許恒迎，孫偉斌，張 霞，?；劬辏壮闪郑?/p>

（1.聊城大學(xué) 物理科學(xué)與信息工程學(xué)院，山東 聊城252000；2.山東省光通信科學(xué)與技術(shù)重點(diǎn)實(shí)驗(yàn)室，山東 聊城252000）

0 引 言

人工魚(yú)群算法（AFSA）是李曉磊博士提出的一種基于行為的新型人工智能算法［1］，通過(guò)模擬魚(yú)群的覓食、聚群、追尾、隨機(jī)等行為實(shí)現(xiàn)全局尋優(yōu)，具有魯棒性強(qiáng)、全局收斂性好以及對(duì)初值選擇不敏感等特點(diǎn)，目前在傳感器網(wǎng)絡(luò)優(yōu)化、水質(zhì)參數(shù)識(shí)別、多用戶檢測(cè)器、參數(shù)優(yōu)化、路由選擇及組合優(yōu)化等多個(gè)工程領(lǐng)域已得到應(yīng)用并取得了良好效果［2－6］。許多研究學(xué)者針對(duì)人工魚(yú)群算法在運(yùn)行后期表現(xiàn)出的搜索盲目性較大、尋優(yōu)精度低、對(duì)于復(fù)雜問(wèn)題易陷入局部極值等缺陷做出了改進(jìn)，如張梅鳳等提出了基于生境的人工魚(yú)群算法，較好解決了多峰問(wèn)題，但步驟比較繁瑣［7］；劉彥君通過(guò)自適應(yīng)地改變?nèi)斯~(yú)的視野和步長(zhǎng)提高了尋優(yōu)精度，但是易陷入局部極值［8］；王聯(lián)國(guó)提出了全局版人工魚(yú)群算法，提高了運(yùn)算速度，但目標(biāo)的尋優(yōu)精度有待提高［9］。在這些學(xué)者研究成果的基礎(chǔ)上，針對(duì)AFSA尋優(yōu)精度差、易陷入局部極值和過(guò)早收斂的問(wèn)題，本文提出了一種采用自適應(yīng)視野和步長(zhǎng)的局部鄰域人工魚(yú)群算法（local neighborhood artificial fish swarm algorithm，LNAFSA）。該算法采用了一種全新的局部鄰域結(jié)構(gòu)，每條人工魚(yú)只能與本鄰域結(jié)構(gòu)內(nèi)的其他5條鄰居魚(yú)相互交換信息。每次迭代前每條人工魚(yú)都要根據(jù)自身與其他5條鄰居魚(yú)的距離自適應(yīng)地計(jì)算視野和步長(zhǎng)，增強(qiáng)了魚(yú)群個(gè)體之間的差異性，簡(jiǎn)化了參數(shù)設(shè)定。在聚群行為中每條人工魚(yú)計(jì)算所在鄰域結(jié)構(gòu)的中心，減少了求視野范圍內(nèi)人工魚(yú)之間距離的計(jì)算量，追尾行為中則跟蹤所在鄰域結(jié)構(gòu)內(nèi)的最優(yōu)人工魚(yú)，由于采用了這種固定的鄰域結(jié)構(gòu)而無(wú)需判斷視野范圍內(nèi)哪條人工魚(yú)才是鄰居，算法迭代速度得以提高。經(jīng)6個(gè)經(jīng)典測(cè)試函數(shù)和1個(gè)光纖通信系統(tǒng)偏振模色散（PMD）補(bǔ)償?shù)墓こ虒?shí)例驗(yàn)證，表明該算法的尋優(yōu)精度和迭代速度均得到了較大改善，有效抑制了過(guò)早收斂現(xiàn)象。

1 基于自適應(yīng)視野和步長(zhǎng)的局部鄰域結(jié)構(gòu)人工魚(yú)群算法

1.1 全新的局部鄰域結(jié)構(gòu)

