人工鱼群算法的参数分析资料下载.pdf

人工鱼群算法的参数分析资料下载.pdf

《人工鱼群算法的参数分析资料下载.pdf》由会员分享，可在线阅读，更多相关《人工鱼群算法的参数分析资料下载.pdf（3页珍藏版）》请在冰豆网上搜索。

群体智能；

参数分析；

优化性能ParametersAnalysisofArtificialFishSwarmAlgorithmWANGLian-guo,SHIQiu-hong（SchoolofInformationScienceandTechnology,GansuAgriculturalUniversity,Lanzhou730070,China）

【Abstract】AimingattheproblemofArtificialFishSwarmAlgorithm（AFSA）,suchaslongrunningtimeorbeinginlocalextremum,causedbyinappropriateparameterssetting,thispaperusestheimprovedGlobaleditionArtificialFishSwarmAlgorithm（GAFSA）,optimizesthreebenchmarkfunctionstoconductsimulationstudieswithdifferentparametersmatching,andanalyzesthechangelawoftheoptimizationperformancesandtheconvergencespeedoftheartificialfishswarmalgorithmundertheinfluenceofthemainparameters,andgivestheappropriaterangesofparametersetting.Experimentalresultsshowthatreasonableparametersettingsmakealgorithmgetbetteroptimizationperformancesandquicklyconvergencetotheglobalbettersolution.【Keywords】ArtificialFishSwarmAlgorithm（AFSA）;

swarmintelligence;

parameteranalysis;

optimizationperformances计计算算机机工工程程ComputerEngineering第第36卷卷第第24期期Vol.36No.242010年年12月月December2010人工智能及识别技术人工智能及识别技术文章编号：

文章编号：

10003428（2010）24016903文献标识码：

文献标识码：

A中图分类号：

中图分类号：

TP181概述概述人工鱼群算法（ArtificialFishSwarmAlgorithm,AFSA）1是一种基于动物行为的群体智能优化算法，简单易实现，具有取得全局极值、避免陷入局部极值的良好能力，对搜索空间也有一定的自适应能力，而且算法对初值与参数选择不敏感，具有较强的鲁棒性和较好的收敛性能。

目前该算法已成功应用于各个方面，如优化前向神经网络2、信号处理3等，并取得了较好的效果。

算法的实施过程与它采用的参数取值有较大关系4，如果能对AFSA参数选取规律有一个定性认识，必将对不同的问题域的参数选取有很大的帮助。

针对基本人工鱼群算法运行速度慢的问题，本文应用全局版人工鱼群算法（GlobaleditionArtificialFishSwarmAlgorithm,GAFSA）5对人工鱼群算法的视野、步长、拥挤度因子等主要参数进行分析，其中主要包括参数对算法优化精度及收敛性能的影响，以求几个基准测试函数的最小值进行仿真实验，得出主要参数对算法性能影响的结论。

2全局版人工鱼群算法全局版人工鱼群算法算法对AFSA的觅食行为进行了改进6，同时在聚群行为中用整个人工鱼群的中心位置代替当前人工鱼邻域内伙伴的中心位置，在追尾行为中用整个人工鱼群的全局最优位置代替当前人工鱼邻域内伙伴的最优位置，从而减少了计算量，加快了算法的运算速度。

全局版人工鱼群算法在聚群行为和追尾行为中，如果前进条件不满足，则执行觅食行为；

在觅食行为中，如果前进条件不满足，则执行随机游动行为，通过调控觅食行为中的重复尝试次数Try_number，控制算法跳出局部极值的能力，因此，算法具有较强的跳出局部极值的能力。

3仿真实验及分析仿真实验及分析以求3个基准测试函数的最小值为例进行仿真实验，测试软件平台为VisualC+和WindowsXP。

（1）Rosenbrock函数1222111（）（100（）（1-）,100100DiiiiifXxxxx+=+

（2）Rastrigin函数221（）（10cos

（2）10）,1010DiiiifXxx-x=+（3）Griewank函数23111（）cos（）1,-6006004000DDiiiiixfXxxi=+3.1视野和步长对算法性能的影响视野和步长对算法性能的影响3.1.1固定进化迭代次数的优化精度设群体规模为20，拥挤度因子为11，Try_number=3，最大迭代为2000次，视野和步长在不同的取值下每次实验运行30次，以平均适应度（函数值）的大小作为评价标准，限于篇幅，选取Rosenbrock函数的实验结果，如图1所示，并直接给出Rastrigin函数及Griewank函数的实验结论。

实验结果表明，步长Step越小，优化精度越高，Step越大，优化精度越低。

对于f1（X），Step应取0.53.0；

对于f2（X），Step应取14；

对于f3（X），Step应取16。

对于f1（X）和f2（X），基金项目：

基金项目：

甘肃省教育信息化发展战略研究基金资助项目（2007-08）作者简介：

作者简介：

王联国（1968），男，副教授、博士，主研方向：

智能计算，智能信息处理；

施秋红，硕士研究生收稿日期：

收稿日期：

2010-04-10E-mail：

170Visual对优化精度影响不大；

对于f3（X），当Step在16之间时，Visual对优化精度影响不大，当Step大于8时，Visual对优化精度影响有一定的影响，Visual越大，优化精度越低且出现一定的振荡现象。

