下载文档原格式
《基于多算法融合的改进人工鱼群算法及其应用》一、引言随着人工智能和计算机技术的快速发展，许多算法在优化问题中发挥着越来越重要的作用。
其中，人工鱼群算法（Artificial Fish Swarm Algorithm, AFS）以其良好的全局搜索能力和较快的收敛速度在多个领域得到了广泛的应用。
然而，面对复杂多变的实际问题，传统的单一算法往往难以达到理想的优化效果。
因此，本文提出了一种基于多算法融合的改进人工鱼群算法，并对其在多个领域的应用进行了研究。
二、人工鱼群算法及其发展人工鱼群算法是一种模拟鱼群行为的智能优化算法，通过模拟鱼群的觅食、聚群、追尾等行为，实现对问题的全局搜索和优化。
该算法具有较好的全局搜索能力和较快的收敛速度，被广泛应用于各种优化问题中。
然而，传统的人工鱼群算法在面对复杂问题时，可能存在收敛速度慢、易陷入局部最优等问题。
为了解决这些问题，学者们对人工鱼群算法进行了改进和优化。
三、基于多算法融合的改进人工鱼群算法针对传统人工鱼群算法的不足，本文提出了一种基于多算法融合的改进人工鱼群算法（Multiple-Algorithm Fused Improved Artificial Fish Swarm Algorithm, MAF-AFS）。
该算法结合了遗传算法（Genetic Algorithm, GA）、蚁群算法（Ant ColonyOptimization, ACO）和粒子群优化算法（Particle Swarm Optimization, PSO）等多种优化算法的特点和优势，通过融合这些算法的优点，提高算法的全局搜索能力和收敛速度。
具体而言，MAF-AFS 算法在传统人工鱼群算法的基础上，引入了遗传算法的基因变异思想、蚁群算法的信息素传递机制和粒子群优化算法的速度更新策略。
通过这些融合策略，MAF-AFS 能够在搜索过程中保持较高的多样性，避免陷入局部最优；同时，通过信息素的传递和更新策略，提高算法的全局搜索能力。
《基于多算法融合的改进人工鱼群算法及其应用》一、引言随着人工智能技术的不断发展，优化算法在解决复杂问题中扮演着越来越重要的角色。
人工鱼群算法作为一种模拟鱼群行为的智能优化算法，已经在许多领域得到了广泛的应用。
然而，传统的人工鱼群算法在处理复杂问题时，往往存在收敛速度慢、易陷入局部最优等问题。
为了解决这些问题，本文提出了一种基于多算法融合的改进人工鱼群算法，并在实际应用中取得了良好的效果。
二、传统人工鱼群算法概述传统的人工鱼群算法是一种模拟鱼群行为的智能优化算法，通过模拟鱼群的游动、觅食、聚群等行为，实现全局寻优。
该算法具有简单易实现、适应性强等优点，在许多领域得到了广泛的应用。
然而，传统的人工鱼群算法在处理复杂问题时，往往存在收敛速度慢、易陷入局部最优等问题，需要进一步改进。
三、基于多算法融合的改进人工鱼群算法为了解决传统人工鱼群算法存在的问题，本文提出了一种基于多算法融合的改进人工鱼群算法。
该算法通过引入多种优化算法的思想，将不同算法的优点进行融合，从而提高算法的寻优能力和收敛速度。
具体来说，该算法包括以下步骤：1. 初始化鱼群：在搜索空间中随机初始化一定数量的“人工鱼”，每个“人工鱼”代表一个解。
2. 评价鱼群：根据问题的目标函数，计算每个“人工鱼”的适应度值。
3. 选择操作：根据适应度值的大小，选择出一定数量的优秀“人工鱼”。
4. 融合多种算法：将选出的优秀“人工鱼”与其他优化算法的思想进行融合，如遗传算法、粒子群算法等，形成新的“人工鱼”。
5. 更新鱼群：用新的“人工鱼”替换原有的鱼群中的一部分，继续进行寻优。
四、应用实例本文将基于多算法融合的改进人工鱼群算法应用于某企业的生产调度问题。
该问题涉及到多种生产资源的分配和调度，是一个典型的复杂优化问题。
通过应用该算法，企业可以有效地提高生产效率、降低生产成本。
具体应用步骤如下：1. 建立问题模型：将生产调度问题转化为一个优化问题，并建立相应的目标函数和约束条件。
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。
