沒有找到更好的食物源，那么人工魚將在視野范圍內(nèi)隨機的前進一步。但是這兩種算法中的個體運動的目的不同還是導(dǎo)致個體運動規(guī)律有所區(qū)別的。人工魚更加注重的魚群種群的尋優(yōu)，而人工蜂群每個個體都是向著自己的方向?qū)ふ易顑?yōu)，沒有過多的考慮種群的行為。所以這些行為會導(dǎo)致這兩種算法有本質(zhì)的區(qū)別，因為人工蜂群考慮的是個體沒有考慮周圍的個體，從而人工蜂的分布位置將會比較廣泛，所以人工魚群算法比人工蜂群有更快的收斂速度，也正是因為這樣人工魚群算法的解更加容易陷入局部最優(yōu)解，人工蜂群算法雖然能夠避免早睡的現(xiàn)象，但是收斂速度太慢不利于找到最優(yōu)解。（2）兩種算法的優(yōu)點分析 由于人工魚群算法考慮了人工魚的聚群和追尾行為，所以人工魚群更加容易造成人工魚的聚集行為，但是由于設(shè)置了擁擠因子，使得人工魚群沒有完全集中在一個位置中。但是這種人工魚的快速聚集行為有利于算法的快速收斂，避免遺失某個位置附近的最優(yōu)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。（3） 兩種算法的缺點分析 ，改進后的人工魚群算法依然有20個點在高位上，說明人工魚群算法容易陷入局部最優(yōu)解，這是由于魚群中的一些群體性行為引起的。人工蜂群算法在尋優(yōu)的過程中，考慮更多的是單個蜜蜂的尋優(yōu)，所以在某些地方可能會錯過最優(yōu)解的位置，從而使得人工蜂群算法的收斂速度不夠快。（4） 新思路的提出根據(jù)上面對人工蜂群算法和人工魚群算法的討論，我們不妨將這兩種算法進行融合，使得產(chǎn)生的混合人工智能算法能夠具備兩者的優(yōu)點又能有效的避免各自的缺點，從而使得混合人工智能算法能夠快速的找到VRP問題較好的解。 混合人工智能算法的設(shè)計由于人工魚群算法的收斂速度較好但是容易陷入局部最優(yōu)解；人工蜂群算法的能夠避免結(jié)果的早熟現(xiàn)象，但是在運行的過程人工蜂群算法收斂速度并不好，可能造成錯過最優(yōu)解。而且人工蜂群算法對種群的處理較少，使得該算法的運行速度往往很好，這在實際生活中時間是很重要的因素要被考慮。所以我們希望有一種算法既能滿足時間的要求又能獲得一個比較理想的解，所以我們設(shè)計一個混合人工蜂群—人工魚群算法。該算法將會充分利用這兩類算法的特點，整個算法同樣可以分解為兩個階段。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。該混合人工智能算法充分利用了人工蜂群全局搜索和人工魚群快速收斂的優(yōu)點，從而改善了單純用人工魚群算法難以跳出局部最優(yōu)的能力，防止了早熟現(xiàn)象的發(fā)生。初始化種群，數(shù)量為N使用人工蜂群算法進行領(lǐng)域搜索取出N個最好且互不相同的解作為人工魚的初始值使用人工魚群算法進行種群行為取出公告欄中的最優(yōu)解，結(jié)束 混合人工蜂群—人工魚群算法示意圖 混合人工蜂群—人工魚群算法的實現(xiàn)混合人工蜂群—人工魚群算法實現(xiàn)步驟如下：Step1首先進行初始化蜂群參數(shù)，生成SN個初始種群，引領(lǐng)蜂先對對應(yīng)的食物源進行一次領(lǐng)域搜索，并選擇適應(yīng)度最高的食物源（解）；Step2所有的引領(lǐng)蜂完成搜索后，在舞蹈區(qū)把食物源的信息傳達給跟隨蜂，跟隨蜂根據(jù)得到的信息按照概率選擇食物源。適應(yīng)度越高的食物源，被選擇的概率越大，隨后跟隨蜂也進行一次領(lǐng)域搜索，并選擇較好的解；Step3如果某個解經(jīng)過limit次循環(huán)后還沒有改善，則將該解丟棄產(chǎn)生一個新解；Step4算法終止，輸出最好的SN個不同的解，將這些解作為人工魚的初始狀態(tài)，并初始化人工魚群的參數(shù)（如果蜂群中產(chǎn)生的解的個數(shù)不到SN個，則不足的解進行初始化操作）；Step5各個人工魚根據(jù)魚群算法定義追尾、聚群行為，其缺省行為方式執(zhí)行覓食行為。人工魚在進行追尾和聚群等行為后，各人工魚最優(yōu)解尚未改變，則進行隨機行為；Step算法終止，輸出最優(yōu)解（即人工魚狀態(tài)和對應(yīng)的值）。 基于混合人工蜂群—人工魚群算法的VRP問題求解在建立混合人工智能算法模型時，需要充分考慮該問題的實際情況，基于合適的解的設(shè)計方法，包括如何描述人工魚的狀態(tài)，即對該問題變量的設(shè)計，以及如何修復(fù)狀態(tài)使之符合問題的約束條件和一些尋優(yōu)策略，即人工魚的覓食行為、聚群行為、追尾行為、隨機行為以及人工蜂的引領(lǐng)蜂、跟隨蜂、偵查蜂的行為的設(shè)計，還有人工魚之間距離的計算方法。本論文關(guān)于人工魚群的處理方法已經(jīng)在第三章有過詳細的介紹，所以下面只介紹人工蜂群的處理方法。 