图图1步长、视野与适应值的关系步长、视野与适应值的关系3.1.2固定收敛精度下的迭代次数f1（X）,f2（X）,f3（X）优化目标精度分别设置为100、1和10-3，其他参数同上。

以达到给定收敛精度的平均迭代次数作为评价标准，同样限于篇幅，选取Rosenbrock函数的实验结果，如图2、图3所示，并直接给出Rastrigin函数及Griewank函数的实验结论。

图图2视野与迭代次数的关系视野与迭代次数的关系图图3步长与迭代次数的关系步长与迭代次数的关系从实验结果可以看出，随着步长的逐步增加，迭代次数逐步减少，但是在超过一定范围后，迭代次数增加，收敛速度减缓，当步长过大时，会出现振荡现象。

所以，对于各种优化问题，应该考虑采用合适的步长使算法达到最好的寻优效果。

视野对于收敛速度，在步长一定的情况下，随着视野的逐步增加，迭代次数有少量的减少，但减少幅度不大，而较小的视野可以使算法收敛到较好的结果。

3.2对算法性能的影响对算法性能的影响取不同的值，群体规模为20，维数为30，其他参数设置见表1。

算法独立运行30次，每次最大迭代次数为2000，以达到给定收敛精度的平均迭代次数的大小作为评价标准，实验结果见图4。

从图4可以看出，越小，人工鱼摆脱局部极值的能力越强。

随着的不断增大，迭代次数不断增加，收敛速度变慢。

这是因为随着的不断增大，人工鱼的聚群行为和追尾行为比较突出，而在人工鱼的聚群行为和追尾行为中，每次迭代人工鱼只向鱼群中心位置或鱼群最优位置移动一步，从而影响了收敛速度。

当较小时，觅食或随机行为比较突出，而在改进的觅食行为中人工鱼直接移动到搜索到的较优位置，从而加快了搜索速度，另外在改进的随机行为中，以人工鱼为中心，以（rand（）-0.5）Step*X为步长动态搜索，搜索效果较好，这也说明了改进觅食行为的优越性。

因此，在15之间取值比较合适。

表表1测试函数的参数设置测试函数的参数设置

（1）函数VisualStep优化精度Try_numberRosenbrock711023Rastrigin4110-33Griewank20210-33图图4与迭代次数的关系与迭代次数的关系3.3Try_number对算法性能的影响对算法性能的影响参数设置见表2，其他参数同上。

算法独立运行30次，最大迭代次数为100，以达到的平均优化精度和以达到给定收敛精度下的平均迭代次数作为评价标准，实验结果如图5、图6所示。

表表2测试函数的参数设置测试函数的参数设置

（2）函数VisualStep优化精度Rosenbrock62.01022Rastrigin61.510-32Griewank502.010-32图图5Try_number与优化精度的关系与优化精度的关系405060708090100191725334149Try_numberRosenbrockRastriginGriewank图图6Try_number与迭代次数的关系与迭代次数的关系从图5、图6来看，当Try_number在小于5的范围内，随着Try_number的增大，算法的收敛精度越高。

因此，增加Try_number的次数可以减少人工鱼的随机游动从而提高算法的收敛效率，但是这也必须以增加计算时间作为代价。

当Try_number大于5时，算法的收敛速度基本上没有变化，而计算时间以较大幅度增加，因此，Try_number一般取15较为合适。

3.4群体规模对算法性能的影响群体规模对算法性能的影响维数设置为30，其他参数设置见表3。

对每个测试函数，算法独立运行30次，每次最大迭代次数为100，以达到的平均优化精度与运行时间和以达到给定收敛精度下的平均迭代次数作为评价标准，群体规模对算法性能的影响较为明显，实验结果如图7图9所示。

171表表3测试函数的参数设置测试函数的参数设置（3）函数VisualStep优化精度Try_numberRosenbrock62.010232Rastrigin61.510-332Griewank502.010-332图图7群体规模与优化精度的关系群体规模与优化精度的关系图图8群体规模与运行时间的关系群体规模与运行时间的关系图图9群体规模与迭代次数的关系群体规模与迭代次数的关系实验结果表明，随着群体规模的不断增大，优化精度不断提高，但群体规模超过一定数量后，提高幅度不大，算法的运行时间与群体规模呈正比增大。

随着群体规模的增大，迭代次数逐渐减少，收敛速度加快，但群体超过一定数量后，迭代次数减少幅度不大。

实验结果表明，在优化精度满足的情况下，为了加快收敛速度，群体规模在2030之间较为合适。

4结束语结束语通过对参数的调整，避免算法陷入局部最优，加快算法收敛速度，是智能算法研究的