探讨人工鱼群算法的结构和原理作者：李彬来源：《电脑知识与技术》2009年第36期摘要:人工鱼群算法是一种基于模拟鱼群行为的优化算法。
该文首先分析了人工鱼群算法的定义、觅食以及追尾行为,其次剖析了最优解的获取,并进一步探讨了算法原理及其收敛性。
关键词:人工鱼群;算法最优解;收敛性中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)36-10235-03The Structure and Principle of Artificial Fish-Swarm AlgorithmLI Bin(Guangdong Institute of Science and Technology Guangdong, Zhuhai 519075, China)Abstract: Artificial fish-swarm algorithm is a kind of fish behavior simulation-based optimization algorithm. This paper firstly has analyzed the definition of artificial fish-swarm algorithm, foraging, as well as rear-end behavior, followed by analysis of the optimal solution of the acquisition. Then the paper has explored the theory and convergence of the algorithm.Key words: artificial fish; optimal solution of algorithm; convergence人工鱼群算法是一种基于动物行为的寻求全局最优的新思路,是行为主义人工智能的一个典型应用。
基于改进人工鱼群算法的稀疏系统估计
首先，本文引入粒子群优化（PSO）算法，并将其与人工鱼群算法结合，形成一种混合优化算法。
这种混合算法在每次迭代时，通过与外界交互，调整种群的位置和速度。
同时，本文还对目标函数进行了改进，加入了稀疏奖励项，以鼓励算法选取更少的特征。
其次，本文还引入了自适应惯性因子算法，用于调整算法中的惯性因子，并适应算法
在不同阶段的适应性。
相比于传统算法中使用固定的惯性因子，自适应惯性因子算法能够
更好地平衡算法的探索和利用过程，避免算法陷入局部最优解，从而提高算法求解的效率
和准确度。
最后，本文通过对多个数据集进行实验验证，比较了本文算法和其他传统算法在稀疏
系统估计问题上的表现。
实验结果表明，本文算法能够在较短的时间内找到较优解，具有
较好的稳定性和鲁棒性。
总之，本文提出的基于改进人工鱼群算法的稀疏系统估计算法，通过对人工鱼群算法
进行改进，采用混合优化、自适应惯性因子等技术手段，能够有效地提高算法的收敛速度
和精度。
该算法在稀疏系统估计问题上具有广泛的应用前景。
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。
基于模拟人工鱼群算法的路径规划优化研究一、引言：路径规划是人工智能领域的重要研究方向之一，其在交通、物流等领域具有广泛的应用价值。
模拟人工鱼群算法是一种启发式优化算法，借鉴了鱼群觅食行为，能够有效地解决路径规划优化问题。
本文旨在探讨基于模拟人工鱼群算法的路径规划优化方法，以提高路径规划的效率和准确性。
二、模拟人工鱼群算法简介：模拟人工鱼群算法（Artificial Fish Swarm Algorithm, AFSA）是一种群体智能算法，模仿了鱼群的觅食行为。
算法通过模拟鱼群中的个体行为与个体间的交互关系，来搜索最优解。
其优势在于能够同时考虑全局和局部信息，具有较强的全局搜索能力和快速收敛性。
三、路径规划问题描述：路径规划问题常见于无人驾驶、机器人导航等领域。
给定起点和终点，路径规划的目标是找到一条最优路径，使得路径的长度最短或消耗最低。
