人工鱼群算法1

格式：ppt
大小：517.50 KB
文档页数：17

下载文档原格式

鱼群算法的介绍

定义：视野范围visual=2.5,步长step=0.3,拥挤因子 δ =0.125，迭代次数为 100次，人工鱼的个数为50只。
无审视环节的实验效果图：公告板得到的结果是（0.046247,0.005745）， f(x,y)max=0.9996。
有审视环节的实验效果图：公告板显示的结果：（-0.023021,0.007922）， f(x,y)max=0.9999。
2、聚群行为：搜寻视野范内的同伴，判断视野范围内的鱼群中心的食物量是否比当前自己拥有的食物量多。如果多则往鱼群中心方向移动，少则执行觅食行为。
3、追尾行为：搜寻视野范围内的同伴，找出拥有食物量最多的个体。并判断拥有食物量最多的个体的周围是否有太多的鱼。如果少则说明值得往食物量最多的鱼方向移动，如果太多则说明不值得向食物量最多的鱼方向移动，还是自己找食物好（即执行觅食行为。）。（这里的多和少是有拥挤因子决定的。）
如果且Yv1<Yv2，表明伙伴Xv2的状态具有较高的食物浓度并且其周围不太拥挤，朝伙伴Xv2的方向前进一步；否则执行觅食行为。如果也执行觅食行为。
2.4 随机行为
随机行为：随机行为的实现比较简单，就是在视野中随机选择一个状态，然后向该方向移动，其实它是觅食行为的一个缺省行为。根据所要解决的问题性质, 对人工鱼当前所处的环境进行评价，从而选一种行为。较常用的评估方法是：选择各行为中使得向最优方向前进最大的方向，也就是各行为中使得人工鱼的下一个状态最优的行为，如果没有能使下一个状态优于当前状态的行为，则采用随机行为。
先提一下鱼群算法里面的各种参数： 1、visual 表示人工鱼的感知距离（即视野范围）。 2、step 表示人工鱼移动的最大步长。 3、 δ 表示拥挤因子 4、try—number是人工鱼在觅食行为中的移动次数。 5、friend—number表示人工鱼数量。

改进的人工鱼群算法(1)

改进的人工鱼群算法江铭炎、袁东风、程永明著山东大学信息科学与工程学院Email:jiangmingyan@摘要：人工鱼群算法(AFSA)是一种新型的智能优化算法。

它有许多优点,比如鲁棒性好、全局搜索能力强、参数公差的设定,而且它也被证明对初始值不敏感。

然而,它有一些弱点,表现为在后期优化的优化精度和收敛速度比较差。

在本文中,提出了一种改进AFSA(IAFSA)，在更新的过程中它将全局信息添加到人工鱼的位置。

这实验结果表明,该优化精度和收敛速度的方法与原AFSA相比有明显地改善。

1.简介人工鱼群算法（AFSA）[1]是（SAS）鱼群优化算法的一种。

近年来，如蚁群优化（ACO）的算法的SA [2]，粒子群优化（PSO）[3]算法，蜂群算法（BA）[4]越来越多的应用到工程应用中，由此他们在研究领域成为了热点。

这是一种把鱼群行为寻找食物比为社会行为的基础上智能优化算法AFSA。

在鱼群行为包括觅食，聚群行为，尾随行为[1]，随机行为[5]和觅食行为[6]。

与其他（SAS）相似，和它工作在一起的每个种群的个体被称为一个人工鱼(AF),每个人工鱼在“游”的搜索空间根据自己的经验及附近的伙伴来寻找有食物的地区。

结果, 随着共享的社会信息、来自于之前人工鱼附近搜索的经验和发现的食物浓度, AFSA可以像其他SA有能力在很宽的空间找到更好的解决方案,有效地搜索全局最优的自适应。

