CN113095726A - 基于改进人工鱼群算法的多农机调度作业方法 - Google Patents
基于改进人工鱼群算法的多农机调度作业方法 Download PDFInfo
- Publication number
- CN113095726A CN113095726A CN202110491448.8A CN202110491448A CN113095726A CN 113095726 A CN113095726 A CN 113095726A CN 202110491448 A CN202110491448 A CN 202110491448A CN 113095726 A CN113095726 A CN 113095726A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- artificial
- behavior
- agricultural
- fish
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 372
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006399 behavior Effects 0.000 claims abstract description 45
- 230000002431 foraging effect Effects 0.000 claims abstract description 20
- 244000144980 herd Species 0.000 claims abstract description 10
- 230000019637 foraging behavior Effects 0.000 claims description 53
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进人工鱼群算法的多农机调度作业方法,包括:基于人工鱼群算法初始化人工鱼群规模及初始化人工鱼群算法参数,每一条人工鱼代表一种调度分配方案;计算人工鱼群中每一条人工鱼的适应度参数f,并将适应度参数f最优的人工鱼编号记录在公告板上;对人工鱼群分别执行觅食、聚群、追尾及随机行为,并分别从更新后的多个人工鱼群中选出最优的人工鱼;将选出的最优的人工鱼分别与公告板上的最优的人工鱼进行比对,若选出的人工鱼的适应度参数f大于公告板上的人工鱼的适应度参数f,则对公告板上的最优的人工鱼进行更新并输出。本发明的算法全局收敛能力,对初始值设置具有很强的适应性,能够快速高效的生成农机调度方案。
Description
技术领域
本发明涉及农机调度作业领域,更具体的说,是一种基于改进人工鱼群算法的多农机调度作业方法。
背景技术
多农机调度涉及农机任务分配和调度路径规划问题,是多农机协同作业的核心。近年来,多种启发式算法被应用于求解多农机调度问题,如遗传算法、蚁群算法等。但这些算法对初始值设置比较敏感,当初始值设置不当时往往会存在收敛速度慢甚至不收敛等情况。
发明内容
本发明的目的在于提供一种基于改进人工鱼群算法的多农机调度作业方法,本发明的作业方法全局收敛能力,对初始值设置具有很强的适应性,能够根据任务地块和作业农机数量,快速高效的生成农机调度方案。
其技术方案如下:
基于改进人工鱼群算法的多农机调度作业方法,,包括以下步骤:
S1:获取任务农田数量Z、服务农机数量M、每一块任务农田和每一台服务农机的位置信息,并对每一块任务农田及每一台服务农机进行编号;
S2:根据获取的上述信息,基于人工鱼群算法初始化人工鱼群规模及初始化人工鱼群算法参数,人工鱼群X=(x1,x2,…,xi…,xZ),其中,i=1,2,…,z,xi的取值表示服务第i块农田的服务农机编号,每一条人工鱼代表一种调度分配方案;
S3:计算人工鱼群中每一条人工鱼的适应度参数f,并将适应度参数f最优的人工鱼编号记录在公告板上;
S4:对人工鱼群分别执行觅食、聚群、追尾及随机行为,人工鱼群在执行完上述每一行为后则对人工鱼群进行更新,并分别从更新后的多个人工鱼群中选出最优的人工鱼;
S5:将选出的最优的人工鱼分别与公告板上的最优的人工鱼进行比对,若选出的最优的人工鱼的适应度参数f大于公告板上的最优的人工鱼的适应度参数f,则对公告板上的最优的人工鱼进行更新;
S6:输出公告板上最优的人工鱼编号,该人工鱼编号对应的调度分配方案即为最优的调度分配方案。
进一步地,在步骤S3中,人工鱼的适应度参数f满足以下公式:
其中,c为服务农机的运行成本,Si表示服务农机是否参与服务,当服务农机参与服务时Si=1,否则Si=0;s为服务农机的单位距离行驶成本,Dj表示服务农机j调度路径距离。
进一步地,在步骤S4的觅食行为中,具体包括以下步骤:
对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为;
人工鱼群中的全部人工鱼执行完交换觅食行为或替换觅食行为后,更新人工鱼群;