然而，常规的路径规划算法在面对复杂环境和大规模问题时容易陷入局部最优解，因此需要利用模拟人工鱼群算法来提高路径规划的效果。
四、基于模拟人工鱼群算法的路径规划优化方法：1. 鱼群个体行为建模：模拟人工鱼群算法中，每条鱼代表一种解决方案，可以理解为一条路径。
鱼群个体的行为包括觅食、追逐和聚集等，这些行为在路径规划中可以映射为寻找路径、更新路径和交流信息等操作。
2. 适应度函数定义：为了评价路径规划的好坏，需要定义适应度函数。
适应度函数可以根据路径长度、路径的消耗等指标来评估路径规划的优劣，并将其作为算法的目标函数。
3. 模拟人工鱼群算法的迭代过程：a. 初始化鱼群的位置和速度等参数；b. 根据适应度函数评估每条路径的优劣，更新最优路径；c. 鱼群个体根据规定的行为进行路径搜索、更新和信息交流；d. 重复b和c步骤，直到满足终止条件。
五、实验与结果分析：为了验证基于模拟人工鱼群算法的路径规划优化方法的有效性，进行了一系列实验。
实验结果表明，与传统路径规划算法相比，基于模拟人工鱼群算法的方法能够更快地找到较优解，并具有更好的全局搜索能力。
基于改进人工鱼群算法的智能组卷的研究智能组卷是指通过计算机算法和人工智能技术来自动生成试卷的过程。
它能够根据试题的属性和难度等要素，以及考生的特点和需求等因素，自动选择合适的试题，并根据一定的约束条件组合成试卷。
智能组卷的研究，对于提高试卷的质量和效率具有重要意义。
人工鱼群算法是一种模拟自然进化过程的优化算法，它通过模拟鱼群在寻找食物的过程中的行为，来解决复杂优化问题。
人工鱼群算法具有较好的全局搜索能力和较强的寻优能力，在解决组卷问题上有很大的潜力。
需要对试题的属性和难度进行建模和表示。
试题的属性可以包括知识点、题型、难度等信息，可以将其表示为向量或矩阵形式，用于计算和比较。
需要考虑试题的约束条件，如题目数量、题型分布等。
需要设计适合于组卷问题的目标函数。
目标函数可以包括试题的多样性、难度适应性、知识点覆盖等指标，用于评价试题组合的优劣。
通过对目标函数的定义和优化，可以得到更合理的试题组合方案。
然后，需要设计改进的人工鱼群算法来求解组卷问题。
可以通过改变人工鱼群的行为规则、参数设置和模拟过程等方式来增强其搜索和优化能力。
可以采用多种交叉和变异策略，引入试题互补性和关联性等因素，从而提高算法的性能和效果。
需要进行实验和评估，验证改进的人工鱼群算法在智能组卷问题上的有效性和效果。
可以通过使用真实试题库进行测试，比较改进算法和其他算法的性能差异。
还可以针对不同的应用场景和实际需求，进行参数调优和算法组合，进一步提升智能组卷系统的性能。
基于改进人工鱼群算法的智能组卷研究，可以有效地提高组卷的质量和效率，具有较好的应用前景。
希望未来能够有更多的学者和研究者加入到该领域的研究中，不断推动智能组卷技术的发展。
2002 年 2 月 JOURNAL OF CIRCUITS AND SYSTEMS February, 2003文章编号钱积新浙江杭州310027±¾ÎÄÕë¶Ô¸´ÔÓ´óϵͳµÄÓÅ»¯ÎÊÌâÖз½³ÌÊý¶àÃèÊöÁËÒ»ÖÖ»ùÓÚ·Ö½âÐ-µ÷˼ÏëµÄÈ˹¤ÓãȺÓÅ»¯Ëã·¨½á¹û±íÃ÷³õÖµ²»Ãô¸ÐÐԺͲÎÊý²»Ãô¸ÐÐÔµÈÌصãÈ˹¤ÓãȺËã·¨·Ö½âÐ-µ÷TP18 文献标识码农业通信等许多领域能够提高系统效率合理利用资源而且被处理对象规模越大随着现代生产规模的迅速发展然而变量维数高使得命题的求解相当困难其中分解与协调优化方法是一种比较好的思路对各子系统进行优化和协调运算但目前的分解协调算法如目标协调法收敛性往往不能达到满意的效果物理学和人工智能的优化算法的兴起和成熟如遗传算法[1]ACO模拟退火[3]EPµ«ËüÃÇÔÚÄ¿±êÎÊÌâµÄÐÔÖʼÆËãʱ¼äµÈ·½Ã滹´æÔÚһЩ¾ÖÏÞÐÔËæ×ÅÂþ³¤µÄ½ø»¯ºÍÊÊÓ¦ÆäÖÐ×îÃ÷ÏÔµÄÇø±ðÊÇËûÃDz»¾ß±¸ÈËÀàËùÈÏΪµÄ¸ß¼¶ÖÇÄÜÈçÂìÒÏÓãÀàµÈËùÒÔÈ˹¤ÉúÃüµÄÑо¿ÕßÃdzÆÕâÒ»ÏÖÏóΪ¼¯ÈºÖÇÄÜ[5]ËûÃǵĸ÷³ÉԱͨ¹ýÖ±½Ó»ò¼ä½ÓµÄ·½Ê½½øÐÐÏ໥½»Á÷ÈçÒÏȺËã·¨PSOÈ˹¤ÓãȺËã·¨[7][9]是作者提出的一种基于模拟鱼群行为的优化算法主要是利用了鱼的觅食从构造单条鱼的底层行为做起达到全局最优值在群体中突现出来的目的取得全局极值的能力无需目标函数的梯度值等特殊信息算法对初值无要求本文中针对实际大系统中常见的变量维数高基于基本的人工鱼群算法引入了鱼的协调行为*收稿日期2002-08-09万方数据3 系统的分解与鱼群的分类通常一般子系统之间会存在一定的耦合关系那么问题会变得更加简单在对大系统进行分解后从而将鱼群分为多个不同的种类∑==Nk k x f J 1)(min mi t s i ,,2,1 ,0)s ..Λ=≥(x T n x x x x ],,,[21Λ= (1)于是我们可以将原系统分解为N 个子系统),,1( )(min N k x f j local k k Λ== ];,,2,1[ ,0)(l j x h j Λ∈= T n T q p local x x x x x x ],,,[],,[21ΛΛ⊆= (2)这样我们可以设想用N 类鱼来分别表示这N 个子系统通常情况下所得的解都不是所期望的全局最优解这个问题得到了很好的解决设计的关键就是底层的人工鱼个体行为的实现最优解将在该过程中突现出来该实体中封装着自身的状态和行为图1描述了带有约束和协调行为的人工鱼群算法迭代的基本原理先说明一些符号的定义其中),,1(n i x i Λ=为欲寻优变量的总体人工鱼当前所在位置的总体的目标函数值表示为Y人工鱼个体之间的距离表示为ji j i X X d −=,人工鱼移动的步长为StepÔÚÓÅ»¯ÃüÌâÀïÃæËùÒÔËäÈ»²»Í¬ÖÖÀàµÄÈ˹¤ÓãËù·â×°µÄÊý¾Ý²»Í¬ËùÒÔ4.2 人工鱼行为描述4.2.1 公告板算法中设一公告板各人工鱼个体在寻优过程中如果自身状态优于公告板状态这样就使公告板记录下历史最优的状态就使得人工鱼的个体在寻优过程中寻到的解存在有效解和无效解加入约束条件图1 基于分解协调思想的鱼群算法迭代原理procedure Artificial_Fishswarm_Algorithm::AF_init ( )while the result is satisfied do switch (::AF_evaluate ( )) case value 1: ::AF_follow ( );case value 2:::AF_swarm ( );default : ::AF_prey ( );end switch ::AF_move ( ); ::AF_coordinate ( ); ::AF_subject ( ); ::AF_bulletin ( ); get_result ( ); end whileend Artificial_Fishswarm_Algorithm万方数据第1期 李晓磊等如果解满足总系统的约束返回V alid 值则该解为本地有效的其他情况则认为是无效解4.2.3 觅食行为设人工鱼当前局部状态为ilocal X ,如果ji G G >·´Ö®ÆäC++语言伪代码描述如下)(Visual Random 为在)~0(Visual 内随机取值4.2.4 聚群行为设人工鱼当前状态为iX ¼´Visabled j i <,如果i f c Y n Y δ< )1(>δ求极大问题时为i f c Y n Y δ>/ )1(<δ表明伙伴中心并不太拥挤否则执行觅食行为float AF_type_A::AF_swarm ( ){;0=f n 0=c X }f c c n X X =; if (i f c Y n Y δ<)i c i c i next i X X X X Step Random X X −−+=)()(|; elseAF_prey ( );return AF_globalfood (next i X ); }4.2.5 