在AFSA中，假設(shè)第i條人工魚(yú)的狀態(tài)表示為向量Xi＝（x1，x2，…，xn），它的感知距離為Visual，移動(dòng)的步長(zhǎng)為Step，擁擠度因子為δ，第i條人工魚(yú)對(duì)應(yīng)的食物濃度為Y＝f（Xi），任意兩條人工魚(yú)i、j之間的距離定義為di，j＝‖Xi－Xj‖，則第i條人工魚(yú)的鄰域定義為N＝｛Xj｜di，j＜Visual｝，鄰居人工魚(yú)的數(shù)目為nf［1］。

文獻(xiàn)［1］指出人工魚(yú)的數(shù)目越多，收斂速度越快，但是迭代計(jì)算量越大，綜合考慮以上因素及測(cè)試函數(shù)的要求，人工魚(yú)的總數(shù)設(shè)定為20。受文獻(xiàn)［10］的啟發(fā)，我們使用模擬退火算法隨機(jī)地改變這20條人工魚(yú)之間的連接，并且將鄰居魚(yú)數(shù)目從1逐漸增加到10，這樣可以得到1300余種可能的局部鄰域結(jié)構(gòu)。采用Sphere、Rastrigin、Griewank、Rosernbrock、f6等5個(gè)經(jīng)典測(cè)試函數(shù)測(cè)試并比較所有局部鄰域結(jié)構(gòu)的性能，發(fā)現(xiàn)鄰居魚(yú)數(shù)目為5時(shí)所需迭代次數(shù)最少并且迭代成功率可達(dá)到95%以上。圖1給出了LNAFSA算法采用的一種具有5條鄰居魚(yú)并且迭代成功率可以達(dá)到100%的鄰域結(jié)構(gòu)拓?fù)鋱D。在該結(jié)構(gòu)中，每條人工魚(yú)的生存環(huán)境位于6條人工魚(yú)（包含自身和5條鄰居人工魚(yú)）組成的空間結(jié)構(gòu)中，每條人工魚(yú)只能與其鄰居人工魚(yú)交換信息。

圖1 全新局部鄰域結(jié)構(gòu)的拓?fù)?/p>

圖1中每個(gè)圓圈代表一條人工魚(yú)，圓圈外的數(shù)字代表每條人工魚(yú)的編號(hào)，連線表示相連人工魚(yú)可以相互交換信息。這種鄰域結(jié)構(gòu)中每條人工魚(yú)的生存環(huán)境可用表1表示。

表1 每條人工魚(yú)的局部鄰域結(jié)構(gòu)

1.2 自適應(yīng)視野和步長(zhǎng)

在AFSA中，所有人工魚(yú)的視野Visual和步長(zhǎng)Step都是事先設(shè)定的固定值。這是兩個(gè)非常重要的參數(shù)，直接決定了尋優(yōu)結(jié)果的精度。如果視野和步長(zhǎng)較大，人工魚(yú)全局搜索能力強(qiáng)并能快速收斂，但在收斂后期不可避免的出現(xiàn)人工魚(yú)在最優(yōu)值附近來(lái)回振蕩的現(xiàn)象；如果視野和步長(zhǎng)較小，人工魚(yú)收斂速度變慢，可以提高收斂精度，但在局部極值突出的情況下，很容易陷入局部極值而難以逃離。因此，有必要使視野和步長(zhǎng)隨著迭代的進(jìn)行能夠自適應(yīng)地調(diào)整。

現(xiàn)在每條人工魚(yú)已處于表1所示的局部鄰域結(jié)構(gòu)中，每次迭代前，第i條人工魚(yú)均要計(jì)算與其他5條鄰居人工魚(yú)的距離，取平均值后乘以限制因子K1及函數(shù)α（t）后再加上視野常量Visualmin，作為該人工魚(yú)當(dāng)前的自適應(yīng)視野Visuali；將Visuali乘以1/8及α（t）后再加上步長(zhǎng)常量Stepmin，作為該人工魚(yú)當(dāng)前的自適應(yīng)步長(zhǎng)Stepi。計(jì)算公式為

