文档介绍：人工鱼群算法的改进
*
第1页，本讲稿共25页
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；
具备并行处理的因子进行适时的自行调整，以达到提高收敛精度的目的。在该算法中，运用最优适应值变化率K和变化方差σ作为是否进行参数变化的衡量标准。定义如下：
*
第13页，本讲稿共25页

根据以上两个判别准则，对步长和拥挤度因子作调整，表达式如下：
其中f(Step)表示按一定规则对步长进行调整；f(δ )表示对拥挤度因子作相应调整；θ，φ表示评价系数，根据具体问题给出不同的值，用来控制变步长的速度和迭代的进程。
*
第14页，本讲稿共25页
（改变参数）
自适应人工鱼群算法：视步系数=步长/视野
基本思想是：
1）每次迭代后，人工鱼都将自身的位置信息及食物浓度写入并更新公告板。
2）人工鱼根据鱼群的状态智能地获取视野visual。
3）确定一个视步系数a（0<a≤1），把step=a×visual 作为人工鱼的最大步长。
4）忽略拥挤的因素，在执行追***为和聚群行为时，只要视野范围内的最优人工鱼和中心位置优于当前位置，就以rand（）×step 向其移动。
*
第15页，本讲稿共25页
（改变参数）
根据视野方式不同，分为四种（AAFSA1-4）：
1）AAFSA1:基于平均距离的自适应人工鱼群算法
即每次迭代前，每条人工鱼都要对其他人工鱼到自身的距离进行测算，并计算出平均值，把它作为自身的视野visual。
2）AAFSA2:基于最优人工鱼的自适应人工鱼群算法
即在每次迭代前，每条人工鱼都要测算出到当前最优人工鱼的距离，并把它作为自身的视野visual1。
*
第16页，本讲稿共25页

3）AAFSA3:基于最优人工鱼和最近人工鱼的半复合自适应人工鱼群算法
在AAFSA2 的基础上，对觅食行为做如下改进：人工鱼测算出到离自身最近的人工鱼的距离，并把它作为觅食行为的视野（visual）进行搜索，随机确定一点，如比自身位置优，则以visual2×rand（）向该点动一步；反之，则继续搜索，直至达到规定的尝试次数。
如仍未找到，则执行随机行为。用visual2×rand（）而不用visual2×a×rand（）。
*
第17页，本讲稿共25页

4）AAFSA4:基于最优人工鱼和最近人工鱼的复合自适应人工鱼群算法
把AAFSA2 和AAFSA3 相结合，得到了另一种改进觅食行为的方法。
*
第18页，本讲稿共25页
二、基于鱼群行为的改进

***为

*
第19页，本讲稿共25页
三、高阶行为模式
将人工鱼以前的行为和经验也封装在对象内部，并对其采取一定的参考和学****以达到提高算法的效率的目的。
如:
class Artificial fish
{
public
float AF_X[n] //AF's position
float last AF_X[n] //AF's last position
float evergood_AF_X[n] // the ever good position of AF
}；
这样，人工鱼就记忆着曾经的最好状态和上一次的状态，从而为下一次的行为作出更加合理的行为评价。
*
第20页，本讲稿共25页
四、混合优化算法
算法在优化过程初期虽然具有较快的收敛品质，但在后期却往往收敛较慢，或者无法达到要求的精度，因此，与其他算法相结合，在合适的时候与它们互相切换，实现各算法之间的优缺点互补，也是一种解决问题的常用方法。
*
第21页，本讲稿共25页
四、混合优化方法
李晓磊针对复杂大系统的优化问题中方程数多、变量维数高等特点，描述了一种基于分解协调思想的人工鱼群优化算法。并以换热器系统为例进行了计算，结果表明，该算法具有较好的收敛性、初值不敏感性和参数不敏感性等特点。
Xiaojuan Shan等提出了一种改进的人工鱼群算法，引入禁忌表，增强了人工鱼群算法的全局寻优和邻域搜索能力，避免限于局部最优解。实验结果显示改进的算法具有较好的全局寻优能力。
李亮等构造了一种两点禁忌寻优算子以避免寻优过程中的迂回搜索，并用它模拟鱼群中单条鱼的追寻历史最优鱼、追尾、群聚三种行为，采用遗传算法中非均