仿照AFSA动物行为的过程,并通过个人的局部优化找出全局最优。

在这种算法中，有时人工鱼个体的行为很难避免个体为时过早的寻找局部最优[1][5]。

在这种情况下,许多人工鱼陷入局部最优,只有少数的鱼能达到全局最优的区域。

因此,AFSA的优化精度和收敛速度的往往不是十分令人满意。

为了提高AFSA的性能, 在IAFSA更新过程中全区域最好的AFSA数据被加到了这个位置。

三个基准函数是用来检测新算法的性能；实验结果表明,该IAFSA提高了AFSA的性能,并保留其很多优点,如鲁棒性、公差的参数的设置,寻找适应性等。

人工鱼群算法及其应用研究

人工鱼群算法及其应用研究人工鱼群算法及其应用研究人工鱼群算法是近年来兴起的一种基于群体智能的优化算法，其灵感来源于鱼群觅食行为。

该算法通过模拟鱼群的觅食行为，以求解复杂的优化问题。

随着计算机技术的发展，人工鱼群算法受到广泛关注，并在多个领域得到应用。

本文将介绍人工鱼群算法的基本原理、应用情况以及存在的问题。

一、人工鱼群算法的基本原理人工鱼群算法中，鱼被模拟成具有觅食行为的个体，每条鱼都有一定的感知范围和特定的行为规则。

在觅食过程中，鱼会根据周围环境的信息对个体与群体的行为进行调整。

个体的行为规则包括觅食、逃避、追逐和交配等行为。

觅食行为主要包括鱼群个体的聚集和分散。

在算法中，每条鱼可以表示为一个解，将每个解表示为一个向量，向量的每个元素表示解的一个变量。

算法根据目标函数的值来评估每条鱼的适应度。

同时，算法会根据适应度值和鱼群中的信息进行个体的移动和调整。

通过多次迭代，鱼群逐渐趋于最佳解。

二、人工鱼群算法的应用研究人工鱼群算法在各个领域的应用研究日趋广泛。

以下将介绍几个典型的应用案例：1.优化问题求解人工鱼群算法在数学优化问题中有着广泛的应用。

例如，对于线性规划问题，可以将每个变量看作一条鱼进行建模，通过人工鱼群算法进行求解。

此外，该算法还被应用于网络流优化、组合优化、约束优化等多个领域的问题求解中，取得了较好的效果。

2.图像处理人工鱼群算法在图像处理中具有较强的适用性。

例如，在图像分割中，人工鱼群算法可以通过调整参数来达到图像分割的最佳效果。

此外，该算法还能够用于图像去噪、图像压缩等多个图像处理任务中。

3.路径规划人工鱼群算法在路径规划问题中的应用也较为广泛。

例如，对于无人驾驶车辆的路径规划问题，可以将人工鱼群算法应用于规划车辆的最短路径，并考虑到实时交通状况进行调整。

此外，该算法还可用于无线传感器网络中的路径规划问题、机器人的运动路径规划等多个领域。

三、人工鱼群算法存在的问题虽然人工鱼群算法在诸多领域有着广泛的应用，但也存在一些问题亟需解决。

人工鱼群算法(AFSA)及其简单应用举例

+ 2.2 AFSA基本概念 + 假设在一个n维的目标搜索空间中，有N条组成一 + 个群体的人工鱼，每个人工鱼个体的状态可表示为 + 向量X=（x1,x2,……xn）,其中xi（i=1,……n）为欲寻 + 优的变量：人工鱼当前所在位置的食物浓度表示为 + Y=f(X),其中Y为目标函数；人工鱼个体间距离表示 + 为 d=||Xi-Xj ||; visual表示人工鱼的感知范围，step + 为人工鱼移动步长，δ为拥挤度因子；trynumber + 表示人工鱼每次觅食最大试探次数。
6
8 10
x1
AFSA 迭代 20次 8
+ 1.2 人工生命
+ 具有某些生命基本特征的人工系统。包括两方面的内容：
+ 1、研究如何利用计算技术研究生物现象；
+ 2、研究如何利用生物技术研究计算问题。
+
+ 我们关注的是第二点。
+
如何利用生物技术研究计算问题是人工生命
研究的重要方向，现已有了很多源于生物现象的计
算技巧，例如人工神经网络是简化的大脑模型，遗
+ 2.4 具体算法步骤 + 鉴于以上描述的人工鱼群行为，每条人工鱼探索 + 它当前所处的环境状况和伙伴的状况，从而选择一 + 种行为来实际执行，最终人工鱼集结在几个局部极 + 值周围。一般情况下，在讨论求极大问题时，拥有 + 较大的适应值的人工鱼一般处于值较大的极值域周 + 围，这有助于获取全局极值域，而值较大的极值区 + 域周围一般能集结较多的人工鱼，这有助于判断并 + 获取全局极值。具体的人工鱼群算法步骤如下：