式（1）中，限制因子K1是在0～1之間的常數(shù)，它的取值與函數(shù)自變量搜索的范圍及維數(shù)有關(guān)。α（t）決定了視野、步長(zhǎng)與迭代次數(shù)的變化關(guān)系［11］。Visualmin和Stepmin的主要作用是防止算法在運(yùn)行后期與其他5條鄰居人工魚(yú)的平均距離無(wú)限接近0時(shí)出現(xiàn)停止收斂的現(xiàn)象。α（t）中K2為限制因子，TotalIter是一迭代總次數(shù)常量，因此α（t）是一個(gè)隨迭代次數(shù)t的增大而逐漸減小的函數(shù)。

1.3 基于局部鄰域結(jié)構(gòu)的人工魚(yú)行為描述

1.3.1 聚群行為

假設(shè)當(dāng)前時(shí)刻第i條人工魚(yú)的狀態(tài)為Xi＝（x1，x2，…，xn），且第i條人工魚(yú)所在鄰域結(jié)構(gòu)的中心位置Centeri＝（center1，center2，…centerk，…，centern），每一分量centerk的計(jì)算公式為

式中：m——第i條人工魚(yú)鄰域結(jié)構(gòu)的每條鄰居人工魚(yú)，AFNeighbori——第i條人工魚(yú)所在的鄰域結(jié)構(gòu)（包括自身）。假設(shè)中心位置Xc對(duì)應(yīng)的食物濃度Yc＝f（Xc），如果Yc/nf＞δ＊Yi（對(duì)應(yīng)求極大問(wèn)題，極小問(wèn)題為 Yc/nf＜δ＊Yi），說(shuō)明Centeri處食物濃度更高且可容納下自身，則第i條人工魚(yú)朝Centeri位置前進(jìn)一步，下一時(shí)刻位置分量xinextk按式（3）計(jì)算，否則根據(jù)下文所述的行為選擇策略執(zhí)行追尾或覓食行為

式中：rand（）—— 一個(gè)0到1之間的隨機(jī)實(shí)數(shù)，Stepi——當(dāng)前迭代第i條人工魚(yú)的步長(zhǎng)。

1.3.2 追尾行為

遍歷第i條人工魚(yú)所處的局部鄰域結(jié)構(gòu)，找到本鄰域內(nèi)最優(yōu)人工魚(yú)，假設(shè)其狀態(tài)為AFlocalbest，這條最優(yōu)人工魚(yú)對(duì)應(yīng)的食物濃度為L(zhǎng)ocalbest。如果Localbest/nf＞δ＊Yi（對(duì)應(yīng)求極大問(wèn)題，極小問(wèn)題為L(zhǎng)ocalbest/nf＜δ＊Yi），說(shuō)明鄰域內(nèi)的最優(yōu)人工魚(yú)AFlocalbest處更優(yōu)且可容納下自身，則第i條人工魚(yú)朝AFlocalbest的方向前進(jìn)一步，下一時(shí)刻位置分量xinextk按式（4）計(jì)算，否則根據(jù)下文所述的行為選擇策略執(zhí)行聚群或覓食行為

式中：AFlocalbestk——第i條人工魚(yú)所在局部鄰域內(nèi)最優(yōu)人工魚(yú)對(duì)應(yīng)的位置分量。

1.3.3 覓食行為

當(dāng)前迭代第i條人工魚(yú)的視野為Visuali，則第i條人工魚(yú)在［－Visuali，Visuali］范圍內(nèi)隨機(jī)巡視得到一個(gè)狀態(tài)Xrand，設(shè)定此狀態(tài)下的食物濃度為Yrand。如果它們各自對(duì)應(yīng)的食物濃度Yrand＞Yi（對(duì)應(yīng)求極大問(wèn)題，極小問(wèn)題為Yrand＜Yi），為加快尋優(yōu)速度，第i條人工魚(yú)直接移動(dòng)到該位置。若將以上過(guò)程嘗試進(jìn)行了try＿number次后仍未發(fā)現(xiàn)更高的食物濃度，則第i條人工魚(yú)在［－Stepi，Stepi］范圍內(nèi)隨機(jī)選擇一值作為下一時(shí)刻游動(dòng)時(shí)的位置增量。