人工蜂行為的設(shè)計（1） 領(lǐng)域搜索策略的選擇 在原算法中引領(lǐng)蜂和跟隨蜂是根據(jù)公式 vij = xij + rand(0,1)(xij xkj)進行領(lǐng)域搜索的。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(lǐng)域搜索：設(shè)計四種編碼交換的方式，在實際操作中隨機選擇一種即可。這四種方法分別是①交換任意兩個數(shù)的位置；②隨機得將一個數(shù)插到另一數(shù)的前面；③隨機的將兩個數(shù)之間的數(shù)組翻轉(zhuǎn)，及順序顛倒；④隨機的交換相鄰的兩個數(shù)。（2） 概率值的計算 將引領(lǐng)蜂的適應(yīng)度值全部存儲在fitness[Food_Number]中，計算出最大的那個值maxfli，然后使用公式prob[i]=(*(fitness[i]/maxfit))+，當(dāng)隨機產(chǎn)生一個在0與1之間的一個小數(shù)時，則跟隨蜂將根據(jù)引領(lǐng)蜂的信息進行領(lǐng)域搜索。（3） 偵查蜂的產(chǎn)生 記錄每個人工蜂進行領(lǐng)域搜索的次數(shù)，將其存儲在trial[Food_Number]中，每次拿出trial[Food_Number]中的最大的數(shù)跟limit（最大改善次數(shù)）比較，如果大于則將該人工蜂變成偵查蜂進行隨機搜索。 公告欄公告欄函數(shù)的作用是將傳入的人工魚（或人工蜂）的狀態(tài)與公告欄中記錄的最優(yōu)狀態(tài)進行比較，如果傳入的人工魚（或人工蜂）的狀態(tài)更優(yōu)，就用該狀態(tài)刷新公告欄中的最優(yōu)狀態(tài)GlobalParams[Client_Number]，從而保證公告欄中始終記錄的是迭代過程中的最優(yōu)值。6 混合人工智能算法的實驗結(jié)果分析為便于對實驗結(jié)果的分析，下面采用第三章中給出的仿真實例，并且對人工魚群算法采用相同的參數(shù)，以及混合人工智能算法與人工魚群算法采用相同的迭代次數(shù)。下面給出混合人工智能算法的仿真測試，并將結(jié)果與單純的人工蜂群算法和人工魚群算法進行比較，說明混合人工智能算法用來解決此類VRP問題時是有一定的有效性。人工蜂群算法參數(shù)見表61。表61中的limit代表領(lǐng)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limitmax_Cycle50302000混合人工智能算法參數(shù)見表62。表62中的參數(shù)僅僅是將蜂群算法和魚群算法的迭代次數(shù)都設(shè)定為1000，其他的參數(shù)不變。表62 混合人工智能算法參數(shù)群體數(shù)量Tmmax_Cyclelimitvisualminvisualmaxvisualdelta5010001000302623 為了檢驗程序結(jié)果的有效性，將所有程序重復(fù)運行30次，比較程序出現(xiàn)的平均值，用平均值來評價算法的性能，用方差來判斷程序的穩(wěn)定性。人工蜂群算法結(jié)果見圖61。將該算法重復(fù)運行30次，得到的結(jié)果如圖61所示。圖61 人工蜂群算法的實驗結(jié)果人工魚群算法結(jié)果見圖62。圖62 人工魚群算法的實驗結(jié)果混合人工智能算法結(jié)果見圖63。圖63 混合人工智能算法的實驗結(jié)果用matlab將這兩種方法的30次結(jié)果進行對比，如圖64所示。 實驗結(jié)果的分析從圖6663中可以看出，。從這三個結(jié)果中可以得出，在同等迭代次數(shù)的情況下，混合人工智能算法的性能要優(yōu)于人工蜂群算法和人工魚群算法。在圖64中，藍色曲線表示人工魚群算法的結(jié)果；綠色曲線表示人工蜂群算法的結(jié)果；紅色曲線表示混合人工智能算法的結(jié)果。從圖64看出，30次結(jié)果中，混合人工智能算法達到最低點位置的次數(shù)有11次；而人工魚群算法和人工蜂群算法達到最低點位置的次數(shù)分別為5次和3次。因此，混合人工智能算法比人工蜂群算法和人工魚群算法在相同條件下，更容易接近最優(yōu)解。從圖64還可以看出，紅色曲線基本在藍色曲線和綠色曲線的下方。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算法從整體上能夠獲得更好的滿意解。從圖64還可以看出，紅色曲線中除了個別點處于高位上，基本上其他的點都在低位徘徊。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算法更加穩(wěn)定。結(jié)合圖6663和64可知混合人工智能算法在一般情況下能夠獲得比人工蜂群算法和人工魚群算法更好的結(jié)果。26