人工鱼群算法的分析及改进

1、引入动态调整策略
在AFSO算法中，随着迭代次数的增加，鱼群的全局最优解可能逐渐偏离真正的最优解。这是由于在寻优过程中，鱼群可能会陷入局部最优陷阱。为了解决这个问题，我们引入了动态调整策略，即根据算法的迭代次数和当前的最优解，动态地调整鱼群的搜索范围和搜索速度。
2、增加随机扰动
在AFSO算法中，鱼群通常会向当前的全局最优解集中。这可能会导致算法过早地陷入局部最优陷阱。为了解决这个问题，我们引入了随机扰动。即在每次迭代时，随机选择一部分鱼，将其位置和速度进行随机扰动，以增加算法的探索能力。
2、计算适应度：对于每一条鱼，计算其适应度函数值（通常是目标函数值），这个值代表了这条鱼的“健康”状况。
3、比较适应度：将每条鱼的适应度与全局最优解进行比较，更新全局最优解。
4、更新领头鱼：随机选择一条鱼作为领头鱼，然后根据一定的规则，如最小距离规则，选择其他鱼跟随领头鱼。
5、更新鱼群：根据领头鱼的位置和行为，更新其他鱼的位置和行为。
4、多种群并行搜索：通过将搜索空间划分为多个子空间，并在每个子空间中独立运行AFSA，我们可以实现多种群的并行搜索。这种并行搜索方法可以显著提高算法的搜索速度和效率。
四、结论
本次演示对人工鱼群算法进行了详细的分析和改进。通过引入混沌理论、变异机制和自适应调整参数等方法，我们可以有效地提高AFSA的全局搜索能力和效率，避免算法过早地陷入局部最优解。多种群并行搜索方法也可以显著提高算法的搜索速度和效率。这些改进方案为AFSA在实际应用中的广泛应用提供了有力的支持。
感谢观看
3、引入学习因子
在AFSO算法中，每个鱼会根据自身经验和群体行为来调整自己的方向和位置。然而，这个学习因子通常是固定的。为了提高算法的收敛速度和精度，我们引入了可变的学习因子。即根据算法的迭代次数和当前的最优解，动态地调整学习因子的大小。

人工鱼群算法优化神经网络的网络入侵检测

于保存上次隐含层的输出，ＥＩｍａｎ神经网络的结构图
如图１所示。
【（七）＝ｇ（）
算法：
８Ｅ
＝
ｆ７１
综合上述可知隐含层到输出层的权重因子学习
）一）） ’ ｇ ’ ）（
数据输入ＥＬＭ￣￣缀网络学＝＝＿＝＿１
前邻域内的伙伴数目及中心位置，为拥挤因子。若
Ｓｔｅｐ
的解为。
、
０
鱼群优化ＥＬＭ＊￣经刚络参数
则朝伙伴中心移动。
（１２）
１Ｌ得判最优ＥＬＭ神经参数１
设输出层的期望输出为Ｙａ则定义性能函数如下．
‘ ‘ ” （ ‘ ‘ 砷ｆ４）
ＡＦＳＡ）是一种采用自下而上信息寻优模式
的智能搜索算法，具有并行性、收敛速度快等优点，
为网络入侵分类器构建过程中的ＥＬＭ神经网络参数优化提供了一种新的工具。
面‘
（）
从ＥＬＭ神经网络建模原理可知，ＥＬＭ神经网络的
性能与初始值取值相关，要获得最优的ＥＬＭ神经网络
从图１可知，Ｅｌｍａｎ数学模型如下：
ｆ（七）＝（七一１）
｛（）＝．厂（ “ （）ｔ（））（）＝ｇ（Ｗ２ｘ（））（１）