1.3.4 行為選擇

因人工魚(yú)的行為種類較多，下一時(shí)刻具體執(zhí)行哪種行為需依據(jù)具體處理問(wèn)題的不同而選擇不同的行為選擇策略。本文采用的是進(jìn)步即可原則［11］，即首先執(zhí)行聚群行為，若未發(fā)現(xiàn)更高食物濃度則執(zhí)行覓食行為，如果仍未發(fā)現(xiàn)更優(yōu)值則執(zhí)行追尾行為，最后若依然未發(fā)現(xiàn)更高食物濃度則執(zhí)行覓食行為。

1.3.5 公告板

在尋優(yōu)過(guò)程中，每條人工魚(yú)每次行為（如聚群、覓食、追尾或隨機(jī)行為）完畢就將自身狀態(tài)與公告板的狀態(tài)進(jìn)行比較，優(yōu)則替換公告板上的記錄。最后，算法根據(jù)公告板的記錄得到最終的尋優(yōu)結(jié)果。

1.3.6 算法流程

步驟1 設(shè)定人工魚(yú)群規(guī)模、每條人工魚(yú)所在的局部鄰域結(jié)構(gòu)AFNeighbor、擁擠度δ、覓食行為中重復(fù)嘗試次數(shù)try＿number、限制因子K1和K2、最大迭代次數(shù)等參數(shù)。

步驟2 在搜索空間內(nèi)隨機(jī)初始化每條人工魚(yú)的位置，計(jì)算此時(shí)每條人工魚(yú)的食物濃度（即對(duì)應(yīng)的函數(shù)值），并與公告板的狀態(tài)比較，優(yōu)則替換。

步驟3 根據(jù)式（1）自適應(yīng)調(diào)整此次迭代每條人工魚(yú)的視野和步長(zhǎng)。

步驟4 每條人工魚(yú)在局部鄰域結(jié)構(gòu)內(nèi)按照上述進(jìn)步即可原則執(zhí)行各種行為，每條人工魚(yú)的位置和公告板狀態(tài)也隨之進(jìn)行更新。

步驟5 判斷迭代次數(shù)是否達(dá)到預(yù)定最大迭代次數(shù)或?qū)ふ业降淖顑?yōu)值是否滿足精度要求。若條件滿足，則輸出最優(yōu)值，算法終止；否則返回步驟3，繼續(xù)下一次迭代。

2 收斂分析

一種算法具備全局收斂性的充要條件是：

（1）具備局部收斂性；

（2）提供從局部最優(yōu)解狀態(tài)向其他未被搜索空間轉(zhuǎn)移的方法；

（3）提供搜索整個(gè)狀態(tài)空間的策略［12］。以下討論LNAFSA算法滿足這樣3個(gè)條件：

對(duì)于條件（1）：第i條人工魚(yú)在執(zhí)行聚群或追尾行為時(shí)，如果在AFNeighbori的中心位置或在AFNeighbori內(nèi)最優(yōu)人工魚(yú)處發(fā)現(xiàn)更優(yōu)值并且不太擁擠，則朝其前進(jìn)一步，這種策略可以保證經(jīng)過(guò)一定次數(shù)的迭代后第i條人工魚(yú)在本鄰域內(nèi)找到局部最優(yōu)值，顯然具備局部收斂性。如果第i條人工魚(yú)執(zhí)行覓食行為，由覓食行為的定義可知，第i條人工魚(yú)總要朝更優(yōu)方向前進(jìn)，保證了局部收斂。因此，滿足條件（1）。

