智能优化算法中AFSA参数选取规律与实施过程相互关联

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。