淘宝网人工鱼群算法及应用

淘宝网人工鱼群算法及应用淘宝网人工鱼群算法是一种模拟自然鱼群行为的智能优化算法，它主要应用于淘宝网的推荐系统中。

人工鱼群算法模拟了鱼群觅食行为，通过个体间的交流与合作来寻找最佳解决方案。

淘宝网作为中国最大的电商平台，每天都面临着海量的商品与用户，如何将最合适的商品推荐给用户成为了一个重要的问题。

人工鱼群算法的应用能够有效地解决这个问题。

首先，淘宝网人工鱼群算法通过模拟鱼群觅食行为来寻找最佳解决方案。

在淘宝网的推荐系统中，每个商品可以看作一个虚拟的食物源，每个用户可以看作一个鱼。

人工鱼群算法通过模拟个体的觅食行为来寻找最佳匹配的商品。

鱼群中的每个个体通过觅食行为相互影响，通过正反馈和负反馈的机制，每个个体都能够获取到一定的信息。

其次，淘宝网人工鱼群算法通过个体间的交流与合作来优化推荐结果。

在鱼群中，个体之间会通过信息素的交流来共同优化搜索过程。

这样，每个个体就能够借助其他个体的经验和信息来加速搜索最佳匹配的商品。

而在淘宝网的推荐系统中，用户的行为数据就是一种信息素。

通过分析用户的行为数据，可以将用户划分为不同的群体，并将同一群体中的用户的喜好进行统计分析。

这些统计结果就是交流与合作中的信息素，在人工鱼群算法中被用来引导每个个体的搜索行为。

最后，淘宝网人工鱼群算法通过优化推荐结果来提升用户体验。

在鱼群中，每个个体都会根据自己的目标函数来进行搜索，而目标函数的选择会对搜索效果产生影响。

在淘宝网的推荐系统中，用户的满意度可以作为目标函数，通过优化目标函数来提升用户对推荐结果的满意度。

通过不断地调整目标函数，可以使得推荐系统更加符合用户的需求，提升用户体验。

总之，淘宝网人工鱼群算法是一种模拟自然鱼群行为的智能优化算法，它通过模拟鱼群觅食行为、个体间的交流与合作、优化推荐结果等方式来提升淘宝网的推荐系统。

通过应用人工鱼群算法，淘宝网能够更精准地向用户推荐最合适的商品，提升用户的购物体验。

人工鱼群算法

人工鱼群算法基本思想
首先放置36条鱼，每一条鱼分别位于每个格子的中心；依次对鱼执行觅食行为，确定鱼的下—步位置，36条鱼的下一步位置计算完以后，这个过程称为一轮；再执行下一轮的计算，直到鱼群的位置不再改变，算法结束。

算法的细节说明如下：
(1)格子的中心点有鱼表示当前格子内有一个以格子中心点为圆心半径为20 m的空洞。

(2)鱼的位置只能位于格子的中心点，鱼可以从当前格子走到其他任何—个格子的中心点上。

(3) 36条鱼的位置对应空洞的分布情况，空洞的分布确定后可以计算出波在98条线段上的传播时间(理论时间)，进而得到理论时问与观测时间的误差，所以36条鱼的位置对应于—个误差。