對(duì)于條件（2）：每條人工魚(yú)的生存環(huán)境位于自身和5條鄰居人工魚(yú)組成的局部鄰域結(jié)構(gòu)中，每條人工魚(yú)只能與其鄰域交換信息。這種全新的局部鄰域結(jié)構(gòu)可以有效提升人工魚(yú)群算法的性能。如果某條人工魚(yú)陷入了局部極值，影響的范圍也僅僅是本鄰域結(jié)構(gòu)，可以依靠本鄰域內(nèi)其它5條人工魚(yú)發(fā)現(xiàn)的更優(yōu)值吸引其快速“逃離”陷入的局部極值，向其他未被搜索的空間游動(dòng)。如果某條人工魚(yú)發(fā)現(xiàn)了更優(yōu)值，既可以直接將這一信息與本鄰域內(nèi)的其余5條人工魚(yú)分享，又可以通過(guò)鄰域結(jié)構(gòu)的重疊性逐漸傳播到整個(gè)群體。因此，LNAFSA算法采用的這種局部鄰域結(jié)構(gòu)既具有局部性又具有全局性，滿足條件（2）。

對(duì)于條件（3）：LNAFSA算法初始化時(shí)，所有人工魚(yú)隨機(jī)地均勻分布在函數(shù)的搜索空間中，對(duì)應(yīng)局部鄰域結(jié)構(gòu)內(nèi)與其他5條人工魚(yú)的距離平均值較大，按照式（1）每條人工魚(yú)均具有較大的視野和步長(zhǎng)，可以搜索整個(gè)狀態(tài)空間，從而加強(qiáng)了全局搜索能力。隨著迭代次數(shù)的增加，每條人工魚(yú)都有向最優(yōu)值方向游動(dòng)的趨勢(shì)，對(duì)應(yīng)所在鄰域內(nèi)與其他5條人工魚(yú)的平均距離逐漸減小，按式（1）逐漸減小它的視野和步長(zhǎng)。在迭代后期，當(dāng)人工魚(yú)游動(dòng)至最優(yōu)值附近時(shí)，其視野和步長(zhǎng)將降低至非常小便于實(shí)現(xiàn)局部區(qū)域的精細(xì)搜索。每次迭代時(shí)每條人工魚(yú)通過(guò)平均距離計(jì)算得到的視野和步長(zhǎng)均不同，賦予了人工魚(yú)更多的智能。因此，這種方法實(shí)現(xiàn)了視野和步長(zhǎng)的自適應(yīng)調(diào)整，兼顧了收斂速度和尋優(yōu)精度，在加強(qiáng)局部搜索能力的同時(shí)又提高了目標(biāo)精度，滿足條件（3）。

因此，LNAFSA算法具備全局收斂性。

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

在Matlab R2006b環(huán)境下，機(jī)器主頻為Intel Core2 2GHz，內(nèi)存為1GB。選取6個(gè)經(jīng)典測(cè)試函數(shù)進(jìn)行實(shí)驗(yàn)：

（5）Rotated hyper－ellipsoid Function：f5（x）＝，它是一個(gè)病態(tài)的高維單峰函數(shù)，在xi＝0i＝1，2，…n時(shí)達(dá)到全局最小值，最優(yōu)值為0。

3.2 實(shí)驗(yàn)結(jié)果及分析

人工魚(yú)群規(guī)模為20，覓食行為中重復(fù)嘗試次數(shù)try＿number＝5。其余參數(shù)設(shè)置見(jiàn)表2。

表2 算法的參數(shù)設(shè)置

設(shè)定f1～f4的維數(shù)均為30維，f5為5維，f6為2維，對(duì)于每一測(cè)試函數(shù)算法均獨(dú)立運(yùn)行50次，其中每次迭代循環(huán)2000次，記錄這50次運(yùn)行所得結(jié)果的最好值、最劣值、均值、標(biāo)準(zhǔn)差、達(dá)到目標(biāo)精度時(shí)所用的最大、最小及平均迭代次數(shù)以及每次迭代的平均運(yùn)行時(shí)間，以這些數(shù)據(jù)作為衡量算法性能的指標(biāo)［8－9，11，14］。實(shí)驗(yàn)結(jié)果如表3和圖2～圖7所示。

