求解机组组合问题的改进型人工鱼群算法研究

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (17): 223-229.

求解机组组合问题的改进型人工鱼群算法研究

翟军臣1，杜廷松1，2，李德宜2，李文武3

1.三峡大学非线性与复杂系统研究所，湖北宜昌 443002
2.武汉科技大学冶金工业过程系统科学湖北省重点实验室，武汉 430081
3.三峡大学电气与新能源学院，湖北宜昌 443002

出版日期:2014-09-01 发布日期:2014-09-12

Improved artificial fish swarm algorithm for combined allocation problem

ZHAI Junchen1, DU Tingsong1，2, LI Deyi2, LI Wenwu3

1.Institute of Nonlinear and Complex Systems, China Three Gorges University, Yichang, Hubei 443002, China
2.Hubei Province Key Laboratory of System Science in Metallurgical Process, Wuhan University of Science and Technology, Wuhan 430081, China
3.College of Electrical Engineering and Reusable Energy, China Three Gorges University, Yichang, Hubei 443002, China

Online:2014-09-01 Published:2014-09-12

摘要/Abstract

摘要： 提出了改进型人工鱼群算法。采用线性递减的函数取代标准人工鱼群算法（BAFSA）中的固定视野；在觅食行为中，利用粒子群算法（PSO）中的惯性权重线性递减的视野来加速算法的收敛速度；同时用混沌现象代替BAFSA中的随机现象。给出了算法的全局收敛性证明，并将算法应用于求解电力系统机组组合问题，分别对基准测试函数、三机组和十机组系统进行仿真计算，结果均表明新算法能有效跳出局部极值，收敛速度快且具有更高的精度。因此，改进型算法可以作为求解机组组合问题的有效算法。

关键词: 机组组合, 人工鱼群, 线性递减, 混沌搜索

Abstract: An improved artificial fish swarm algorithm is proposed. The new algorithm uses the linear decreasing function instead of a fixed visual, uses linear decreasing inertia weight as the Particle Swarm Optimization（PSO） to accelerate the convergence speed of the algorithm, and uses chaos phenomenon instead of random phenomena of BAFSA. It presents the global convergence proof and carries on the simulation experiment with the test function and the systems of three units and ten units. The results show that the improved algorithm can escape from the local extremum effectively, and has higher convergence speed and precision. So it can be used as an effective algorithm for combined allocation problem.

Key words: unit commitment, Artificial Fish Swarm Algorithm（AFSA）, linear decreasing, chaos search

翟军臣1，杜廷松1，2，李德宜2，李文武3. 求解机组组合问题的改进型人工鱼群算法研究[J]. 计算机工程与应用, 2014, 50(17): 223-229.

ZHAI Junchen1, DU Tingsong1，2, LI Deyi2, LI Wenwu3. Improved artificial fish swarm algorithm for combined allocation problem[J]. Computer Engineering and Applications, 2014, 50(17): 223-229.

[1]	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.
[2]	顾艳春，鲁海燕，向蕾，沈莞蔷. 自适应动态学习鸡群优化算法[J]. 计算机工程与应用, 2020, 56(20): 36-45.
[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]	邵良杉，李臣浩. 基于改进花粉算法的极限学习机分类模型[J]. 计算机工程与应用, 2020, 56(1): 172-179.
[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]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[7]	郑庆新，顾晓辉，张洪铭. 基于SQP和自适应搜索的混沌粒子群算法[J]. 计算机工程与应用, 2018, 54(13): 131-136.
[8]	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.
[9]	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.
[10]	谌俊异，邓飞其. 基于混合二进制粒子群的Web系统优化算法[J]. 计算机工程与应用, 2017, 53(23): 224-229.
[11]	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.
[12]	康代轲1，陈明2. 基于改进混沌搜索算法的机器人轨迹规划[J]. 计算机工程与应用, 2017, 53(14): 143-147.
[13]	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.
[14]	李迎1，张璟1，2，虎群1，李军怀1，2. 人工鱼群算法在虚拟机分配中的应用[J]. 计算机工程与应用, 2015, 51(4): 22-28.
[15]	王冲，雷秀娟. 一种融合免疫接种机制的改进鱼群聚类算法[J]. 计算机工程与应用, 2015, 51(3): 138-142.