计算更新后的人工鱼群中每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
进一步地,对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为,具体包括以下步骤:
在交换觅食行为中,随机选择人工鱼中一定数量的服务农机对,并交换选择的服务农机对中服务农机的顺序,形成新的人工鱼;
如果交换后的人工鱼的适应度参数大于交换前的人工鱼的适应度参数,则用交换后的人工鱼代替交换前的人工鱼,否则,则继续执行交换觅食行为;
在替换觅食行为中,随机选择人工鱼中一定数量的服务农机,并选择备用的服务农机替换选择的服务农机,形成新的人工鱼;
如果替换后的人工鱼的适应度参数大于替换前的人工鱼的适应度参数,则用替换后的人工鱼代替替换前的人工鱼,否则,则继续执行替换觅食行为;
其中,人工鱼在执行交换觅食行为或替换觅食行为时,记录交换觅食行为或替换觅食行为的执行次数,如果执行次数达到最大尝试次数Ty时,交换后的人工鱼或替换后的人工鱼的适应度参数没有大于交换前的或替换前的人工鱼的适应度参数,则执行随机行为。
进一步地,对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为之前,具体还包括:
随机选择一条人工鱼;
随机生成一个小于等于1的正实数p;
判断正实数p是否大于0.5;
如果p>0.5,则对选择的人工鱼执行交换觅食行为,否则执行替换觅食行为。
进一步地,在步骤S4的聚群行为中,具体包括以下步骤:
判断人工鱼群中的人工鱼是否满足聚群行为,如果满足则执行聚群行为;
在执行聚群行为中,首先搜寻人工鱼Xi视野范围内的临近人工鱼,并记录临近人工鱼的数量n和中心位置人工鱼的编码Xc;
如果中心位置人工鱼Xc的适应度参数与人工鱼数量n的比值大于人工鱼Xi的适应度参数,则用人工鱼Xc替代人工鱼Xi,否则继续执行聚群行为;
替代后的人工鱼与原人工鱼群中剩余的人工鱼组成新的人工鱼群,计算新的人工鱼群中的每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
进一步地,在步骤S4的追尾行为中,具体包括以下步骤:
判断人工鱼群中的人工鱼是否满足追尾行为,如果满足则执行追尾行为;
在执行追尾行为中,首先搜寻人工鱼Xi视野范围内的目标函数最大的最优人工鱼Xbest,并寻找最优人工鱼Xbest视野范围内的人工鱼数量nbest;
如果最优人工鱼Xbest的适应度参数与人工鱼数量nbest的比值大于人工鱼Xi的适应度参数,则用人工鱼Xbest替换人工鱼Xi,否则继续执行追尾行为;
替代后的人工鱼与原人工鱼群中剩余的人工鱼组成新的人工鱼群,计算新的人工鱼群中的每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
进一步地,在步骤S4之后,还包括以下步骤:
对于人工鱼群中连续Ne轮迭代适应度参数都小于最优的人工鱼的适应度参数30%的人工鱼进行淘汰,并随机生成新的人工鱼;
新生成的人工鱼与人工鱼群中未淘汰的人工鱼构成新的人工鱼群,继续参与后续算法迭代。
进一步地,人工鱼X的视野满足以下公式:
下面对本发明的优点或原理进行说明:
本发明将人工鱼群算法用于多农机调度作业中,人工鱼群算法对初始值适应性强,具有并发性强、效率高、收敛能力强等特点,特别适合于农机调度这种随机性强和实时性高的场景。本发明可根据任务地块及作业农机数量,快速高效生成农机调度方案。
附图说明
图1是本发明的多农机调度作业方法的总的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示,本发明公开一种基于改进人工鱼群算法的多农机调度作业方法。
本发明的多农机调度作业方法具体包括以下步骤:
S1:获取任务农田数量Z、服务农机数量M、每一块任务农田和每一台服务农机的位置信息,并对每一块任务农田及每一台服务农机进行编号。
S2:根据获取的上述信息,基于人工鱼群算法初始化人工鱼群规模及初始化人工鱼群算法参数,人工鱼群X=(x1,x2,…,xi…,xZ),其中,i=1,2,…,z,xi的取值表示服务第i块农田的服务农机编号,每一条人工鱼代表一种调度分配方案。
以人工鱼编码为(1,4,1,2,1,2,3,3,4)的个体为例,该个体表示的方案为:
农机1:农机站→田块1→田块3→田块5→农机站;
农机2:农机站→田块4→田块6→农机站;
农机3:农机站→田块7→田块8→农机站;
农机4:农机站→田块2→田块9→农机站。
在初始化人工鱼算法参数时,则可设置人工鱼群算法种群规模N、每条人工鱼的初始化编码、人工鱼的视野Visual、最大尝试次数Ty、连续迭代轮数Ne。
对于每一条人工鱼,适应度参数满足以下算法:
其中,C为每台农机的运行成本,Si表示农机是否参与服务,当农机参与服务时,Si=1,否则Si=0;s为农机单位距离行驶成本,Dj表示农机j调度路径距离。
可根据上述公式评价每条人工鱼的适应度参数,适应度参数越大,则表示该条人工鱼的调度方案越优。