表3中“—”表示迭代次數(shù)超過(guò)了最大迭代次數(shù)2000，意味著算法尋優(yōu)的最終結(jié)果沒(méi)有達(dá)到規(guī)定的目標(biāo)精度［9，14］。由表3可以看出，LNAFSA的尋優(yōu)結(jié)果明顯好于AFSA，并且這種算法的穩(wěn)定性更好。以表2規(guī)定的目標(biāo)優(yōu)化精度作為衡量指標(biāo)，由測(cè)試結(jié)果可知：AFSA對(duì)于函數(shù)f650次內(nèi)有27次優(yōu)化至目標(biāo)精度內(nèi)，具有一定的優(yōu)化能力，對(duì)于函數(shù)f1～f5則完全不能優(yōu)化；而LNAFSA對(duì)6個(gè)測(cè)試函數(shù)均能尋優(yōu)至目標(biāo)精度內(nèi)，都成功實(shí)現(xiàn)了優(yōu)化，平均迭代次數(shù)最多是1194次，并且它的平均運(yùn)行時(shí)間更短，大約為AFSA的1/3。

圖2～圖7是分別采用LNAFSA和AFSA對(duì)函數(shù)f1～f6運(yùn)行50次后得到的每次迭代平均最優(yōu)值的進(jìn)化曲線。為方便對(duì)比，f1～f5的全局最優(yōu)值分別取自然對(duì)數(shù)，f6每次的尋優(yōu)結(jié)果均為負(fù)值，故圖7采用了f6每次迭代后的全局最優(yōu)值。從圖2～圖7可以看出，LNAFSA具有很強(qiáng)的克服局部極值的能力，收斂速度快，尋優(yōu)精度更高，明顯優(yōu)于AFSA。

表3 AFSA與LNAFSA算法優(yōu)化結(jié)果

3.3 與參考文獻(xiàn)中改進(jìn)算法的優(yōu)化性能比較

選取文獻(xiàn)［9，13，14］共有的測(cè)試函數(shù)f1與f3，設(shè)定f1與f3的維數(shù)分別為10、20和30，相應(yīng)迭代循環(huán)次數(shù)分別設(shè)置為1000次、1500次和2000次，LNAFSA在f110維時(shí)K1取1/10，20維時(shí)K1取1/15，對(duì)于f310維和20維的K1均取1/20，其他參數(shù)同上。每個(gè)函數(shù)進(jìn)行50次實(shí)驗(yàn)，取全局最優(yōu)值的平均值，與文獻(xiàn)［13］中改進(jìn)型粒子群算法優(yōu)化結(jié)果、文獻(xiàn)［9］全局版人工魚(yú)群算法及文獻(xiàn)［14］基于馮諾依曼結(jié)構(gòu)的人工魚(yú)群算法結(jié)果進(jìn)行比較，實(shí)驗(yàn)結(jié)果見(jiàn)表4。

表4 與參考文獻(xiàn)中改進(jìn)算法的優(yōu)化結(jié)果比較

通過(guò)表4可以看出，LNAFSA對(duì)于函數(shù)f1和f3的優(yōu)化結(jié)果全面優(yōu)于IPSO、GAFSA和AFSAVNN。因此，這種算法的優(yōu)化性能更好。

3.4 實(shí)例測(cè)試

本文利用LNAFSA進(jìn)行40Gb/s光纖通信系統(tǒng)二階偏振模色散（PMD）補(bǔ)償，并與文獻(xiàn)［15］中應(yīng)用單純形算法和遺傳算法的結(jié)果進(jìn)行了比較，進(jìn)一步檢驗(yàn)算法的優(yōu)化性能。

