基于混沌变异的自适应人工鱼群优化算法.docVIP

基于混沌变异的自适应人工鱼群优化算法 　　【摘 要】针对标准人工鱼群优化算法在迭代过程中易陷入局部最优和后期收敛速度慢的问题，提出一种基于混沌改进的自适应人工鱼群算法。该算法利用混沌序列获得均匀初始化的种群，并在人工鱼群陷入局部极值时对其进行混沌变异操作，增加鱼群的多样性，同时根据食物浓度自适应调节人工鱼步长，提高收敛速度。仿真实验表明，该算法能够有效避免早熟问题，并且具有较快的收敛速度。 　　【关键词】混沌 局部最优 人工鱼群算法 早熟收敛 　　人工鱼群算法（Artificial Fish School Algorithm， AFSA）是由李晓磊等人在2002年提出的一种模拟鱼群在自然环境中的生态行为的随机搜索优化算法[1]。该算法通过鱼群的一系列行为找到最优解。由于其算法易实现、可并行处理、鲁棒性好等特点，因而已经成功应用在函数极值估计、神经网络训练、人脸检测与识别等领域[2]。 　　本文提出一种基于混沌变异的自适应人工鱼群优化算法（Adaptive Artificial Fish Optimization Algorithm Based on Chaotic Mutation， ACMAFO）。该算法利用混沌序列获得均匀初始化的种群，并在人工鱼群陷入局部极值时对其进行混沌变异操作，增加鱼群的多样性，同时根据食物浓度自适应调节人工鱼步长，提高收敛速度。仿真实验结