当36条鱼的位置对应的空洞分布最逼近于空洞分布的真实情况时，得到的误差应是最小的；当误差最小时，此时鱼群位置被认为是真实的空洞位置。

(4)针对一条鱼而言，若它游到下—步后鱼群位置所对应的误差小于当前鱼群位置所对应误差，那么这条鱼就允许移到下一步。

(5)第i条鱼下一步的位置确定以后，第f+1条鱼的位置在第i条鱼下—步位置的基础上计算出来的，即第f+l条鱼的下一步位置依赖于第f条鱼的下一步位置。

本算法中鱼的行动不是同时进行的，而是依次序进行。

基于全局最优的快速人工鱼群算法及其应用研究

基于全局最优的快速人工鱼群算法及其应用研究人工鱼群算法是一种有关动物行为的算法，这种算法具有一定的智能性，是最近几年国内学者提出来的。

这种人工鱼群算法是从行为方面进行的主要研究，并对原来存在的问题进行解决。

关键词】人工鱼群算法优化方法群体智能众多实验能够证明，群体智能优化的相关算法在很多问题的解决上都发挥了至关重要的作用，也得到了十分广泛的应用。

1人工鱼群算法1.1鱼群及其算法的基本思想人工鱼群算法主要依据的是鱼群的行为启发，在2002年被提出的一种有关动物行为的比较优化的算法。

一般情况个范围之内，鱼群中的鱼会跟随群体中的其它成员起找到食物比较多的地方。

而通常情况下，一片水域范围内食物最多的地方往往会有最多的鱼群数目。

根据这个特点，使用人工制作的鱼对鱼群的各种行为进行模拟，进而完成直线寻优的目的。

1.2人工鱼模型有关人工鱼模型的算法使用的是基于animats 的模式，设计采用的顺序是从上到下的，因此先进行的步骤就是人工鱼模型的建造。

通常情况下使用的是面向对象的技术方式，并用会用C++语言的伪代码形式来加以说明。

人工鱼一般的模型描述方式如下：Various ： float AF_swarm （）； //the behavior of swarm float AF_evaluate （）； //evaluate and select the behavior float AF_init （）； //to initialize the AFAritificial_fish （）； float AF_X[n] ；//AF 's position stepfloat AF_step ；//the distance that AF can moue for each float AF_visual ；//the visual diatance of AF float try_number ； //attempt time in the behavior of prey float AF_delta ；//the condition of jamming Functions ：float AF_foodconsistence （）； //the food consistence of AF ' s current positionfloat AF_move （）； //AF move to the next positionfloat AF_follow （）；//the behavior of follow float AF_prey （）；//the behavior of preyVirtual 〜Aritificial_fish ()；｝；通过上述模型的设置，会让人工鱼相关信息能被同伴收到，并能将人工鱼的一些行为规划到种群类型之中，会在鱼中间有所感知。

群体智能优化算法-鱼群优化算法

（5）
AF_Follow的伪代码如下：
functionAF_Follow（）
{
fmax=-∞；
for (j=0;j<friend_num;j++)
{
if (di,j<Visual andf(Xj)>fmax)
{
fmax=f(Xj);Xmax=Xj;
}
}
nf=0;
for (j=0;j<friend_num;j++)
对Xi(t)执行觅食行为，计算Xi,prey。
ifmin(f(Xi,swarm),f(Xi,follow),f(Xi,prey))<f(Xi)then
Xi(t+1)=argmin(f(Xi,swarm),f(Xi,follow),f(Xi,prey));
end if
endfor
End
参考文献
1.Yazdani, D., A. Nadjaran Toosi, and M.R. Meybodi.Fuzzy Adaptive Artificial Fish Swarm Algorithm. inAI 2010: Advances in Artificial Intelligence. 2011. Berlin, Heidelberg: Springer Berlin Heidelberg.
（4）
AF_Swarm的伪代码如下：
function AF_Swarm（）
{
nf=0;Xc=0;
for (j=0;j<fried_num;j++)
{
if (di,j<Visual)
{
nf++;Xc+=Xj;

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

人工鱼群算法实例
• 然后先进行追尾活动，每条鱼Xi都查看在自己可视域范围内（即距离小于visual，visual根据搜索空间的大小而定）的其它鱼，从中找到适应函数值最小的一个Xj ，其适应度函数值记为Yj，Xj周围可视域内的其它个体数量记为nf，若 Yj*nf<δ*Yi （δ为拥挤度因子，此处取1），则表明Xj周围 “食物”较多且不太拥挤，这时Xi对每一个自己和Xj的不同的位重新随机取值（例如Xi为1001，而Xj为1100，那么就对Xi的第2，4位重新随机取值），从而向Xj靠近。追尾活动若不成功，则进行聚群行为，每条鱼都先找出自己周围可视域内的其它鱼，形成一个小鱼群，然后找出这群鱼的中心点，这里中心点的确定方法是，若鱼群中半数以上的鱼在第ｉ位上取１，则中心点的第ｉ位也为1，否则为0，接着采用和前面相同方法查看中心点的“食物”是否较多，是否拥挤，据此决定是行为（AF-follow）指鱼向其可视区域内的最优方向移动的一种行为。人工鱼Xi搜索其视野内所有伙伴中的函数最优伙伴Xj，如果 Yj/ nf > δYi,表明最优伙伴的周围不太拥挤，则Xi朝此伙伴移动一步，否则执行觅食行为。
算法介绍伪代码
• • • • • • • • •
算法介绍代码
function [XXnext] = gmjprey(XX,Try_number,Visual,Step) pp=0; for j=1:Try_number XXj=XX+rand*Step*Visual; if(maxf(XX)<maxf(XXj)) XXnext=XX+rand*Step*(XXj-XX)/norm(XXj-XX); pp=1; break end end if(~pp) XXnext=XX+rand*Step; end
算法介绍
• （5）公告板：是记录最优人工鱼个体状态的地方。每条人工鱼在执行完一次迭代后将自身当前状态与公告板中记录的状态进行比较，如果优于公告板中的状态则用自身状态更新公告板中的状态，否则公告板的状态不变。当整个算法的迭代结束后，输出公告板的值，就是我们所求的最优值。
算法介绍
• 2.4 算法描述鉴于以上描述的人工鱼群行为，每条人工鱼探索它当前所处的环境状况和伙伴的状况，从而选择一种行为来实际执行，最终人工鱼集结在几个局部极值周围。一般情况下，在讨论求极大问题时，拥有较大的适应值的人工鱼一般处于值较大的极值域周围，这有助于获取全局极值域，而值较大的极值区域周围一般能集结较多的人工鱼，这有助于判断并获取全局极值。具体的人工鱼群算法步骤如下：
源代码中的赋值
• • • • •
format long Visual=2.5; Step=0.3; N=50; Try_number=50;
算法介绍
行为描述（1）随机行为(AF-Random)：指人工鱼在视野内随机移动，当发现食物时，会向食物逐渐增多的方向快速的移动。（2）觅食行为(AF-prey)：指鱼循着食物多的方向游动的一种行为，人工鱼Xi在其视野内随机选择一个状态Xj，分别计算它们的目标函数值进行比较，如果发现Yj比Yi优，则Xi向Xj的方向移动一步；否则，Xi继续在其视野内选择状态Xj，判断是否满足前进条件，反复尝试trynumber次后，仍没有满足前进条件，则随机移动一步使Xi到达一个新的状态。表达式如下：
算法介绍
• 人工鱼群算法描述在一片水域中，鱼存在的数目最多的地方就是本水域中富含营养物质最多的地方，依据这一特点来模仿鱼群的觅食，聚群，追尾等行为，从而实现全局最优，这就是鱼群算法的基本思想。鱼类的活动中，觅食行为，聚群行为，追尾行为和随机行为与寻优命题的解决有较密切的关系，如何利用简单有效的方式来构造实现这些行为将是算法实现的主要问题。
人工鱼群算法实例
