【正文】 s Liaoning province, decades ago. The solider gave the old man a handmade saddle when they bid farewell. The story inspired Nasun to write Carved Saddle, a song that later became one of his most popular numbers. Now, every year, Nasu。s Poly Theater. Their show, titled Ulan Muqir on the Grassland, depicted the history and development of the art troupe. Being from the region allowed me to embrace the culture of Inner Mongolia and being a member of the troupe showed me where I belonged, Nasun, the art troupe39。s performers of the troupe still tour the region39。t have a formal stage. The audience just sat on the grass. Usually, the performances became a big party with local people joining in. For him, the rewarding part about touring isn39。80s. We sat on the back of pickup trucks for hours. The sky was blue, and we couldn39。s Shaanxi province pass through a stop on the ancient Silk Road, Gansu39。 結(jié)合圖 6 6 63 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。從圖 64 還可以看 出，紅色曲線中除了個(gè)別點(diǎn)處于高位上，基本上其他的點(diǎn)都在低位徘徊。 從圖 64 還可以看出，紅色曲線基本在藍(lán) 色曲線和綠色曲線的下方。 從圖 64 看 出， 30 次結(jié)果 中，混合人工智能算法達(dá)到最低點(diǎn)位置的次數(shù)有 11 次；而人工魚群算法和人工蜂群算法達(dá)到最低點(diǎn)位置的次數(shù)分別為 5 次和 3 次。從這三個(gè)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。 圖 63 混合人工智能算法 的實(shí)驗(yàn)結(jié)果 用 matlab 將這兩種方法的 30 次結(jié)果進(jìn)行對(duì)比，如圖 64 所示。 圖 61 人工蜂群算法 的實(shí)驗(yàn)結(jié)果 人工魚群算法結(jié)果 見 圖 62。 人 工蜂群算法結(jié)果見圖 61。 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 。 混合 人工 智能算法 的參數(shù)設(shè)置 人工蜂群算法參數(shù)見表 61。 24 6 混合 人工 智能算法 的實(shí)驗(yàn) 結(jié)果分析 為 便于對(duì)實(shí)驗(yàn)結(jié)果的分析 ，下面 采用 第三章中 給出的仿真實(shí)例，并且對(duì) 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) 。 （ 3） 偵查蜂的產(chǎn)生 記錄每個(gè)人工蜂進(jìn)行領(lǐng)域搜索的次 數(shù)，將其存儲(chǔ)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(jìn)行隨機(jī)搜索。這四種方法分別是 ① 交換任意兩個(gè)數(shù)的位置； ② 隨機(jī)得將一個(gè)數(shù)插到另一數(shù)的前面； ③ 隨機(jī)的將兩個(gè)數(shù)之間的數(shù)組翻轉(zhuǎn)，及順序顛倒； ④ 隨機(jī)的交換相鄰的兩個(gè)數(shù)。 人工蜂行為的設(shè)計(jì) （ 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(jìn)行領(lǐng)域搜索的。 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(shí)，需要充分考慮該問題的實(shí)際情況，基于合適的解的設(shè)計(jì)方法，包括如何描述人工魚的狀態(tài)，即對(duì)該問題變量的設(shè)計(jì)，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(jī)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(jì)，還有人工魚之間距離的計(jì)算方法。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(jìn)行一次領(lǐng)域搜索，并選擇較好的解； Step3 如果某個(gè)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(gè)新解； Step4 算法終止，輸出最好的 SN 個(gè)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(gè)數(shù)不到 SN 個(gè)，則不足的解進(jìn)行初始化操作） ； Step5 各個(gè)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。