S3:计算人工鱼群中每一条人工鱼的适应度参数f,并将适应度参数f最优的人工鱼编号记录在公告板上。
S4:对人工鱼群分别执行觅食、聚群、追尾及随机行为,人工鱼群在执行完上述每一行为后则对人工鱼群进行更新,并分别从更新后的多个人工鱼群中选出最优的人工鱼。
S5:将选出的最优的人工鱼分别与公告板上的最优的人工鱼进行比对,若选出的最优的人工鱼的适应度参数f大于公告板上的最优的人工鱼的适应度参数f,则对公告板上的最优的人工鱼进行更新;
S6:输出公告板上最优的人工鱼编号,该人工鱼对应的调度分配方案即为最优的调度分配方案。
人工鱼群在执行觅食行为中,具体包括以下步骤:
对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为;
人工鱼群中的全部人工鱼执行完交换觅食行为或替换觅食行为后,更新人工鱼群;
计算更新后的人工鱼群中每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
在觅食行为中,为了覆盖整体解空间,可定义交换和替换两种觅食行为。其中,在交换觅食行为中,针对的是人工鱼中调度农机不发生变化的场景;替换觅食行为针对的是人工鱼中调度农机发生改变的场景。交换觅食行为与替换觅食行为发生的概率均为50%。在每一次觅食行为中,可首先随机选择一条人工鱼,然后随机生成一个小于等于1的正实数p,接着判断正实数p是否大于0.5,如果p>0.5,则对选择的人工鱼执行交换觅食行为,否则执行替换觅食行为。
在对人工鱼执行交换觅食行为与替换觅食行为,具体包括以下内容:
在交换行为中,随机选择人工鱼中一定数量(≤Visual/2)的服务农机对,并交换选择的服务农机对中服务农机的顺序,形成新的人工鱼;
如果交换后的人工鱼的适应度参数大于交换前的人工鱼的适应度参数,则用交换后的人工鱼代替交换前的人工鱼,否则,则继续执行交换觅食行为。
以人工鱼Xa:(1,4,1,2,1,2,3,3,4)为例,随机选择2个位置的服务农机进行交换,假设选择第2位和第5位的服务农机进行交换,则交换后XA:(1,1,1,2,4,2,3,3,4)。计算交换前和交换后的适应度参数,如果f(XA)>f(Xa),则用XA替换Xa;否则,则继续选择一定数量的农机对进行交换觅食行为。
人工鱼在执行交换觅食行为时,记录交换觅食行为的执行次数,如果交换觅食行为的执行次数达到最大尝试次数Ty时,交换后的人工鱼适应度参数没有大于交换前的人工鱼的适应度参数,则执行一次随机行为。
在替换觅食行为中,随机选择人工鱼中一定数量(≤Visual/2)的服务农机,并选择备用的服务农机替换选择的服务农机,形成新的人工鱼;
如果替换后的人工鱼的适应度参数大于替换前的人工鱼的适应度参数,则用替换后的人工鱼代替替换前的人工鱼,否则,则继续执行替换觅食行为。
在替换觅食行为中,以人工鱼Xa:(1,4,1,2,1,2,3,3,4)为例,随机选择第2位和第5位的2个位置的农机进行替换,并从备用农机中随机选择两台进行替换当前服务农机4和1。假如选择了备用农机3和4进行替换,则替换后的XA:(1,1,1,2,4,2,3,3,4)。然后计算替换前与替换后的人工鱼的适应度,如果f(XA)>f(Xa),且迭代次数g<gmax(最大迭代次数),则用XA替换Xa;否则,对该人工鱼继续执行替换觅食行为。
其中,人工鱼在执行替换觅食行为时,记录替换觅食行为的执行次数,如果替换觅食行为的执行次数达到最大尝试次数Ty时,替换后的人工鱼的适应度参数没有大于替换前的人工鱼的适应度参数,则执行一次随机行为。
在人工鱼群的聚群行为中,具体包括以下步骤:
判断人工鱼群中的人工鱼是否满足聚群行为,如果满足则执行聚群行为;
在执行聚群行为中,首先搜寻人工鱼Xi视野范围内的临近人工鱼,并记录临近人工鱼的数量n和中心位置人工鱼的编码Xc;
如果中心位置人工鱼Xc的适应度参数与人工鱼数量n的比值大于人工鱼Xi的适应度参数,则用人工鱼Xc替代人工鱼Xi,否则继续执行聚群行为;
替代后的人工鱼与原人工鱼群中剩余的人工鱼组成新的人工鱼群,计算新的人工鱼群中的每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对。如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
中心位置人工鱼编码可以通过Most(Xc1,Xc2,…,Xcn)求得,其中Xc1,Xc2,…,Xcn表示临近人工鱼,Most操作符表示对所有附近人工鱼提取相同的值或出现次数最多的值,当出现次数最多的数字存在多个时,则随机选择其中一个。以Xc1:(1,2,1,2,1,2,3,3,4),Xc2:(1,3,1,2,4,2,3,3,4),Xc3:(1,4,1,2,4,2,1,3,4)为例,则Xc=Most(Xc1,Xc2,Xc3):(1,2,1,2,4,2,3,3,4)。其中,Xc1,Xc2,Xc3在第二位的数字各不相同,可以随机选择2作为中心编码的第二位。