• 如果聚群失败就进行觅食活动，“鱼”随机从自身取出visual个位（visual为可视域），对其进行随机变换产生一个新状态，若新状态优于原状态则向新状态移动，否则再次进行觅食活动，重复m次后如果还是没有找到更优的状态则进行随机移动（m视搜索空间大小而定）。算法中设有公告板，每次搜索完成后用公告板同鱼群中最优的个体进行比较，若此个体优于公告板则更新公告板。算法在以下三种情况下结束，1 公告板达到教师的要求；2 搜索次数达到规定的最大搜索次数；3 搜索时间达到规定的最大搜索时间。
float Artificial_ fish：：AF_ follow() {Ymax=MAX(f(Xmax)),Xmax∈N(Xi,Visual); nf=|N(Xmax,Visual)|; if(Ymax/ nf > δYi&& Yi<Ymax) Xma Xi Xinext = Xi + Random ( step ) x ; - Xi Xma x else AF_prey(); retum AF_foodeonsistenee(Xinext )； }
算法介绍
• Step1:确定种群规模N，在变量可行域内随机生成 N个个体，设定人工鱼的可视域Visual，步长step, 拥挤度因子δ，尝试次数trynumber Step2:计算初始鱼群各个体适应值，取最优人工鱼状态及其值赋给公告板 Step3:个体通过觅食，聚群，追尾行为更新自己，生成新鱼群。 Step4:评价所有个体。若某个体优于公告板，则将公告板更新为该个体。 Step5:当公告板上最优解达到满意误差界内，算法结束，否则转step3。
算法介绍
• （3）聚群行为（AF-swarm）：鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群。鱼聚群时所遵守的规则有三条: 分隔规则:尽量避免与临近伙伴过于拥挤;对准规则:尽量与临近伙伴的平均方向一致;内聚规则:尽量朝临近伙伴的中心移动。人工鱼Xi搜索其视野内的伙伴数目nf及中心位置 Xc，若 Yc/ nf > δYi，表明伙伴中心位置状态较优且不太拥挤，则Xi朝伙伴的中心位置移动一步，否则执行觅食行为：
算法介绍
算法的优点 1）只需比较目标函数值，对目标函数的性质要求不高。 2）对初值的要求不高，随机产生或设为固定值均可。 3）对参数设定的要求不高，容许范围大。 4）具备并行处理能力，寻优速度较快。 5）具备全局寻优能力，能快速跳出局部极值点。
算法介绍
基本概念假设在一个n维的目标搜索空间中，有N条组成一个群体的人工鱼，每天人工鱼个体的状态可表示为向量X=（x1,x2,……xn）,其中xi （i=1,……n）为欲寻优的变量：人工鱼当前所在位置的食物浓度表示为Y=f(X),其中Y为目标函数；人工鱼个体间距离表示为 d=||Xi-Xj ||; visual表示人工鱼的感知范围， step为人工鱼移动步长，δ为拥挤度因子； trynumber表示人工鱼每次觅食最大试探次数。
算法介绍伪代码 float Artificial_ fish：：AF_ swarm() {nf=|N(Xi,Visual)|;//Xi为中心，visual距离领域内的伙伴总数 Xc=Center(N(Xi,Visul));//Xi附近所有nf个伙伴的中心位置 if(Yc/ nf > δYi && Yi<Yc) Xc - X i ; inext = Xi + Random ( step ) X Xc - X i else AF_prey(); retum AF_foodeonsistenee(Xinext )； }
• 人工鱼群算法能够较好地解决此类问题．它具有如下特点：1)具有较快的收敛速度，可以用于解决有实时性要求的问题； • 2)对于一些精度要求不高的场合，可以用它快速的得到一个可行解； • 3)不需要问题的严格机理模型，甚至不需要问题的精确描述，这使得它的应用范围得以延伸． • 综上所述，该算法是一种基于集群智能的新型的高效寻优方法．