追尾行为设人工鱼当前状态为iX ¼´Visabled j i <,如果i f j Y n Y δ< )1(>δ表明伙伴j X 的状态较优并且其周围不太拥挤否则执行觅食行为float AF_type_A::AF_follow ( ){+∞=min Y j X X =min ;}图2鱼群协调行为示意万方数据电路与系统学报 第8卷4 0=f n ¿ÉÒÔÀí½âΪ²ÎÕÕÆäËûÀàÓãµÄ״̬À´µ÷Õû×ÔÉí״̬µÄÒ»ÖÖÐÐΪѰÓÅ¿Õ¼äS 中有三类人工鱼在寻优过程的某一时刻B 类鱼II 和C 类鱼IIIËû¾Í¸ù¾ÝËüÃÇËù¾Ö²¿Ñ°ÓŵIJ¿·Ö±äÁ¿À´µ÷Õû×Ô¼ºÏàÓ¦µÄ±äÁ¿void AF_type_A ::AF_coordinate ( ){do {min X =jMinimum (i i X j T type AF X ::)(__−); (number AF j _,,1Λ=)i i i i i next i x x x x Step Random x x −−+=min,min,)()(; (}::__],,[{local X T type AF q p i Λ∈)}while (AF_type_T enumerate all AF types except itself )return void ;}其中Aexcept types AF all T∈4.2.7 行为选择根据所要解决的问题性质从而选择一种合适的行为4.3 结果的获取最简单的方案就是看公告板的状态是否稳定在了满意的误差界内公告板的状态就是系统的最优解可以求得系统的一个或几个满意解域4.4 补充说明针对不同性质的问题如对于简单的单峰函数那样就是一定意义上的爬山寻优法了一般会觉得这将造成算法收敛效率的降低由于群的效应随机性的存在正使得寻优活动更加全面的展开5 计算实例如图3所示的换热系统[8]µÄÀäÁ÷Ìå(进口温度150ÉϵĻ»ÈÈÆ÷µÄ´«ÈÈϵÊý¾ùΪ135W/(m 2·其余的换热器的传热系数均为100W/(m 2·要求三股冷流体的出口温度分图3换热器系统万方数据第1期 李晓磊等由传热方程及热量衡算方程ii i i t K A q ∆= )()()()(,,,,I i O i i p O i I i i p i t t wc T T WC q −=−= )9,,1(Λ=i (3)式中i p O i I i WC T T )(,,,,分别为第i 个换热器热流体的进i p O i I i wc t t )(,,,,分别为第i 个换热器冷流体的进如图4所示要求总换热面积最小∑==91min i i A J (4)..t s 0)()(,,=−−∆O i I i i p i i i T T WC t K A 0)()(,,=−−∆I i O i i p i i i t t wc t K A0 00 0 0 0 0 0 0 0 0,5,9,8,7,6,5,4,3,2,1,9,8,7,6,8,5,5,4,3,2,6,1=−=−=−=−=−=−=−=−=−=−=−I O I O I O I O I O I O I O I O I O I O I O T T T T T T T T T T t t t t t t t t t t t t 按4股热流体的路线可以将系统分解为如图5所示4个子系统移动步长Step 的取值从10~200²¢ÇÒµü´ú100次的时间约5秒钟软件环境为Microsoft Visual C++ 6.0ËùÒÔΪÁËÑéÖ¤±¾Ëã·¨µÄÊÕÁ²ÐÔÄÜÒÔÏ·ÂÕæ½á¹ûµÄ²ÎÊýȡֵΪÒƶ¯²½³¤Step =50在仿真中没有使用拥挤度因子δ图6是连续10次的计算结果进行平均后所得的迭代收敛曲线第9次如图所示所以在计算初期一般没有有效解人工鱼的状态逐渐出现有效状态随着人工鱼的觅食行为和追尾行为还是在同时使得一部分鱼离开局部最优区域从而能最终到达全局最优解域其中包括模型协调法模拟退火法等采用分解协调思想的人工鱼群算法的寻表1 连续10次计算所得的最优值次数12345678910最优值∑=912/i