在人工鱼群的追尾行为中,具体包括以下步骤:
判断人工鱼群中的人工鱼是否满足追尾行为,如果满足则执行追尾行为;
在执行追尾行为中,首先搜寻人工鱼Xi视野范围内的目标函数最大的最优人工鱼Xbest,并寻找最优人工鱼Xbest视野范围内的人工鱼数量nbest;
如果最优人工鱼Xbest的适应度参数与人工鱼数量nbest的比值大于人工鱼Xi的适应度参数,则用人工鱼Xbest替换人工鱼Xi,否则继续执行追尾行为;
替代后的人工鱼与原人工鱼群中剩余的人工鱼组成新的人工鱼群,计算新的人工鱼群中的每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
在对人工鱼群执行完觅食、聚群、追尾、随机行为后,对于人工鱼群中连续Ne轮迭代适应度参数都小于最优的人工鱼的适应度参数30%的人工鱼进行淘汰,并随机生成新的人工鱼;
新生成的人工鱼与人工鱼群中未淘汰的人工鱼构成新的人工鱼群,继续参与后续算法迭代。
上述淘汰行为在不会增加算法复杂度的基础上可以有效提高算法的效率。
在人工鱼群算法中,视野Visual参数决定了人工鱼的搜索范围。传统的人工鱼群采用的是固定视野,没有考虑鱼群中不同人工鱼的分布特点以及与最优人工鱼之间的相对位置,导致搜索能力受限。为了提高人工鱼的搜索能力,人工鱼X的视野满足以下公式:
其中,与最优人工鱼之间距离较远的人工鱼具有较大的视野,提高全局搜索能力;与最优人工鱼之间距离较近的人工鱼具有较小的视野,提高搜索精度。
人工鱼群在执行觅食、聚群、追尾、随机行为时,判断迭代终止的条件包括以下:连续多次所得值的均方差小于允许的误差;或判断聚集于某个区域的人工鱼的数目达到某个比例;或连续多次所得的均值不超过已寻找的极值;或限制最大迭代次数。若满足终止条件,则输出公告牌的最优人工鱼的编号,该最优人工鱼编号对应的调度方案即为最优的调度方案;否则继续迭代。
本实施例将人工鱼群算法用于多农机调度作业中,人工鱼群算法具有较强的收敛能力,对初始值适应性强,具有并发性强、效率高、收敛能力强等特点,特别适合于农机调度这种随机性强和实时性高的场景。本实施例可根据任务地块及作业农机数量,快速高效生成农机调度方案。
本发明的实施方式不限于此,按照本发明的上述内容,利用本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,本发明还可以做出其它多种形式的修改、替换或组合,均落在本发明权利保护范围之内。
Claims (9)
1.基于改进人工鱼群算法的多农机调度作业方法,其特征在于,包括以下步骤:
S1:获取任务农田数量Z、服务农机数量M、每一块任务农田和每一台服务农机的位置信息,并对每一块任务农田及每一台服务农机进行编号;
S2:根据获取的上述信息,基于人工鱼群算法初始化人工鱼群规模及初始化人工鱼群算法参数,人工鱼群X=(x1,x2,…,xi…,xZ),其中,i=1,2,…,z,xi的取值表示服务第i块农田的服务农机编号,每一条人工鱼代表一种调度分配方案;
S3:计算人工鱼群中每一条人工鱼的适应度参数f,并将适应度参数f最优的人工鱼编号记录在公告板上;
S4:对人工鱼群分别执行觅食、聚群、追尾及随机行为,人工鱼群在执行完上述每一行为后则对人工鱼群进行更新,并分别从更新后的多个人工鱼群中选出最优的人工鱼;
S5:将选出的最优的人工鱼分别与公告板上的最优的人工鱼进行比对,若选出的最优的人工鱼的适应度参数f大于公告板上的最优的人工鱼的适应度参数f,则对公告板上的最优的人工鱼编号进行更新;
S6:输出公告板上最优的人工鱼编号,该人工鱼编号对应的调度分配方案即为最优的调度分配方案。
3.如权利要求1或2所述的基于改进人工鱼群算法的多农机调度作业方法,其特征在于,在步骤S4的觅食行为中,具体包括以下步骤:
对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为;
人工鱼群中的全部人工鱼执行完交换觅食行为或替换觅食行为后,更新人工鱼群;
计算更新后的人工鱼群中每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
4.如权利要求3所述的基于改进人工鱼群算法的多农机调度作业方法,其特征在于,对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为,具体包括以下步骤:
在交换觅食行为中,随机选择人工鱼中一定数量的服务农机对,并交换选择的服务农机对中服务农机的顺序,形成新的人工鱼;
如果交换后的人工鱼的适应度参数大于交换前的人工鱼的适应度参数,则用交换后的人工鱼代替交换前的人工鱼,否则,则继续执行交换觅食行为;
在替换觅食行为中,随机选择人工鱼中一定数量的服务农机,并选择备用的服务农机替换选择的服务农机,形成新的人工鱼;
如果替换后的人工鱼的适应度参数大于替换前的人工鱼的适应度参数,则用替换后的人工鱼代替替换前的人工鱼,否则,则继续执行替换觅食行为;
