基本人工鱼群算法

1、基本人工鱼群算法人工鱼群算法(AFSA)是李晓磊于2002年提出的，它起源于对鱼群运动行为的研究，是一种新型的智能仿生优化算法。它具有鲁棒性强、分布式计算机制好、易于与其他方法结合等优点。目前，该算法的研究和应用已经渗透到许多应用领域，从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。人工鱼群算法已经成为一门非常活跃的跨学科前沿学科。概述了鱼群算法，介绍了鱼群模型的概念，给出了人工鱼的结构。然后，总结了人工鱼的优化原理，并对人工鱼群算法的优化过程进行了仿真。通过四个标准函数，选择不同的拥塞因子进行仿真实验，证明了人工鱼群算法用于全局优化的有效性。关键词：人工鱼群算法；拥挤因素；搜索优化0简

2、介在进化的过程中，经过长期的适者生存，动物们形成了各种各样的觅食和生活方式，这给解决生产和生活中的问题带来了很多启发和灵感。动物不具备复杂的逻辑推理能力和综合判断能力等高级智能，但它们通过简单的行为和个体间的相互影响来实现群体的生存和进化。动物行为具有以下特征。(1)适应性：动物通过感觉器官感知外部环境，并以多种方式做出反应，从而影响环境并表现出与环境互动的能力。(2)自主性：在没有外部控制或引导的情况下，可以在不同时间、不同环境中独立选择某些行为。(3)盲目性：个体行为是独立的，与整体目标没有直接关系。(4)涌现：总体目标的实现是个体行为运动过程中的涌现。(5)平行性：每个个体的行为是平行的

3、。人工鱼群算法(AFSA)是一种基于动物行为的局部优化模型。1鱼学校模型描述1.1拟议的鱼类学校模式自20世纪90年代以来，群体智能的研究引起了众多学者的极大关注，出现了一些著名的群体智能方法，如蚁群算法和粒子群算法。集群是生物学中常见的现象，如昆虫、鸟类、鱼类、微生物甚至人类。生物的这一特性是在漫长的进化过程中逐渐形成的，对其生存和进化有着重要的影响。同时，这些方式也给解决问题的思维带来了很多启发和鼓励。因此，近年来，许多科学家对生物行为进行了广泛的研究，并逐渐形成了基于生物行为的人工智能模型。这种基于生物行为的人工智能模型不同于经典的人工智能模型。它不采用自顶向下的设计方法，而是采用自底向

4、上的设计方法：首先，设计单个实体的感知和行为机制，然后将一个或一组实体放置在环境中，使它们能够解决与环境交互中的问题。它是嵌入的、物化的、自主的和涌现的。集群通常被定义为地方政府的集合，它们通过所有活动直接或间接相互沟通来解决一些分散的问题。这里，自治体指的是在一个环境中有自己活动能力的实体，它追求简单，通常不需要高级智能。然而，他们的集群活动表现出一种只能由高级智能实现的活动，这种活动可以称为集群智能。动物自治体通常是指自主机器人或动物仿真实体，主要用于展示动物在复杂多变的环境中独立产生适应性智能行为的方式。地方政府的行为受环境的影响，每个地方政府都是环境的一个组成部分。环境的下一个状态是当

5、前状态和局部身体的活动的函数，而局部身体的下一个刺激是环境的当前状态和它自己的活动的函数。局部身体的合理框架是在环境的刺激下进行最佳的应激活动。将动物自主的概念引入到鱼群优化算法中，采用自底向上的设计思想，应用基于行为的人工智能方法，形成一种新的问题解决模型，这种模型从分析鱼类活动入手，称为鱼群模型。该模型用于优化形成人工鱼群算法。在水域中，鱼数量最多的地方通常是水域中营养物质最多的地方。基于此，人工鱼群算法的基本思想是模仿鱼群的觅食、聚类、追尾等行为，从而实现全局优化。1.2人工鱼的结构模型人工鱼是真实鱼的虚拟实体，用于分析和解释问题。人工鱼的结构模型和行为描述可以基于面向对象的分析方法，如

6、图1.1所示。可以认为，人工鱼是一个封装了自己的数据和一系列行为的实体。它可以通过感官接收环境刺激信息，并通过控制尾鳍进行相应的应激活动。图1.1人工鱼的结构人工鱼所处的环境主要是问题的解空间及其人工鱼的状态。它在下一刻的行为取决于它自己的状态和当前的环境状态，它也通过自己的活动影响环境，然后影响其他同伴的活动。人工鱼对外界的感知是通过视觉实现的。生物视觉极其复杂。为了简单有效地实现，在人工鱼模型中采用了以下方法来实现虚拟人工鱼的视觉。如图1.2所示，虚拟人工鱼的当前状态是x，其视野状态是其视点在某一时刻所处的位置。如果该位置的状态是由于当前状态，则认为它向前移动到当前位置，即到达该状态；如果

7、状态不比当前状态好，继续巡视视野中的其他位置。检查次数越多，对视觉状态的了解就越全面，从而对周围环境有一个全面的三维了解，这有助于做出相应的判断和决策。当然，没有必要遍历所有具有无限多状态的环境，允许对具有某些不确定性的人工鱼进行局部优化，这有助于找到全局最优。图1.2人工鱼视觉的概念其中，状态，状态，过程可以表示如下：在公式中，Rand()函数生成0到1之间的随机数；脚步是移动的一步。由于环境中同伴的数量有限，同伴的状态(X1，X2等。在图1.2中)在视野中被感知，并且它们自己的状态被相应地调整。该方法类似于上述公式。通过模拟鱼的四种行为，觅食行为、集群行为、追尾行为和随机行为，鱼可以在周围

8、环境中移动。这些行为会在不同的条件下相互转化。通过对行为的评估，鱼选择当前的最优行为来执行，从而达到更高的食物浓度位置，这与鱼的生存密切相关。该算法利用面向对象技术重构人工鱼模型，并将人工鱼封装成变量和函数两部分。这些变量包括人工鱼的总数n、个体人工鱼的状态(这是要优化的变量)、人工鱼运动的最大步长、人工鱼的视野、尝试数、拥挤因子以及个体人工鱼I和J之间的距离.功能部分包括人工鱼当前位置的食物浓度(y为目标函数人工鱼的四种基本行为算法描述鱼不具备人类拥有的复杂逻辑推理能力和综合判断能力等高级智能。他们的目的是通过个人的简单行为或通过简单行为来实现或显现的。这里，为人工鱼定义了四种基本行为。1.觅食行为这是人工鱼的一种基本行为，也就是说，一种倾向于食物的活动。一般来说，可以认为它通过视觉或味觉来感知水中食物的数量或浓度，然后选择趋势。因此，上面提到的视觉概念可以应用于这种行为。行为描述：让人工鱼的当前状态保持不变，并在其感知范围内随机选择一个状态(2.1)在公式中，Rand()是一