算法的实施过程与其所采用的参数取值有较大关系,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。
(1)视野Visual和步长Step
由于每次巡视的视点都是随机的,所以不能保证每一次觅食行为都是向着更优的方向前进,这在一定程度上减缓了收敛的速度,但是从另一个方面看,这又有助于人工鱼摆脱局部极值的诱惑,从而去寻找全局极值。由于视野对算法中各行为都有较大的影响,因此,视野的变化对收敛性能的影响也是比较复杂的。当视野范围较小时,人工鱼的觅食行为和随机游动比较突出;视野范围较大时,人工鱼的追尾行为和聚群行为将变得比较突出。总体来看,视野越大,越容易使人工鱼发现全局极值并收敛。
文献[124]中的实验结果表明,在固定进化迭代次数时,步长越小优化精度越高,步长越大收敛的速度越快但优化精度越低,并且在超过一定的范围后,又使得收敛速度减缓。甚至在步长过大时,有时会出现震荡现象而大大影响收敛的速度。
(2)拥挤度因子δ
拥挤度因子用来限制人工鱼群聚集的规模,在较优状态的邻域内希望聚集较多的人工鱼,而次优状态的邻域内希望聚集较少的人工鱼或不聚集人工鱼。其选取规则通常如下:(www.xing528.com)
在求极大的问题中
式中,α为极值接近水平,nmax为期望在该邻域内聚集的最大人工鱼数目。例如,如果希望在接近极值90%水平的邻域内不会有超过10条人工鱼聚集,那么取δ=1/(0.9×10)≈0.11。这样,如果Yc/(Yinf)<δ,人工鱼就认为Yc状态过于拥挤,其中Yi为人工鱼自身状态的值,Yc为人工鱼所感知的某状态的值,nf为周围伙伴的数目。
在求极小的问题中
式中,α为极值接近水平,nmax为期望在该邻域内聚集的最大人工鱼数目。例如,如果希望在接近极值90%水平的邻域内不会有超过10条人工鱼聚集,那么取δ=0.9×10=9。这样,如果Ycnf/Yi>δ,人工鱼就认为Yc状态过于拥挤,其中Yi为人工鱼自身状态的值,Yc为人工鱼所感知的某状态的值,nf为周围伙伴的数目。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。