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(diǎn)，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。 該算法將會(huì)充分利用這兩類算法的特點(diǎn)，整個(gè)算法同樣可以分解為兩個(gè)階段。而且人工蜂 群算法對(duì)種群的處理較少，使得該算法的運(yùn)行速度往往很好，這在實(shí)際生活中時(shí)間是很重要的因素要被考慮。 （ 4） 新思路的提出 根據(jù)上面對(duì)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(jìn)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(diǎn)又能有效的避免各自的缺點(diǎn)，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。 21 （ 3） 兩種算法的缺點(diǎn)分析 如圖 所示，改進(jìn)后的人工魚群算法依然有 20 個(gè)點(diǎn)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。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(gè)位置附近的最優(yōu)解。所以這些行為會(huì)導(dǎo)致這兩種算法有本質(zhì)的區(qū)別，因?yàn)槿斯し淙嚎紤]的是個(gè)體沒有考慮周圍的個(gè)體，從而 人工蜂的分布位置將會(huì)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?yàn)檫@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 。 但是這 兩種 算法中的個(gè)體運(yùn)動(dòng)的目的不同還是導(dǎo)致個(gè)體運(yùn)動(dòng)規(guī)律有所區(qū)別的。而且這兩類種群算法在個(gè)體規(guī)律上也有一定的相似之處。只有在個(gè)體數(shù)目逐漸增大到 一定規(guī)模后，簡單個(gè)體行為就會(huì)涌現(xiàn)出個(gè)體力量所無法實(shí)現(xiàn)的群智能行為。 人工蜂群算法 和 人工魚群算法 的優(yōu)缺點(diǎn)分析 （ 1） 兩個(gè)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(diǎn)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。 20 5 混合人工蜂群 — 魚群算法及 VRP 應(yīng)用研究 VRP 問題是一個(gè) 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。 由此可以得出結(jié)論，改進(jìn)后的方法 要優(yōu)于 傳統(tǒng)處理方法 。 從圖 3 還可以看 出， 藍(lán)色的波動(dòng)比綠色曲線的波動(dòng)幅度更 大。 從圖 43 還可以看 出， 藍(lán)色曲線基本都在綠色曲線的上面 。 從圖43 看 出， 30 次結(jié)果 中， 傳統(tǒng)處理方法 達(dá)到最低點(diǎn)位置的次數(shù)有 1 次；而 改進(jìn)的方法 達(dá)到最低點(diǎn)位置的次數(shù)有 6 次。 圖 43 改進(jìn) 前、 后的處理方法 的計(jì)算結(jié)果的 對(duì)比 19 從圖 41 和圖 42 可知，使用改進(jìn)后的方法運(yùn)行 30 次得出的結(jié)果的平均值比傳統(tǒng)的方法更好，而且改進(jìn)后的方法得出的結(jié)果的方差比傳統(tǒng)方法結(jié)果的方差要小， 這 說明改進(jìn)后的方法比傳統(tǒng)的方法得出 的 結(jié)果 精確度更高、運(yùn)行結(jié)果 更加穩(wěn)定。 圖 41 傳統(tǒng)的處理方法 的計(jì)算結(jié)果 人工魚群算法改進(jìn)后的處理方法，結(jié)果如圖 42 所示。 表 42 人工魚群算法參數(shù) 人工魚的數(shù)量 visual delta try_number Tm visualmin visualmax 50 2 3 30 2021 2 6 18 實(shí)驗(yàn)結(jié)果及對(duì)結(jié)果的分析 為了檢驗(yàn)程序結(jié)果的有效性，將所有程序重復(fù)運(yùn)行 30 次，比較程序出現(xiàn)的平均值，用平均值來評(píng)價(jià)算法的性能，并對(duì)這 30 次運(yùn)行的結(jié)果求方差，看算法得出結(jié)果的穩(wěn)定性。 人工魚群算法參數(shù)見表 42。 以 19 個(gè)客戶的配送為題驗(yàn)證結(jié)果，設(shè)定中心位于坐標(biāo)（ 0,0）處，這 19 個(gè)客戶的位置分布 及需求量見表 41。實(shí)現(xiàn)方法比較簡單，定義一個(gè)最大視域，一個(gè)最小視域，當(dāng)?shù)螖?shù)增加的時(shí)候，使得人工魚的視域逐漸從最小視域向最大視域改變。 