基于社会学习机制改进人工鱼群算法.docVIP

基于社会学习机制改进人工鱼群算法 　　摘要： 针对人工鱼群算法后期搜索速度慢、不易得到精确解等问题，结合社会学习机制提出一种改进算法。当人工鱼群算法进行到优化后期时，使用群体社会学习机制中的趋同和趋异行为进行寻优。两种行为搜索速度快，寻优精度高，且趋异现象提高了群体的多样性，增强了跳出局部极值的能力，在一定程度上改善了原算法的搜索性能。仿真实验结果表明了改进算法的可行性和有效性。 关键词： 人工鱼群算法；社会学习机制；趋同；趋异；优化 0引言 人工鱼群算法[1]（Artificial Fish Swarm Algorithm， AFSA）是李晓磊等受鱼群生活习性的启发所提出的一种群智能优化算法。该算法具有较强的全局搜索和快速跟踪变化能力，鲁棒性强，简单灵活易实现，被广泛应用在交通规划[2]、网络无线定位[3]、图形图像处理[4]、机器人路径规划[5]等许多领域。自AFSA提出以来，研究者从鱼群的初始化、算法参数的调整、基本行为的改进以及和其他智能算法的结合等方面进行了改进研究，以提高AFSA的优化效率。如：王联国等[6]对AFSA进行简化研究，提高了算法的自适应能力和优化精度；祁俊等[7]将双混沌映射应用在AFSA中，用Tent映射增强了初始鱼群的多样性，用Logistic映射产生变异算子对鱼群进行扰动，促进了其跳出局部最优值。刘佳等[8]用模拟退火算法中的Metropolis判别准则改进觅食行为，同时用模拟退火算子实施局部细化，提高了算法的运行效率和求解质量。陈建荣等[9]将捕鱼算法与AFSA相结合，在优化初期使用 AFSA搜索局部最优域，后期使用捕鱼算法搜索最优值，混合算法提高了寻优精度但收敛速度不高。姚祥光等[10]将AFSA与微粒群算法相结合，在某种程度上避免了陷入局部最优值，但收敛精度有待进一步提高。改进算法在一定程度上能很好地解决非线性函数优化问题，但随着问题的不断深入，算法在优化初期收敛速度比较快，而后期往往较慢，且容易陷入局部最优。此外，AFSA一般找到的是满意的解域，不易得到精确值。 本文将社会学习机制中的趋同和趋异现象应用到AFSA中，在快速找到局部最优域后，一方面用趋同行为向全局最优方向进化，另一方面用趋异行为向最优的反方向前进，以寻找其他可能存在的全局最优值，防止陷入局部最优。趋同和趋异行为弥补了AFSA后期收敛速度慢、易陷入局部最优和求解精度低的缺点，通过对一些函数进行仿真实验说明了改进算法的优越性。 4结语 本文在分析AFSA不足的基础上，提出一种改进的人工鱼群算法。IAFSA结合了人工鱼群算法前期收敛速度快、全局搜索能力强和社会学习机制中趋同和趋异行为学习速度快、搜索精度高等优点。增强了种群的多样性，避免了寻优过程的过早收敛，有效地提高了算法的搜索速度和寻优精度，为求解非线性优化问题，尤其是易陷入局部极值的最优问题提供了很好的算法。在此基础上如何更进一步改善算法的执行效率是下一步的研究方向。 参考文献： [1] 李晓磊， 邵之江， 钱积新. 一种基于动物自治体的寻优模式： 鱼群算法[J]. 系统工程理论与实践， 2002， 22（11）： 32-38. [2] 姜山， 季业飞. 改进的人工鱼群混合算法在交通分配中的应用[J]. 计算机仿真， 2011， 28（6）： 326-329. [3] 贾强， 季仲梅， 王建辉. 改进的人工鱼群算法及其在无线定位中的应用[J]. 计算机应用研究， 2011， 28（6）： 2147-2150. [4] 张涛， 肖永豪， 余卫宇. 基于鱼群算法的图像阈值分割[J]. 计算机应用研究， 2011， 28（3）： 1168-1169. [5] 徐晓晴， 朱庆保. 动态环境下基于多人工鱼群算法和避碰规则库的机器人路径规划[J]. 电子学报， 2012， 40（8）： 1694-1700. [6] 王联国， 洪毅， 赵付青， 等. 一种简化的人工鱼群算法[J]. 小型微型计算机系统， 2009， 30（8）： 1663-1667. [7] 祁俊， 赵慧雅， 李明. 基于双混沌映射改进的人工鱼群算法[J]. 计算机应用与软件， 2012， 29（9）： 230-233. [8] 刘佳， 刘丽娜， 李靖， 等. 基于模拟退火算法的改进人工鱼群算法研究[J]. 计算机仿真， 2011， 28（10）： 195-198. [9] 陈建荣， 王勇. 一种人工鱼算法与捕鱼算法相结合的优化方法[J]. 计算机应用与软件， 2011， 28（4）： 196-199. [10] 姚祥光， 周永权， 李咏梅. 人工