基于人工鱼群算法的空洞探测

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (11): 30-33.

基于人工鱼群算法的空洞探测

杨礼1，刘高峰1，2，杨智杰1，陈姝1

1.内江师范学院数学与信息科学学院，四川内江 641112
2.内江师范学院四川省高等学校数值仿真重点实验室，四川内江 641112

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-04-11 发布日期:2011-04-11

Cavity detection based on artificial fish swarm algorithm

YANG Li1，LIU Gaofeng1，2，YANG Zhijie1，CHEN Shu1

1.School of Maths and Informations Science，Neijiang Normal University，Neijiang，Sichuan 641112，China
2.Key Lab for Numerical Simulation in the Sichuan Provincial College，Neijiang Normal University，Neijiang，Sichuan 641112，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-04-11 Published:2011-04-11

摘要/Abstract

摘要： 针对目前解决空洞探测算法复杂度高，近似解不能很好地逼近于最优解等问题，提出了一种基于人工鱼群算法解决空洞探测的方法。该方法将每一条鱼视为一个空洞，将理论时间与观测时间的误差作为鱼游动的标准，以鱼群逐渐向空洞实际位置游动对应的误差逐渐变小为基本思想，将在最小误差情况下对应的鱼群位置作为空洞位置。经计算仿真表明，该算法迭代次数少，复杂度低，能很好地逼近于最优解，是一种解决空洞探测的有效算法。

关键词: 人工鱼群算法, 空洞探测, 群体智能

Abstract: In terms of cavity detection algorithm with high complexity and approximate solution far away optimal solutions，an artificial fish swarm algorithm is proposed for solving cavity detection.Each fish is regarded as a cavity.The error between theory time and observational time is the standard of the fish’s movement.When the fish moves to the real locations of cavities，the error will decrease.When the error gets minimization，locations of the fish are the locations of cavities.The simulation shows that the fish algorithm has low complexity，approximate solution which is close to optimal solutions.The algorithm is a valid method to solve cavity detection.

Key words: artificial fish swarm algorithm, cavity detection, swarm intelligence

杨礼1，刘高峰1，2，杨智杰1，陈姝1. 基于人工鱼群算法的空洞探测[J]. 计算机工程与应用, 2011, 47(11): 30-33.

YANG Li1，LIU Gaofeng1，2，YANG Zhijie1，CHEN Shu1. Cavity detection based on artificial fish swarm algorithm[J]. Computer Engineering and Applications, 2011, 47(11): 30-33.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[4]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[5]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[6]	许德刚，赵萍. 蝙蝠算法研究及应用综述[J]. 计算机工程与应用, 2019, 55(15): 1-12.
[7]	黄霞1，2，叶春明1，郑军1. 混合改进搜索策略的鸡群优化算法[J]. 计算机工程与应用, 2018, 54(7): 176-181.
[8]	张晓凤，王秀英. 布谷鸟搜索算法综述[J]. 计算机工程与应用, 2018, 54(18): 8-16.
[9]	杨小健，徐小婷，李荣雨. 求解高维优化问题的遗传鸡群优化算法[J]. 计算机工程与应用, 2018, 54(11): 133-139.
[10]	姚凌波，戴月明，王艳. 反向自适应高斯变异的人工鱼群算法[J]. 计算机工程与应用, 2018, 54(1): 179-185.
[11]	王家海，陈煜. 数据驱动的Job Shop生产调度知识挖掘及优化[J]. 计算机工程与应用, 2018, 54(1): 264-270.
[12]	卢向华，舒云星. 改进AFSA算法优化SVM的变压器故障诊断[J]. 计算机工程与应用, 2017, 53(17): 173-179.
[13]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.
[14]	周利军1，彭卫2，邹芳2，刘宇荧3，李莉3. 自适应变异粒子群算法[J]. 计算机工程与应用, 2016, 52(7): 50-55.
[15]	黄务兰1，2，张涛1，3. 基于改进全局人工鱼群算法的VRPSPDTW研究[J]. 计算机工程与应用, 2016, 52(21): 21-29.