1 定义
人工鱼群算法为山东大学副教授李晓磊2002年从鱼找寻食物的现象中表现的种种移动寻觅特点中得到启发而阐述的仿生学优化方案。在一片水域中,鱼往往能自行或尾随其他鱼找到营养物质多的地方,因而鱼生存数目最多的地方一般就是本水域中营养物质最多的地方,人工鱼群算法就是根据这一特点,通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为,从而实现寻优。人工鱼拥有以下几种典型行为:
(1)觅食行为:一般情况下鱼在水中随机地自由游动,当发现食物时,则会向食物逐渐增多的方向快速游去。
(2)聚群行为:鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群,鱼聚群时所遵守的规则有三条:分隔规则:尽量避免与临近伙伴过于拥挤;对准规则:尽量与临近伙伴的平均方向一致;内聚规则:尽量朝临近伙伴的中心移动。
(3)追尾行为:当鱼群中的一条或几条鱼发现食物时,其临近的伙伴会尾随其快速到达食物点。
(4)随机行为:单独的鱼在水中通常都是随机游动的,这是为了更大范围地寻找食物点或身边的伙伴。
2 算法具体过程
人工鱼群算法实现的步骤:
- 初始化设置,包括种群规模N、每条人工鱼的初始位置、人工鱼的视野Visual、步长step、拥挤度因子δ、重复次数Trynumber;
- 计算初始鱼群各个体的适应值,取最优人工鱼状态及其值赋予给公告牌;
- 对每个个体进行评价,对其要执行的行为进行选择,包括觅食Pray、聚群Swarm、追尾Follow和评价行为bulletin;
- 执行人工鱼的行为,更新自己,生成新鱼群;
- 评价所有个体。若某个体优于公告牌,则将公告牌更新为该个体;
- 当公告牌上最优解达到满意误差界内或者达到迭代次数上限时算法结束,否则转步骤3。
3 算法流程图
``` clc;clear;close all;
%% 导入地图 Spoly = shaperead('.\BOUNT\BOUNT_poly.shp', 'UseGeoCoords', true); Tpoly = struct2table(Spoly); row2 = cell2mat(cellfun(@(x) floor(str2num(x)./10000),Tpoly.ADCODE99,'UniformOutput',false)) == 35; % 福建省 SSpoly = Spoly(row2);
worldmap([23,29],[115,121]) % worldmap([24,25],[117.5,118.5]) geoshow(SSpoly, 'FaceColor', [0.9 0.9 0.9], 'LineStyle', ':') % 画出福建地图
%% 导入站点地理气象信息 StationData = importdata('.\stationdata.csv'); % g1 = geoshow(StationData.data(:,2),StationData.data(:,1),'DisplayType','point','Marker','.','MarkerEdgeColor',[0.2422 0.1504 0.6603]); % StationWeather = importdata('.\0816.csv'); %提取的08-16年站点极大风速和降雨 StationWeather = importdata('.\201609.csv'); %提取的16年9月站点极大风速和降雨 newStationWeather = findstationdata(StationData.textdata,StationWeather); % k = 256; % mycolormap = parula(k); % [swcolor, PS] = mapminmax(newStationWeather(:,2)',1,256); % swcolor(isnan(newStationWeather(:,2))) = NaN; % for i = 1:size(StationData.data,1) % if isnan(swcolor(i)) % geoshow(StationData.data(i,2),StationData.data(i,1),'Marker','.','MarkerSize',5,'MarkerEdgeColor',[0.75 0.75 0.75]); % else % geoshow(StationData.data(i,2),StationData.data(i,1),'Marker','.','MarkerEdgeColor',mycolormap(floor(swcolor(i)),:)); % end % drawnow % end % g1 = geoshow(24.1,118.4,'DisplayType','point','Marker','.','MarkerEdgeColor',mycolormap(1,:)); % g2 = geoshow(24.1,118.4,'DisplayType','point','Marker','.','MarkerSize',5,'MarkerEdgeColor',[0.75 0.75 0.75]);
%% 导入杆塔信息 PoleData500 = importdata('.\poledata500.csv'); % mapline(PoleData500, 'r'); % PoleData220 = importdata('.\poledata220.csv'); % mapline(PoleData220, 'g'); % PoleData110 = importdata('.\poledata110.csv'); % mapline(PoleData110, 'b');
%% 画杆塔位置 % samplelat = PoleData500.data(7559,3); %厦沧Ⅰ路某塔 % samplelon = PoleData500.data(7559,2); % g3 = geoshow(samplelat,samplelon,'DisplayType','point','Marker','o','MarkerEdgeColor','k','MarkerFaceColor','m'); % [latc,longc] = scircle1(samplelat,samplelon,0.1); % plotm(latc,longc,'m'); % g4 = plotm(24.1,118.4,'r'); % legend(g1,{'自动气象站'},'Location','southeast') % legend([g1 g2 g3 g4],{'自动气象站','自动气象站(数据缺失)','厦沧Ⅰ路某塔','500kV线路'},'Location','southeast') % cb = colorbar; % for p = 1:11 % g{p} = max(newStationWeather(:,2)) * (p-1)/10; % end % set(cb,'YTick',(0:.1:1)) % set(cb,'YTickLabel',g)
%% 人工鱼群算法 % PoleRain = IDW(StationData,newStationWeather,PoleData500.data(:,2:3),'rain'); [PoleWind, mindis] = IDW(StationData,newStationWeather,PoleData500.data(:,2:3),'wind'); PoleNo = find(PoleWind(find(mindis > 0.03)) > 25); PolePosition = PoleData500.data(PoleNo,2:3);
index = find(~isnan(newStationWeather(:,2))); StationPosition = StationData.data(index,:); PolePosition = PoleData500.data(:,2:3); dim = 20; [cbest, Fbest, Frecord] = AF(PolePosition,PoleWind(PoleNo),PoleNo,dim); %导入杆塔位置,风速,编号,最优布点数量;导出最优布点结果,最优食物浓度,食物浓度变化 Fbest = PoleNo(F_best);
%%可视化 polelat = PoleData500.data(Fbest,3); polelon = PoleData500.data(Fbest,2); g4 = plotm(24.1,118.4,'r'); g5 = geoshow(polelat,polelon,'DisplayType','point','Marker','o','MarkerEdgeColor','k','MarkerFaceColor','c'); for i = 1:dim geoshow(polelat(i),polelon(i),'DisplayType','point','Marker','o','MarkerEdgeColor','k','MarkerFaceColor','c'); drawnow end legend([g4 g5],{'500kV线路','微气象站建设位置'},'Location','southeast') % figure % plot(result,'k'); % xlabel('迭代次数') % ylabel('食物浓度(适应度)') % axis([0 500 0 4.5]); ```
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类