基于相似片段距離的 人工魚覓食行為具體方法如下： Step1 首先定義三種改變?nèi)斯~位置的方法，第一種交換任意兩個(gè)數(shù)之間的位置；第二種任意選擇一個(gè)數(shù)，當(dāng)這個(gè)數(shù)不是數(shù)組中第一個(gè)數(shù)時(shí)將其與它前面一個(gè)數(shù)交換位置 ，否則繼續(xù)選擇一個(gè)數(shù)；第三種任意選擇兩個(gè)數(shù)，將其中一個(gè)數(shù)插到另一個(gè)數(shù)的前面； Step2 隨機(jī)生成一個(gè)小于等于 5 的正整數(shù)數(shù)，當(dāng)這個(gè)等于 1,2,3 的時(shí)候，則分 17 別進(jìn)行第一種、第二種或者第三種方法來改變?nèi)斯~的位置，當(dāng)?shù)扔?4 或 5 時(shí)，則不進(jìn)行任何操作； Step3 將步驟 Step2 進(jìn)行 visual 次操作，當(dāng)?shù)玫叫碌娜斯~的位置優(yōu)于以前的位置時(shí)，則將人工魚向食物濃度更高的位置前進(jìn)一步； Step4 如果進(jìn)行 try_namber 次尋找的時(shí)候人工魚任然沒有找到食物濃度更好的位置，那么該人工魚最后進(jìn)行一次嘗試，不管該位置是否更優(yōu) 該人工魚都向其前進(jìn)一步。這樣在人工魚的視野中，人工魚中的位置信息相似程度將會(huì)非常大，有利于食物濃度的差別不是很 大。 計(jì)算 a 與 b 之間基于相似片段的距離的 主要方法如下： Step1 初始化 count=0（記錄人工魚距離的長度）， i=0（數(shù)組 a 的 起始位置） ,j=0； Step2 將 a[i]與 b 中的每個(gè)數(shù)進(jìn)行對(duì)比，當(dāng) a[i]==b[j]的時(shí)候， i++， j++； Step3 直到 a[i]!=b[j]的時(shí)候，或者 j 等于 D 的時(shí)候 count++； Step4 如果 i!=D，則轉(zhuǎn)到 Step2，否則 count++，結(jié)束 。因此，我們提出基于相似片段的距離，就是 a 與 b 編碼所有相同片段的個(gè)數(shù)。 例如a[5]={1,2,3,4,5},b[5]={2,3,4,5,1},a 與 b 之間 傳統(tǒng)的距離為 5。 公告欄 該函數(shù)的作用是將傳入的人工魚的狀態(tài)與公告欄中記錄的最優(yōu)狀態(tài)進(jìn)行比 16 較，如果傳入的人工魚的狀態(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。該行為的具體步驟如下：先進(jìn)行追尾行為，如果沒有進(jìn)步則進(jìn)行聚群行 為，如果依然沒有進(jìn)步則進(jìn)行覓食行為。 ⑴ 依次比較 center[Client_Number]內(nèi)的每個(gè)值，使得重復(fù)的站點(diǎn)只能出現(xiàn)一次，其他的值設(shè)定位 0； ⑵ 根據(jù) center[Client_Number]內(nèi)的值，計(jì)算出沒有出現(xiàn)的站點(diǎn)編號(hào)，將這些沒有出現(xiàn)的編號(hào)存儲(chǔ)在 center_p[Client_Number]中，將 center_p[Client_Number]內(nèi)的非 0 值隨機(jī)的賦值到 center[Client_Number]中出現(xiàn) 0 值的地方 （ 4） 追尾行為 追尾行為實(shí)現(xiàn)的過程是：先尋找這條人工魚視野內(nèi)的其他人工魚，計(jì)算所有視野范圍內(nèi)的人工魚的適應(yīng)度值，尋找最優(yōu)的那條人工魚記為 b，然后找出人工魚 b 的視野內(nèi)的人工魚的數(shù)量記為 nf（用于判斷該人工魚附近是否擁擠），如果b 的狀態(tài)更優(yōu)，而且周圍并不擁擠，則就選擇跳向它，否則就保持不變。但是使用上面的方法可能使得中心位置不符合變量定義原則，因此需要對(duì)它進(jìn)行修復(fù)， center[Client_Number]可能出現(xiàn)的問題為：某個(gè)站點(diǎn)出 現(xiàn)在很多位置；某個(gè)站點(diǎn)沒有出現(xiàn)在任何位置。 計(jì)算這個(gè)魚群中第 1 個(gè)經(jīng)過站點(diǎn)的標(biāo)號(hào)（ a[x[j][1]]++，其中 j 表示在該魚群中第 j 條人工魚， a[x[j][1]]表示存儲(chǔ)第一次經(jīng)過某個(gè)標(biāo)號(hào)的次數(shù)），通過 a[x[Food_Number][1]]計(jì)算出第一次經(jīng)過最多次數(shù)的某個(gè)點(diǎn) point，并進(jìn)行賦值使得 center[1]=point。這個(gè)過程中的重點(diǎn)是如何計(jì)算該中心狀態(tài)。如果并沒有在視野內(nèi)找到更好的狀態(tài)則繼續(xù)掃描，這樣尋優(yōu)會(huì)持續(xù) try_number 次；如果經(jīng)過 try_number 后還沒有找到一個(gè)更優(yōu)的狀態(tài)，就采取隨機(jī)行為。 在尋找 y 的過程中，主要采取的是首先將 x 內(nèi)任意（ Client_Numbervisual）個(gè)數(shù)保持不變賦給 y，然后將剩下的 visual 個(gè)數(shù)隨機(jī)的存放在 y 的空位置處，得到新的位置 y。執(zhí)行覓食行 為的過程可以描述為：首先，對(duì)于任意的一條人工魚，設(shè)其現(xiàn)在的狀態(tài)為 x，在其視野范圍內(nèi)任意找到一點(diǎn) y，采用如下方法：