LNAFSA的參數(shù)設(shè)置為視野最小值Visualmin＝0.001，步長(zhǎng)最小值Stepmin＝0.0002，重復(fù)嘗試次數(shù)try＿number＝5，擁擠度因子δ＝0.5，最大迭代次數(shù)TotalIter＝50。該實(shí)例測(cè)試以光纖鏈路偏振度（DOP）作為目標(biāo)函數(shù)值，理論上完全進(jìn)行二階PMD補(bǔ)償后DOP值應(yīng)為1，測(cè)試結(jié)果見(jiàn)表5。

表5 與單純形算法和遺傳算法的二階PMD補(bǔ)償結(jié)果比較

由表5可以看出，LNAFSA得到的最小、最大和平均目標(biāo)函數(shù)值均優(yōu)于單純形算法和遺傳算法，該算法可有效解決此類工程問(wèn)題。

4 結(jié)束語(yǔ)

針對(duì)AFSA尋優(yōu)精度差、易陷入局部極值和過(guò)早收斂的問(wèn)題，提出了基于自適應(yīng)視野和步長(zhǎng)的局部鄰域人工魚(yú)群算法。該算法具有兩個(gè)主要的優(yōu)點(diǎn)：一是采用了全新的局部鄰域結(jié)構(gòu)，使得人工魚(yú)能夠快速逃離局部極值，克服了基本人工魚(yú)群算法容易過(guò)早收斂的缺陷，提高了算法的全局尋優(yōu)能力；二是每條人工魚(yú)采用了基于本鄰域結(jié)構(gòu)內(nèi)平均距離的自適應(yīng)視野和步長(zhǎng)，達(dá)到了視野和步長(zhǎng)自適應(yīng)調(diào)整的目的，使算法具備了更多的人工智能，實(shí)現(xiàn)了收斂速度和尋優(yōu)精度的雙贏。仿真結(jié)果表明，這是一種簡(jiǎn)單、高效的人工魚(yú)群算法。

［1］LI Xiao－lei，LU Fei，TIAN Guo－h(huán)ui，et al.Applications of artificial fish school algorithm in combinatorial optimization problems［J］.Journal of Shandong University：Engineering Science，2004，34（5）：64－67（in Chinese）.［李曉磊，路飛，田國(guó)會(huì)，等.組合優(yōu)化問(wèn)題的人工魚(yú)群算法應(yīng)用［J］.山東大學(xué)學(xué)報(bào)，2004，34（5）：64－67.］

［2］LIAO Can－xing，ZHANG Ping，LI Xing－shan，et al.Optimal deployment in sensor networks based on hybrid artificial fish school algorithm［J］.Journal of Beijing University of Aeronautics and Astronautics，2010，36（3）：373－377（in Chinese）.［廖燦星，張平，李行善，等.基于混合人工魚(yú)群算法的傳感器網(wǎng)絡(luò)優(yōu)化［J］.北京航空航天大學(xué)學(xué)報(bào)，2010，36（3）：373－377.］

［3］GAO Yufang，CHEN Yaodeng.The optimization of water utilization based on artificial fish－swarm algorithm［C］.Yantai：Sixth International Conference on Natural Computation，2010：4415.

［4］YU Yang，YIN Zhi－feng，TIAN Ya－fei.Multiuser detector based on adaptive artificial fish school algorithm［J］.Journal of Electronics ＆ Information Technology，2007，29（1）：121－124（in Chinese）.［俞洋，殷志鋒，田亞菲.基于自適應(yīng)人工魚(yú)群算法的多用戶檢測(cè)器［J］.電子與信息學(xué)報(bào)，2007，29（1）：121－124.］

［5］BAN Xiao－juan，YANG Yun－mei，NING Shu－rong，et al.A self－adaptive control algorithm of the artificial fish formation［C］.Korea：IEEE International Conference on Fuzzy systems，2009：1903－1908.

