人工鱼群算法及其在一维下料问题中的运用.pptVIP

●数值试验 算法中，使人工鱼逃逸局部极值实现全局寻优的因素主要有以下几种： 觅食行为中try_number的次数较少时，为人工鱼提供了随机游动的机 会，从而能跳出局部极值的邻域; 随机步长的采用，使得在前往局部极值的途中，有可能转而游向全局 极值，当然，其相反的一面也会发生的，就是在去往全局极值的途中，可 能转而游向局部极值，这对一个个体当然不好判定他的祸福，但对于一个 群体来说，好的一面往往会具有更大的机率: 拥挤度因子的引入限制了聚群的规模，只有较优的地方才能聚集更多 的人工鱼，使得人工鱼能够更广泛的寻优。 聚群行为能够促使少数陷于局部极值的人工鱼向多数趋向全局极值的 人工鱼方向聚集，从而逃离局部极值; 追尾行为加快了人工鱼向更优状态的游动，同时也能促使陷于局部极 值的人工鱼向趋向全局极值的更优人工鱼方向的追随而逃离局部极值域。 4 总结 try_number 越大，人工鱼摆脱局部极值的能力就越弱，算法收敛 到全局最优的进化代数就会越大。但较大的 try_number 又可以减少人 工鱼的随机游动从而提高收敛效率。 当视野较小时，人工鱼的觅食行为和随机行为比较突出，这样就很 容易进入局部极值中；而当视野较大的时候，人工鱼的追尾行为和聚群 行为将变得比较突出，降低算法的收敛速度。它的大小决定了算法的收 敛速度和最终解的质量。在基本的人工鱼群算法的觅食行为中，视野大 小是固定不变的。应该考虑使得视野随着尝试次数的增大而逐渐减小。 在算法的初始阶段，各条人工鱼在较大的视野范围内寻优，这样就能扩 展算法的搜寻范围；随着算法的进行，自适应地减小人工鱼的视野范围， 从而提高算法的收敛速度。 如果步长为固定步长，随着步长的增加，收敛速度也在逐渐加快， 但当步长过大的时候又会减缓速度，甚至出现振荡现象而影响收敛速度。 因此为了减少收敛过程中的振荡现象，这里采用随机步长进行寻优。这 样能够使得该参数的敏感度大大降低了，但是当步长为最优固定步长时， 算法的收敛速度是最快的，所以，对于特定的优化问题，还是可以考虑 用有效的固定步长来提高收敛的速度。 人工鱼群算法的特点 并行性:多个AF并行地进行搜索; 简单性:算法中仅使用了目标问题的函数值; 全局性:算法具有很强的跳出局部极值的能力; 快速性:算法中虽然有一定的随机因素，但总体是在步步向最优 搜索; 跟踪性:随着工作状况或其他因素的变更造成的极值点的漂移， 本算法具有快速跟踪变化的能力。 由以上的研究可以看出，本算法仅仅获取的是系统的满意解 域，对于精确解的获取还需借助于一些策略，如分阶段寻优和变 参数寻优等。 Thank you! * * * 人工鱼群算法及其 在一维下料问题中的应用 Contents 4 鱼群模式概论 1 2 3 人工鱼群算法 算法实际应用 总结 鱼群模式概论 1 ●视觉 一虚拟人工鱼实体的当前状态为X，Visual为其视野范围，状 态Xv为其在时刻视点所在的位置，如果该位置的状态优于当前状 态，则考虑向该位置方向前进 一步，即到达状态Xnext；如果状态 Xv不比当前状态更优，则继续巡视视野内的其它位置。巡视的次数 越多，则对视野内的状态了解更全面，从而对周围的环境有一个全 方面立体的认知，这有助于做出相应的判断和决策。当然，对于状 态多或无限状态的环境也不必全部遍历，允许一定的不确定性对于 摆脱局部最优，从而寻找全局最优是有帮助的。 其中，初始状态X=（x1,x2,…,xn），随机状态Xv=(x1v,x2v,…,xnv) 则该过程可以表示如下： 上式中，Rand函数为产生0到1之间的随机数，Step为移动步长。 由于环境中同伴的数目是有限的，因此在视野中感知同伴的状态， 并相应的调整自身状态的方法与上式类似。 ●鱼群行为分析 鱼类与我们的关系相当密切，也较为我们所熟知，通常我们可以 观察到如下的鱼类行为: 觅食行为:这是生物的一种最基本的行为，也就是趋向食物的一种 活动;一般可以认为它是通过视觉或味觉来感知水中的食物量或浓度来 选择趋向的，因此，以上所述的视觉概念可以应用于该行为。 聚群行为:这是鱼类较常见的一种现象，大量或少量的鱼都能聚集 成群，这是它们在进化过程中形成的一种生存方式，可以进行集体觅 食和躲避敌害。 追尾行为:当某一条鱼或几条鱼发现食物时，它们附近的鱼会尾随 其后快速游过来，进而导致更远处的鱼也尾随过来。 随机行为:鱼在水中悠闲的自由游动，基本上是随机的，其实它们 也是为了更大范围的寻觅食物或同伴。 ●人工鱼 人工鱼是真实鱼个体的一个虚拟实