具有认知能力的捕鱼策略优化算法李景洋

收稿日期：2012-05-29；修回日期：2012-07-03

基金项目：广西自然科学基金资助项目（0832084）；广西高等学校科研资助项目

（201202ZD032）；广西混杂计算与集成电路设计分析重点实验室资助项目

作者简介：李景洋（1989-），女，硕士研究生，主要研究方向为计算智能；王勇（1963-），男（通信作者），教授，博士，主要研究方向为计算智能、数据挖掘（wangygxnn@sina．com ）；路闯（1985-），男，硕士研究生，主要研究方向为数据挖掘、计算智能．

具有认知能力的捕鱼策略优化算法

*

李景洋，王

勇，路闯

（广西民族大学信息科学与工程学院，南宁530006）

摘

要：针对捕鱼策略优化方法在处理复杂优化问题时易陷入局部极值，且后期收敛速度慢的缺陷，根据现实

中渔夫的捕鱼习惯，将渔夫的认知能力应用到基本FSOA 中，提出了一种改进的具有认知能力的捕鱼策略优化方法（CAFSOA ）。该算法中的渔夫可根据其前期捕鱼经验和当前群体状况来判断何处鱼的浓度比较高。实验结果表明，该优化方法具有较快的收敛速度和较好的优化精度，能有效地避免早熟收敛问题。关键词：捕鱼策略优化方法；具有认知能力的捕鱼策略优化方法；认知能力；优化中图分类号：TP18；TP301.6

文献标志码：A

文章编号：1001-3695（2013）01-0124-03

doi ：10．3969/j．issn．1001-3695．2013．01．030

FSOA with cognitive ability

LI Jing-yang ，WANG Yong ，LU Chuang

（College of Information Science ＆Engineering ，Guangxi University for Nationalities ，Nanning 530006，China ）

Abstract ：In order to overcome the shortcoming of standard FSOA that was easily trapped in local optimum and had a low con-vergence rate in the late period ，according to the fishing habit of fishers ，this paper applied the fishers ’cognitive ability in FSOA ，and put forward an improving FSOA with cognitive ability．In this optimization algorithm ，every fisher could estimate ，according to his fishing experience and the state the group were being in ，where was relatively thick with fish in comparison with the area around him．The experiment results show that this optimization algorithm has the great advantages of a rapid con-vergence rate and a high accurate numerical solution over standard FSOA ，and can effectively avoid being trapped into local optimum．

Key words ：FSOA ；CAFSOA ；cognitive ability ；optimization

近年来，演化计算等基于自然法则的随机搜索算法的研究越来越受到人们的重视。自20世纪60年代Holland

［1］

提出遗

传算法（GA ）以来，该领域的研究取得了较大的进展

［1 13］

。1995年，Kennedy 等人提出了粒子群优化算法（PSO ）［2］。1996年，Dorigo 等人［6］

提出了蚁群算法（ACA ）。2002年，李晓磊等

人

［8］

提出了人工鱼群算法（AFSA ）。这些随机搜索算法为解

决工程技术等方面的复杂优化问题提供了新的契机。

最近，文献［11］则根据渔夫捕鱼行为习惯，提出了一种采用捕鱼策略的优化方法（FSOA ）。该算法具有原理简单、设置参数少、易于编码实现等优点，但是该算法却存在搜索效率不高、易陷入局部极值的缺陷。针对基本FSOA 存在的缺陷，文献［14 17］从不同的角度对FSOA 进行了改进。文献［14］采用动态策略的模拟捕鱼优化算法，文献［15］提出将FSOA 与PSO 相结合的优化算法，文献［16］提出采用正交变换确定探测点的改进方法，文献［17］提出采用随机动态选择探测点的改进方法。这些改进方法增强了算法搜索跳出局部最优解的能力，在很大程度上提高了算法的搜索效率，但仍然没能从根本上避免该算法在搜索过程中陷入局部极值的情况发生。

针对基本FSOA 存在的不足，本文将人类智能与渔夫捕鱼习惯相结合，提出一种具有认知能力的捕鱼策略优化方法（FSOA with cognitive ability ，CAFSOA ）。该算法中的渔夫可根

据其前期捕鱼经验和当前群体状况来判断何处鱼的浓度比较高。为了测试本文算法的性能，选取了几个典型的优化问题进行算法优化性能实验。实验结果表明，该改进算法具有较好的优化性能，可有效地避免早熟收敛问题。

1基本FSOA 介绍

在基本FSOA 中，渔夫采用移动搜索与收缩搜索相结合的

搜索策略，以方体格式确定探测点。具体方法如下（以求最大值为例）：

设D 中随机分布有k 个渔夫。i 渔夫在t 时刻的位置为X

i

（t ）=［x i

1（t ），…，x i n （t ）］（将下鱼网点抽象为无体积的点，用以表征问题的候选解）。i 渔夫在点X i

（t ）的四周按方体格式下鱼网，得到以X i

（t ）为中心的下鱼网点集为

Ω（X i （t ））=｛X i （t +1）=［

x i

1（t +1），…，x i n （t +1）］|x i j （t +1）∈｛x i j （t ）－l （

－），x i j （t ），x i j （t ）+l （

+）

｝，j =1，2，…，n ｝

其中：x i

j （t ）∈D j ，

l （－）

和l

（

+）

均为大于0的数。若x i j （t ）－l

（

－）

≤a j ，则令x i j （t ）－l

（

－）

=a j ；若x i j （t ）+l （+）

≥b j ，则令x i

j （t ）+

l （

+）

=b j （j =1，…，n ）。1）移动搜索

若f （X i （t +1））满足公式f （X i

（t +1））=

max X i （t +1）∈Ω（X i （t ））

f （X i （t +1））＞f （X i （t ）），则i 渔夫将从X i

（t ）移到

第30卷第1期2013年1月计算机应用研究

Application Research of Computers Vol.30No.1Jan．2013