［6］ WANG Xing－wei，QIN Pei－yu， HUANG Min.ABC supporting QoS unicast routing scheme based on the artificial fish swarm［J］.Chinese Journal of Computers，2010，33（4）：718－725（in Chinese）.［王興偉，秦培玉，黃敏.基于人工魚(yú)群的ABC支持型QoS單播路由機(jī)制［J］.計(jì)算機(jī)學(xué)報(bào)，2010，33（4）：718－725.］

［7］ZHANG Mei－feng，SHAO Cheng.Niche artificial fish swarm algorithm for multimodai function optimization［J］.Control Theory ＆ Applications，2008，25（4）：773－776（in Chinese）.［張梅鳳，邵誠(chéng).多峰函數(shù)優(yōu)化的生境人工魚(yú)群算法［J］.控制理論與應(yīng)用，2008，25（4）：773－776.］

［8］LIU Yan－jun，JIANG Ming－yan.Improved artificial fish swarm algorithm based on adaptive visual and step length［J］.Computer Engineering and Applications，2009，45（25）：35－47（in Chinese）.［劉彥君，江銘炎.自適應(yīng)視野和步長(zhǎng)的改進(jìn)人工魚(yú)群算法［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45（25）：35－47.］

［9］WANG Lian－guo，HONG Yi，SHI Qiu－h(huán)ong.Global edition artificial fish swarm algorithm［J］.Journal of System Simulation，2009，21（23）：7483－7502（in Chinese）.［王聯(lián)國(guó)，洪毅，施秋紅.全局版人工魚(yú)群算法［J］.系統(tǒng)仿真學(xué)報(bào)，2009，21（23）：7483－7502.］

［10］James Kennedy，Rui Mendes.Neighborhood topologies in fully informed and best－of－neighborhood particle swarms［J］.IEEE Trans on Systems，Man，and Cybernetics，Part C：Applications and Reviews，2006，36（4）：515－519.

［11］WANG Lian－guo，HONG Yi，ZHAO Fu－qing，et al.Improved artificial fish swarm algorithm［J］.Computer Engineering，2008，34（19）：192－194（in Chinese）.［王聯(lián)國(guó)，洪毅，趙付青，等.一種改進(jìn)的人工魚(yú)群算法［J］.計(jì)算機(jī)工程，2008，34（19）：192－194.］

［12］ZHU Xi－lu，WANG Bai.Niche genetic algorithm based on cluster division［J］.Control and Decision，2010，25（7）：1113－1116（in Chinese）.［祝希路，王柏.一種基于社團(tuán)劃分的小生境遺傳算法［J］.控制與決策，2010，25（7）：1113－1116.］

［13］JIANG Yan，HU Tie－song，HUANG Chong－chao，et al.An improved particle swarm optimization algorithm［J］.Applied Mathematics and Computation，2007，193（1）：231－239.

［14］WANG Lian－guo，HONG Yi.Artificial fish－swarm algorithm based on Von Neuman neighborhood［J］.Control Theory ＆Applications，2010，27（6）：775－780（in Chinese）.［王聯(lián)國(guó)，洪毅.基于馮·諾依曼鄰域結(jié)構(gòu)的人工魚(yú)群算法［J］.控制理論與應(yīng)用，2010，27（6）：775－780.］

［15］WANG Xian－qing，WANG Hong－xiang，JI Yue－feng，et al.Control Algorithms In Adaptive PMD Compensation System［J］.Journal of Beijing University of Posts and Telecommunications，2007，30（1）：110－113（in Chinese）.［王先慶，王洪祥，紀(jì)越峰，等.自適應(yīng)偏振模色散補(bǔ)償系統(tǒng)中的控制算法［J］.北京郵電大學(xué)學(xué)報(bào)，2007，30（1）：110－113.］