人工鱼群算法的改进.ppt

$ 人工鱼群算法的改进 * 第一页，共二十五页，2022年，8月28日 AFSA的特点 只需要比较目标函数值，对目标函数的性质要求不高； 对初值的要求不高，初值随机产生或设定为固定值均可以； 对参数设定的要求不高，有较大的容许范围； 具备并行处理的能力，寻优速度较快； 具备全局寻优的能力，能够快速跳出局部极值点。 * 第二页，共二十五页，2022年，8月28日 AFSA的不足之处 容易收敛于局部最优 解精度不够高 保持探索与开发平衡的能力较差 算法运行后期搜索的盲目性较大 算法后期收敛速度慢，易陷入局部最优 * 第三页，共二十五页，2022年，8月28日 改进思路 一、基于算法参数的改进 二、基于鱼群行为的改进 三、高阶行为模式 四、混合优化算法 * 第四页，共二十五页，2022年，8月28日 一、基于算法参数的改进 算法参数： 1.视野visual 2.步长step 3.人工鱼总数N 4.尝试次数try number 5.拥挤度因子 * 第五页，共二十五页，2022年，8月28日 1、基于视野的改进: 在人工鱼群算法的初始阶段，每条人工鱼以一个大的视野寻找解，这样能扩大寻优的范围。随着算法的运行，鱼群的视野范围将适当的减小以加快收敛的速度。改变视野的变化函数定义为： 其中α 是衰减因子，且α ∈(0,1)。这里必须解释的一点是鱼群视野在聚群行为和追尾行为中仍然保持不变，仅在觅食行为中变换。 * 第六页，共二十五页，2022年，8月28日 2.基于步长的改进 2.1 Wang Cuiru 等提出的改进方法的基本思路就是将人工鱼群算法的实际步长改为参数定义域内的随机数，以保证更好的全局搜索能力。 2.2 王西邓等提出了两种对步长进行改进的鱼群算法：一种是移动步长缩减策略，另一种是移动步长动态调整策略。 2.3王宗利等提出的利用评价函数的步长改进算法。 * 第七页，共二十五页，2022年，8月28日 2.2.1移动步长缩减策略 算法在完成一次鱼群演化后，根据函数最优适应值的变化情况更新最适应值保持次数keep Times 0 最优适应值已更新 Keep Times = Keep times +1 最优适应值不变 根据最优适应值保持次数对人工鱼的移动步长进行更新: M_step keep Times >1且m_step> M_step= M_step 其他 其中为步长缩减因子，T为给定的常数，:为给定的移动步长最小值。 * 第八页，共二十五页，2022年，8月28日 2.2.2移动步长动态调整策略 为了保证迭代能够到达最大值，必须要求移动步长大于0。因此有: 其中 为一个预定义的小的正数 算法在完成一次鱼群演化后，根据函数最优适应值的变化情况更新最优适应值的更新次数change Times， change Times +0 最优适应值未更新 Change Times= Change Times +1 最优适应值已更新 * 第九页，共二十五页，2022年，8月28日 2.2.2移动步长动态调整策略 每经过n次鱼群演化，根据最优适应值在最近10n次迭代中的更新次数对人工鱼的移动步长进行更新: 其中， 为步长缩减因子，取0.85； 为给定的移动步长最小值。并将change Times恢复为0: Change Times 0 进行下一次移动步长的自动调整准备。 * 第十页，共二十五页，2022年，8月28日 2.3基于评价函数的步长改进算法 设当前人工鱼状态X i, 在可视范围内随机选择一个状态X j, 如果食物浓度Yj > > Yi, 即X j 处的食物浓度较X i 大很多, 可以认为X j 处的营养物质较为丰富, X i 应该向X j 移动一大步。基本人工鱼群算法中, 移动步长随机而定, 在改进的人工鱼群算法中, 评价函数： (其中Ymax为初始状态适应值函数的最大值, Ymin为初始状态适应值函数的最小值)状态X i 与状态X j 处的食物浓度之差为& Yij = Yj - Yi, 如果& Yij > & Y, 则向Xj 方向移动3step的距离。如果& Yij < & Y, 则向X j 方向移动一步。 * 第十一页，共二十五页，2022年，8月28日 3.基于视野和步长的改进 取决于人工鱼当前所在的