im A 713.5710.1705.7705.3713.6710.9706.0710.7705.2711.4表2 系统的最优解换热器123456789T i,I / T i,O / t i,I / t i,O / A i /m 2400.00394.40180.00188.403.94394.40332.04130.00223.5450.28500.00382.36223.54400.00138.78382.36301.69150.00239.6360.91529.99529.01239.63240.720.38529.01362.16188.40438.68196.25600.00592.45438.68450.007.46592.45359.11240.72499.99247.18530.00529.99499.99500.000.04图4 第i 个换热器图5 4个子系统万方数据电路与系统学报 第8卷6优结果是令人满意的6 结论从以上的计算实例可以看出(1) 算法对变量的初始值无要求无效解也可以(2) 算法中仅仅使用了目标函数的函数值(3) 算法的收敛性好(4) 参数的敏感性低参数的变动对结果的影响也不大参考文献:[1] Holland J H. Adaptation in natural and artificial systems[M]. Boston: MIT Press, 1992.[2] Marco Dorigo, Vittorio Maniezzo, Alberto Colorni. Ant System: Optimization by a Colony of Cooperating Agents [J], IEEE Transactions onSystems, Man, and Cybernetics-Part B , 26(I): 29-41.[3] Kirkpartick S, Gelatt C D, Vecchi M P. Optimization by simulated annealing[J]. Science , 1983, 220: 671-680.[4] Fogel L J. Evolutionary Programming in Perspective: the Top-down View, in Computational Intelligence: Imitating Life[M]. IEEE Press ,Piscataway, NJ, 1994.[5] Jesper Hoffmeyer. swarm-semiotics. Irmengard Rauch and Gerald F. Carr (eds.): Semiotics Around the World [A]. Proceedings of the FifthCongress of the International Association for Semiotic Studies[C]. Berkeley 1994. Berlin/New York: Mouton de Gruyter, 1997: 937-940.[6] Kennedy J, Eberhart R C. Particle swarm optimization [A]. Proc. IEEE International Conference on Neural Networks(Perth, Australia)[C].IEEE Service Center, Piscataway, NJ, 1995, 4: 1942-1948.[7] 李晓磊, 钱积新. 人工鱼群算法自下而上的寻优模式[A]. 过程系统工程年会论文集[C], 2001: 76~82.[8] 沈静珠编著. 过程系统优化(第二版)[M]. 北京邵之江鱼群算法[J]. 系统工程理论与实践, 2002, 22:32-38.作者简介１９７３－男讲师研究方向为人工智能钱积新浙江嵊县人博士生导师优化及智能决策研究图7 结果最优计算的收敛曲线万方数据。
