鱼群搜索

鱼群搜索(FSS)由BastosFilho和LimaNeto在2008年提出，其基本版本是一种受鱼群集体行为启发的单峰优化算法。喂食和协调运动的机制被用作创建搜索运算符的灵感。核心思想是让鱼“游”向正梯度，以“吃”和“增重”。总的来说，较重的鱼对整个搜索过程的影响更大，这使得鱼群的重心在迭代中向搜索空间中更好的位置移动。

鱼群搜索使用以下原则：

1. 所有个体（即鱼）的简单计算
2. 各种存储信息的方式（即鱼和学校重心的重量）
3. 本地计算（即游泳由不同的组件组成）
4. 相邻个体之间的低交流（即鱼要考虑本地问题，但也要具有社会意识）
5. 最小集中控制（主要用于学校半径的自控）
6. 一些不同的多样性机制（这是为了避免不良的聚集行为）
7. 可扩展性（就优化/搜索任务的复杂性而言）
8. 自主性（即自我控制功能的能力）

此版本擅长多模态超维函数。它包括对先前运算符的修改：Feeding和Swimming，以及新的：Memory和Partition运算符。引入后两者是为了将主要学校划分为小组。停止条件中还包含了一些更改，现在也必须考虑subswarms。

wFSS是FSS的基于权重的细分版本，旨在生成多种解决方案。利基策略基于称为链接格式化程序的新运算符。该运算符用于定义鱼类的领导者以形成子学校。

在算法的原始版本中，只有在提高了适应度的情况下，才允许单个运动组件移动一条鱼。然而，在一个非常平滑的搜索空间中，会有很多没有成功的移动试验，并且算法可能无法收敛。为了解决这些问题，引入了一个参数X，其中0<=X<=1在运动的各个组件中。X随迭代呈指数衰减，并测量每条鱼的容差恶化的概率。这意味着，每当一条鱼试图移动到一个不能提高其适应度的位置时，就会选择一个随机数，如果它小于X，则允许移动。

bFSS旨在应对过早收敛。提议将二进制编码方案用于鱼群搜索的内部机制。它在特征选择的包装方法中将FSS与模糊建模相结合。

在MOFSS中，算子适合解决多目标问题。该算法部署了一个外部档案来存储在搜索过程中找到的最佳非支配解决方案。这种方法已广泛用于不同的仿生多目标优化器。此外，外部档案中的解决方案用于指导提案版本中的鱼类运动。