一种改进的人工鱼群优化算法

改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。

在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。

在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。

基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。

近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。

一种求解复杂优化问题的新型人工鱼群算法洪兴福;胡祥涛【摘要】In this paper, the social behaviors of fish swarm are classified in three ways:foraging behavior, reproductive behavior, and flight behavior. Inspired by this, a Novel Artificial Fish Swarm Algorithm(NAFSA)is proposed, which inte-grates the mutation strategy and evolution behavior into the social behaviors of fish swarm. In the case of mutation strategy,the basic cloud generator is used as the mutation operator because of the properties of randomness and stable tendency of a normal cloud model. For the reproductive behavior, the selection, and crossover operator in evolutionary algorithm are applied to define the reproductive ability of an artificial fish. Furthermore, the parameters of step and visual are developed in forms of hyperbolic tangent function to adjust the optimize performance dynamically during iterations process. Ten standard test functions are used as the benchmark to validate the effectiveness of the NAFSA. Experimental results have confirmed the superiority of NAFSA in terms of both solution quality and convergence speed, and shown broad applica-tion prospect in engineering.%受自然界群体生物繁衍生息行为的启发，提出了一种新型人工鱼群算法。

基于社会学习机制的改进人工鱼群算法作者：郑延斌刘晶晶王宁来源：《计算机应用》2013年第05期摘要：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。

DOI: 10.11991/yykj.202101007改进人工鱼群的移动机器人避障寻优算法郭凡，何柳，侯媛彬，秦学斌，卢志强，王冕西安科技大学 电气与控制工程学院，陕西 西安 710054S T 摘 要：针对移动机器人处于有障碍物的情况下寻找最短路径问题，对自制搬运机器人的运行环境进行建模，提出一种基于改进的人工鱼群算法(AVAFSA)的机器人避障寻优算法。

该算法以传统的人工鱼群算法为基础，利用鱼群视野自适应的形式来对可见视线值的下限进行设定；引入衰减函数来改善视觉效果，引入自适应算子来增强步长的自适应能力，从而避免因视野太小而导致易陷入局部最小；然后结合栅格图大小，设置每格的边长、障碍物的个数、机器人起点坐标和终点坐标位置，从而实现AVAFSA 的机器人路径优化。

仿真及实验结果表明，基于改进的人工鱼群算法相对于传统的人工鱼群算法在路径规划的寻优速度与准确性上得到明显提高。

关键词：移动机器人；路径规划；人工鱼群算法；视野自适应中图分类号：TP18;TP242 文献标志码：A 文章编号：1009−671X(2021)03−0041−06Obstacle avoidance and optimization algorithm based on improvedartificial fish swarm algorithm of mobile robot pathGUO Fan, HE Liu, HOU Yuanbin, QIN Xuebin, LU Zhiqiang, WANG MianCollege of electrical and control engineering Xi’an University of Science and Technology. Xi’an 710054, ChinaAbstract : Aiming at the problem that path planning for mobile robots in an environment with obstacles, the running environment model of the mobile robots is analyzed in the self-developed robot. And then a robot obstacle avoidance optimization algorithm based on improved artificial fish swarm algorithm, i.e., adaptive vision based artificial fish-swarm (AVAFSA) is proposed. The algorithm is based on the traditional artificial fish swarm algorithm, and uses the fish group vision adaptive form to set the lower limit of the line of sight. An attenuation function is introduced to improve the visual effect, and an adaptive operator is introduced to enhance the adaptive capability of the step size, so as to avoid the local minimum because of too small field of vision. Then, in combination with the size of the raster map, set the edge length of each grid, the number of obstacles, the coordinates of the starting point S of the robot and the coordinates of the end point T , realizing the robot path planning algorithm of AVAFSA. The results of simulation and experiment show that compared with the traditional artificial fish swarm algorithm, the improved artificial fish swarm algorithm has significantly improved the speed and accuracy of path planning.Keywords: mobile robot; path planning; artificial fish swarm algorithm; visual field adaptive近几年来，随着计算机、信息处理与智能控制的迅猛发展，人们对于机器人的研究也在逐渐加深，机器人的功能也在慢慢完善，而本文所研究的移动机器人也是其中的一种[1]。

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。

人工鱼群算法是一种收敛速度快、全局优化能力强的新型群智能算法。

然而,在基本鱼群算法的应用中发现:在迭代前期,算法具有较强的搜索能力;但在运行后期,其搜索能力减弱,易陷入局部极值,且搜索到的最优解精度不高。

针对上述弱点,提出对可视域和步长采用自适应变化策略,引入变异算子策略,通过消亡操作对部分个体进行重新初始化或变异,对基本鱼群算法进行改进,并以函数优化和多维变量的非线性优化问题为例进行了实验研究。

结果表明:改进后的人工鱼群算法具有较好的优化效果。

关键词:改进人工鱼群算法;函数优化;自适应策略;投影寻踪模型1 引言人工鱼群算法是国内学者李晓磊等[1-2]模仿鱼类行为方式提出的一种基于动物行为的新型仿生优化方法,该算法根据“水域中鱼生存数目最多的地方一般就是该水域中富含营养物质最多的地方”这一特点来模拟鱼群的觅食等行为来实现全局优化的,是集群智能思想的一个具体应用。

该算法具有良好的克服局部极值、取得全局极值的能力,并且算法的实现不需要目标函数的梯度值等信息,只需要对问题进行优劣的比较,对搜索空间具有一定的自适应能力,有着较快的收敛速度[3]。

目前,人工鱼群算法已应用到许多领域。

李晓磊等最初将其用于解决连续性函数优化问题和解决组合优化问题(以TSP问题为例),取得了较好的寻优效果;此外,在解决PID参数的整定问题方面,鱼群算法也表现出较好的有效性[2]。

此后,马建伟等将鱼群算法用于神经网络的训练过程,表明了鱼群算法具有鲁棒性强、全局收敛性好的特点[4];唐剑东等将其用于电力系统的无功优化,进行了实例分析,结果表明鱼群算法具有鲁棒性强、全局收敛性好的特点[5];李祚泳等将其用于可持续发展评价、水资源可持续利用评价过程中公式的参数优化,也取得了满意的优化效果。

[6]虽然基本鱼群算法在应用中具有一定的优化特性,但在应用过程中发现,一方面鱼群算法前期收敛速度快,能较快地逼近极值点,但在算法运行后期,鱼群的多样性变差,导致算法进化停滞不前,易陷入局部极值点。

人工鱼群算法的改进唐莉;张正军;王俐莉【摘要】人工鱼群算法( AFSA)是一种新型随机搜索优化算法。

通过初步的研究表明，该算法具有许多优良的性质，但也有一些不足之处。

针对均匀随机行为和常数拥挤度因子而导致算法运行时间长或陷入局部最优的问题，引入对称正态随机行为，自适应调整该行为参数，减少了由于迂回搜索导致的无用计算，也使人工鱼可在解空间进行更为广泛的搜索，提高了搜索效率。

采用了自适应拥挤度因子并提出新的适应度函数，加快了系统满意解的收敛速度，使数值解更加稳定。

实验结果表明，与基本人工鱼群算法相比，该方法具有明显的优越性。

%Artificial Fish Swarm Algorithm ( AFSA) is a new random search optimization algorithm. The preliminary study shows that it has many promising features,but also some disadvantages. Aiming at the problem of AFSA,such as long running timeor being in local optimal,caused by uniformly random behavior and constant of congestion factor. Based on symmetric normality random behavior,self-a-daption adjusts the parameter of this behavior,and a large number of unused circuitous searches are reduced,and a more complete search within solution space is obtained for artificial fishes so that a high search efficiency is arrived at. The self-adaption congestion factor is a-dopted and a new fitness function is porposed,increasing the convergence rate of satisfactory solution domain,making the result more sta-ble. Results of experiments show that there is an obvious advantage for this improved method compared with the basic artificial fish-swarm algorithm.【期刊名称】《计算机技术与发展》【年(卷),期】2016(026)011【总页数】5页(P37-40,44)【关键词】随机行为;拥挤度因子;适应度函数;人工鱼群算法;优化【作者】唐莉;张正军;王俐莉【作者单位】南京理工大学理学院，江苏南京 210094;南京理工大学理学院，江苏南京 210094;海军指挥学院科研部，江苏南京 210016【正文语种】中文【中图分类】TP301.6随着动物的进化，根据优胜劣汰的自然法则，它们形成了各式各样的生存方式，这些方式为人类带来了许多灵感和启发。

人工鱼群智能优化算法的改进及应用研究共3篇人工鱼群智能优化算法的改进及应用研究1随着人工智能技术的发展，越来越多的优化算法被应用到不同的领域。

其中，人工鱼群智能优化算法因其有效性和简单性而备受关注。

然而，该算法在实际应用中还存在一些问题，需要进一步的改进和研究。

本文旨在探讨人工鱼群智能优化算法的改进及其在各个领域的应用研究。

首先，介绍人工鱼群智能优化算法的基本原理。

人工鱼群智能优化算法是一种基于自然界智慧的优化算法，其核心思想是模拟鱼类在觅食过程中的行为。

该算法由两个部分组成，分别是鱼群的行为部分和个体鱼的行动规则。

鱼群行为部分包括探索和捕食两个过程，个体鱼的行动规则则包括寻找食物、评价食物和调整速度三个步骤。

通过模拟鱼类群集行为，算法能够找到最优解。

然而，人工鱼群智能优化算法在实际应用中还存在一些问题。

首先，算法的收敛速度较慢。

这是由于每只鱼在行动时只能感知到其周围较小的区域，容易陷入局部最优解。

其次，算法的精度不够高，有可能导致搜索结果偏差较大。

此外，如果搜索空间比较大，算法容易陷入搜索停滞。

因此，针对上述问题，需要对人工鱼群智能优化算法进行改进。

其中，最常见的改进方式是引入自适应与动态的参数，并结合启发式算法进行搜索。

自适应参数指的是根据搜索过程中的错误次数和搜索次数对参数进行调整，从而增加算法逃离局部最优解的能力。

动态参数指的是随着搜索过程的不断推进而不断变化，从而增加搜索的广度和随机性。

启发式算法指的是利用问题本身的特点，为算法提供辅助信息，从而增强算法的搜索和优化能力。

这些改进措施能够有效地提高算法的效率和精度，使其更加适用于实际应用。

随着人工智能技术的发展，人工鱼群智能优化算法已经广泛应用于各个领域。

例如，在机器学习中，该算法能够优化深度神经网络的结构和参数，提高模型的性能。

在物联网中，该算法能够优化传感器网络的布局，提高信息传输的效率。

在工业制造中，该算法能够优化生产线的调度和资源分配，提高生产效率。

人工鱼群算法的现状与改进分析王闯，薛婷，孙林燕大连海事大学，辽宁大连 (116026)E-mail: wch-7408549@摘要：本文首先对人工鱼群算法目前的发展情况进行了简单的综述。

然后，通过分析人工鱼群算法的优点和缺点，提出了四种改进思路-改进参数、改进鱼群行为、高阶行为模式、与其它优化算法相融合，并用已有的改进算法加以论证。

进而为人工鱼群算法的改进研究提供了新的便利。

关键词：人工鱼群算法，优化算法，算法改进1. 引言优化命题的解决存在于许多领域，对于国民经济的发展也有着巨大的应用前景。

随着优化对象在复杂化和规模化等方面的提高，基于严格机理模型的传统优化方法在实施方面变得越来越困难。

人工鱼群算法(Artificial Fish-swarm Algorithm，AFSA)是一种基于模拟鱼群行为的优化算法，是由李晓磊等[1]于2002年提出的一种新型的寻优算法。

AFSA是一种新型的思路，从具体的实施算法到总体的设计理念，都不同于传统的设计和解决方法，但同时它又能与传统方法相融合。

因此，AFSA自提出以来，得到了国内外学者的广泛关注，对算法的研究应用已经渗透到多个应用领域，并由解决一维静态优化问题发展到解决多维动态组合优化问题。

AFSA己经成为交叉学科中一个非常活跃的前沿性研究问题。

2. 研究现状在基本AFSA中，主要是利用了鱼群的觅食、聚群和追尾行为，从构造单条鱼的底层行为做起，通过鱼群中各个体的局部寻优，达到全局最优值在群体中突现出来的目的。

通过研究发现，AFSA具有以下特点[1]：l)算法只需要比较目标函数值，对目标函数的性质要求不高；2)算法对初值的要求不高，初值随机产生或设定为固定值均可以；3)算法对参数设定的要求不高，有较大的容许范围；4)算法具备并行处理的能力，寻优速度较快；5)算法具备全局寻优的能力，能够快速跳出局部极值点。

从目前对AFSA的研究来看，绝大部分集中在如何应用AFSA解决实际问题，对于算法本身的研究和优化，见到的还不多。

基于改进人工鱼群算法优化的BP神经网络预测控制系统黄丽华;李俊丽【摘要】为了使传统的BP神经网络预测控制的收敛速度更快、准确率更高,提出一种改进的人工鱼群算法.分别用BP神经网络、PSO-BP神经网络和IAFSA-BP神经网络来优化预测控制系统的建模部分和滚动优化部分,并进行仿真试验,结果表明:IAFSA-BP神经网络优化后的预测模型精度更高,并且滚动优化部分的响应速度加快,控制系统更稳定.【期刊名称】《化工自动化及仪表》【年(卷),期】2019(046)008【总页数】5页(P610-614)【关键词】BP神经网络;预测控制;优化;改进人工鱼群算法;极值寻优【作者】黄丽华;李俊丽【作者单位】昆明理工大学信息工程与自动化学院;昆明理工大学信息工程与自动化学院【正文语种】中文【中图分类】TH8621978年，Richalet等为了取得更好的控制性能提出了预测控制，随着计算机网络的发展，该方法已经在很多领域发挥重要作用。

预测控制又分为模型算法控制、动态矩阵控制及广义预测控制等多种预测控制理论[1]。

神经网络预测控制(NeuralNetwork Predictive Control，NNPC)是一种将神经网络应用于预测控制的控制系统[2]。

NNPC的本质仍然是一种基于智能算法的预测控制[3]。

为了确保BP神经网络的初始权值和阈值能快速准确地收敛到全局最小值，需在线对其参数进行优化。

鉴于传统滚动优化方法的控制精度、实时性不高等缺陷，需要提高滚动优化的速率。

因此，笔者设计一种改进的人工鱼群算法(Improved Artificial Fish Swarm Algorithm，IAFSA)[4]，采用该算法优化BP神经网络的初始权值和阈值，以期提高BP神经网络的准确度。

1 神经网络预测控制系统实际工业环境中，普遍存在外界扰动和被控对象非线性的问题，但传统的预测控制效果不是很好。

因为预测控制对于具有约束的卡边操作问题具有非常好的针对性，同时神经网络拥有非常强的非线性拟合性能，所以神经网络预测控制系统在针对工业控制系统环境中存在的非线性、大时滞、时变或有条件约束问题，依旧能保证良好的控制效果[5]。