其中,人工鱼在执行交换觅食行为或替换觅食行为时,记录交换觅食行为或替换觅食行为的执行次数,如果执行次数达到最大尝试次数Ty时,交换后的人工鱼或替换后的人工鱼的适应度参数没有大于交换前的或替换前的人工鱼的适应度参数,则执行随机行为。
5.如权利要求3所述的基于改进人工鱼群算法的多农机调度作业方法,其特征在于,对人工鱼群中的每一条人工鱼随机选择执行交换觅食行为或替换觅食行为之前,具体还包括:
随机选择一条人工鱼;
随机生成一个小于等于1的正实数p;
判断正实数p是否大于0.5;
如果p>0.5,则对选择的人工鱼执行交换觅食行为,否则执行替换觅食行为。
6.如权利要求1所述的基于改进人工鱼群算法的多农机调度作业方法,其特征在于,在步骤S4的聚群行为中,具体包括以下步骤:
判断人工鱼群中的人工鱼是否满足聚群行为,如果满足则执行聚群行为;
在执行聚群行为中,首先搜寻人工鱼Xi视野范围内的临近人工鱼,并记录临近人工鱼的数量n和中心位置人工鱼的编码Xc;
如果中心位置人工鱼Xc的适应度参数与人工鱼数量n的比值大于人工鱼Xi的适应度参数,则用人工鱼Xc替代人工鱼Xi,否则继续执行聚群行为;
替代后的人工鱼与原人工鱼群中剩余的人工鱼组成新的人工鱼群,计算新的人工鱼群中的每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
7.如权利要求1所述的基于改进人工鱼群算法的多农机调度作业方法,其特征在于,在步骤S4的追尾行为中,具体包括以下步骤:
判断人工鱼群中的人工鱼是否满足追尾行为,如果满足则执行追尾行为;
在执行追尾行为中,首先搜寻人工鱼Xi视野范围内的目标函数最大的最优人工鱼Xbest,并寻找最优人工鱼Xbest视野范围内的人工鱼数量nbest;
如果最优人工鱼Xbest的适应度参数与人工鱼数量nbest的比值大于人工鱼Xi的适应度参数,则用人工鱼Xbest替换人工鱼Xi,否则继续执行追尾行为;
替代后的人工鱼与原人工鱼群中剩余的人工鱼组成新的人工鱼群,计算新的人工鱼群中的每一条人工鱼的适应度参数,并从中选出适应度参数最优的人工鱼,将该人工鱼与公告板上的人工鱼进行比对,如果该人工鱼的适应度参数大于公告板上的人工鱼的适应度参数,则用该人工鱼的编号替换公告板上的人工鱼的编号,否则,保持公告板上的人工鱼编号不变。
8.如权利要求1所述的基于改进人工鱼群算法的多农机调度作业方法,其特征在于,在步骤S4之后,还包括以下步骤:
对于人工鱼群中连续Ne轮迭代适应度参数都小于最优的人工鱼的适应度参数30%的人工鱼进行淘汰,并随机生成新的人工鱼;
新生成的人工鱼与人工鱼群中未淘汰的人工鱼构成新的人工鱼群,继续参与后续算法迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491448.8A CN113095726B (zh) | 2021-05-06 | 2021-05-06 | 基于改进人工鱼群算法的多农机调度作业方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491448.8A CN113095726B (zh) | 2021-05-06 | 2021-05-06 | 基于改进人工鱼群算法的多农机调度作业方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095726A true CN113095726A (zh) | 2021-07-09 |
CN113095726B CN113095726B (zh) | 2024-03-08 |
Family
ID=76681514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110491448.8A Active CN113095726B (zh) | 2021-05-06 | 2021-05-06 | 基于改进人工鱼群算法的多农机调度作业方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095726B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515338A (zh) * | 2009-03-06 | 2009-08-26 | 山东大学 | 基于全局信息的人工鱼群算法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
CN110070212A (zh) * | 2019-03-26 | 2019-07-30 | 河南科技学院 | 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法 |
-
2021
- 2021-05-06 CN CN202110491448.8A patent/CN113095726B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515338A (zh) * | 2009-03-06 | 2009-08-26 | 山东大学 | 基于全局信息的人工鱼群算法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
US20190080271A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Coordinated Production and Transportation Scheduling Method and System Based on Improved Tabu Search Algorithm |
CN110070212A (zh) * | 2019-03-26 | 2019-07-30 | 河南科技学院 | 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法 |
Non-Patent Citations (1)
Title |
---|
施秋红: "人工鱼群算法的改进及应用研究", 硕士电子期刊 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095726B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110882544B (zh) | 多智能体训练方法、装置和电子设备 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN109471847B (zh) | 一种i/o拥塞控制方法及控制系统 | |
CN112215364A (zh) | 一种基于强化学习的敌-友深度确定性策略方法及系统 | |
Duarte et al. | A dynamic migration policy to the island model | |
CN116245346B (zh) | 基于多种群遗传算法和局部搜索的多无人机任务分配方法 | |
Konishi et al. | Parameter-level soft-masking for continual learning | |
CN115643189A (zh) | 一种基于群体智能算法和孤立森林的网络异常检测方法 | |
CN107240026B (zh) | 一种适用于噪音网络的社区发现方法 | |
Henaff et al. | A study of global and episodic bonuses for exploration in contextual mdps | |
Munoz-Zavala et al. | PESO+ for constrained optimization | |
CN108415773B (zh) | 一种基于融合算法的高效软硬件划分方法 | |
CN113095726A (zh) | 基于改进人工鱼群算法的多农机调度作业方法 | |
Bhatt et al. | Inference-based deterministic messaging for multi-agent communication | |
Reynolds et al. | Evolving heterogeneous social fabrics for the solution of real valued optimization problems using cultural algorithms | |
CN110138742B (zh) | 防火墙策略优化方法、系统及计算机可读存储介质 | |
CN109977998B (zh) | 信息处理方法及装置、存储介质和电子装置 | |
CN108427773B (zh) | 一种分布式知识图谱嵌入方法 | |
Tuba et al. | Modified seeker optimization algorithm for image segmentation by multilevel thresholding | |
Lu et al. | A hybrid of fish swarm algorithm and shuffled frog leaping algorithm for attribute reduction | |
CN108830483A (zh) | 多智能体系统任务规划方法 | |
CN106970840A (zh) | 一种结合任务调度的软硬件划分方法 | |
Chen | RWFOA: a random walk-based fruit fly optimization algorithm. | |
Reynolds et al. | Population mechanics and cultural algorithms in the development of a cultural engine | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |