《群智能算法發(fā)展研究》由會員分享，可在線閱讀，更多相關(guān)《群智能算法發(fā)展研究（3頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、群智能算法發(fā)展研究 群智能算法發(fā)展研究 摘 要 最優(yōu)化技術(shù)的應(yīng)用日漸廣泛，傳統(tǒng)的優(yōu)化方法對于解決復(fù)雜問題變得無能為力。群智能算法在這種背景下產(chǎn)生并迅速發(fā)展。目前已研究出許多種類的群智能優(yōu)化算法，包括蟻群、粒子群、人工魚群、混合蛙跳、人工蜂、螢火蟲算法等。本文主要介紹群智能算法的發(fā)展，闡述上述典型算法產(chǎn)生的生物原理、算法思想和應(yīng)用。 關(guān)鍵字 群智能算法； ACO； PSO； AFSA； SFLA；ABC；FA 中圖分類號 Q5-3 文獻(xiàn)標(biāo)識碼A 文章編號 1674-6708（2014）114-0160-02 1 群智能算法概

2、述 群智能算法是近幾十年發(fā)展起來的一類基于生物群體行為規(guī)律的全局概率搜索算法。這些算法將搜索空間中的每一個可行解視為生物個體，解的搜索和優(yōu)化過程視為個體的進(jìn)化或覓食過程。生物個體適應(yīng)環(huán)境的能力用來度量待求解問題的目標(biāo)函數(shù)，生物個體的進(jìn)化或覓食過程用來模擬優(yōu)化中較差的可行解被具有優(yōu)勢的可行解替代的迭代過程。下文將對幾種典型的群智能算法進(jìn)行簡要的介紹。 2 典型群智能優(yōu)化算法 2.1 蟻群算法 1991年意大利學(xué)者Dorigo M等受到自然界中蟻群覓食行為啟發(fā)而提出了蟻群算法 （Ant Colony Optimization， ACO）。 蟻群算法的思想是：

3、在最短路徑的找尋過程中，每只螞蟻只可以根據(jù)局部信息調(diào)整路徑上的信息素，一輪循環(huán)結(jié)束后，采取全局信息對路徑上的信息量再進(jìn)行一次調(diào)整，且只對尋優(yōu)過程中發(fā)現(xiàn)的最好路徑上的信息素進(jìn)行加強(qiáng)。在蟻群算法中，螞蟻逐步地構(gòu)造問題的可行解，在解的構(gòu)造期間，每只螞蟻使用概率方式向下一個節(jié)點跳轉(zhuǎn)，這個節(jié)點是具有較強(qiáng)信息素和較高啟發(fā)式因子的方向，直至無法進(jìn)一步移動。此時，螞蟻所走路徑對應(yīng)于待求解問題的一個可行解。 蟻群算法目前已成功地用于解決旅行商TSP問題、數(shù)據(jù)挖掘、二次指派問題、網(wǎng)絡(luò)路由優(yōu)化、機(jī)器人路徑規(guī)劃、圖著色、物流配送車輛調(diào)度、PID控制參數(shù)優(yōu)化及無線傳感器網(wǎng)絡(luò)等問題。 2.2 粒子群算法

4、 1995年美國的Kennedy等受鳥群捕食行為的啟發(fā)而提出了粒子群算法（Particle Swarm Optimization， PSO）。 粒子群算法的思想是：將群體中的任一個個體，即每個可行解，視為D維搜索空間的一個有飛行方向和速度的粒子。所有的粒子都有一個被目標(biāo)函數(shù)決定的適應(yīng)值，且記憶了自身曾經(jīng)獲得的最好位置及當(dāng)前位置，視為自身的飛行經(jīng)驗。同時每個粒子還知道整個群體所有粒子已獲得的最優(yōu)位置，視為群體的飛行經(jīng)驗。在迭代過程中，所有的粒子將不斷地統(tǒng)計個體的飛行經(jīng)驗和整個群體的飛行經(jīng)驗，以此動態(tài)調(diào)整本身飛行的方向和速度。在此過程中，個體逐步遷移到較優(yōu)的區(qū)域，使群體最終搜索到問題

5、的最優(yōu)解。 粒子群算法的應(yīng)用領(lǐng)域眾多，如模式識別與圖像處理、工程應(yīng)用、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制、化工系統(tǒng)處理、濾波器設(shè)計、仿人智能控制參數(shù)優(yōu)化、數(shù)據(jù)聚類等。 2.3 人工魚算法 2002年由我國的李曉磊等受魚群運動行為的啟發(fā)而提出了人工魚群算法 （Artificial Fish-Swarm Algorithm， AFSA）。 人工魚群算法的思想是：將人工魚隨機(jī)地分布于解空間中，解空間中包含著若干局部最優(yōu)值和一個全局最優(yōu)值?？蓪⒆顑?yōu)值視為食物的濃度，而全局最優(yōu)值為最大的食物濃度，且人工魚將移動聚集到食物濃度較大的區(qū)域，通過移動策略來控制人工魚個體的四種行為（覓食

6、、聚群、追尾和隨機(jī)），用視野來限制個體的鄰域，用步長來控制個體探索的進(jìn)度，用擁擠度來控制群體的過度密集。尋優(yōu)期間，每次迭代執(zhí)行完，人工魚都將對比自身狀態(tài)和公告板狀態(tài)，如自身具有優(yōu)勢，則更新公告板狀態(tài)，確保公告板為最優(yōu)狀態(tài)。 人工魚群算法已在參數(shù)估計、組合優(yōu)化、前向神經(jīng)網(wǎng)絡(luò)優(yōu)化、電力系統(tǒng)無功優(yōu)化、輸電網(wǎng)規(guī)劃、邊坡穩(wěn)定、非線性方程求解等方面得到應(yīng)用，且取得了較好的效果。 2.4 混合蛙跳算法 2003年Eusuff等人受青蛙覓食特征的啟發(fā)而提出了混合蛙跳算法【4】 （Shuffled Frog Leaping Algorithm， SFLA）。 混合蛙跳算法的思想是

7、：將青蛙個體隨機(jī)地分布于解空間中，每只青蛙表示解空間的一個解。在進(jìn)化更新的過程中既有全局性的信息交流，還有內(nèi)部的信息交流。根據(jù)青蛙個體的適應(yīng)度值的優(yōu)劣進(jìn)行排序和分組，組內(nèi)只有適應(yīng)度最差的青蛙更新，元進(jìn)化并混合各組，在各組一輪元進(jìn)化后，將組中的青蛙重新排序、分組并記錄全局最優(yōu)解，之后再繼續(xù)局部搜索的過程。青蛙更新的學(xué)習(xí)對象首先是組內(nèi)最優(yōu)，其次是群體最優(yōu)，若兩次都未能進(jìn)步，則隨機(jī)初始化。 混合蛙跳算法已經(jīng)應(yīng)用于多個領(lǐng)域，如水資源網(wǎng)絡(luò)優(yōu)化、數(shù)據(jù)聚類、橋面修復(fù)、風(fēng)電場電力系統(tǒng)動態(tài)優(yōu)化、裝配線排序、流水車間調(diào)度、PID控制器參數(shù)調(diào)節(jié)等。 2.5 人工蜂算法 2005年由土耳其的K

8、araboga等受蜜蜂采蜜行為的啟發(fā)而提出了人工蜂群算法（Artificial Bee Colony， ABC）。 人工蜂群算法的思想是：將虛擬蜜蜂群初始時隨機(jī)分布在解空間中，將食物源的位置抽象成解空間中的點（可行解）。通過三種蜜蜂對食物源位置（解）修正，進(jìn)行一次循環(huán)搜索過程。引領(lǐng)蜂通過對比附近食物源的花蜜量（適應(yīng)度），來對現(xiàn)有食物源位置（解）進(jìn)行修正。如果新食物源的花蜜量（適應(yīng)度）比現(xiàn)有的高，那么引領(lǐng)蜂記憶新食物源（解），放棄現(xiàn)有的。在引領(lǐng)蜂的搜索過程完成后，它們通過跳舞與跟隨蜂傳遞食物源信息。跟隨蜂通過匯總和評估所有食物源信息，計算出一個關(guān)于花蜜量的概率值，通過比較概率選取食物源。

9、跟隨蜂也是根據(jù)貪婪選擇策略來更新當(dāng)前食物源的位置。利用偵察蜂來使得陷入局部搜索停滯的蜜蜂跳出。 人工蜂群算法已經(jīng)應(yīng)用于多個領(lǐng)域，如車輛路徑問題、人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、作業(yè)車間調(diào)度問題、數(shù)據(jù)聚類以及各類連續(xù)優(yōu)化問題等。 2.6 螢火蟲算法 2009年由劍橋大學(xué)的Xin-She Yang受螢火蟲發(fā)光行為的啟發(fā)而提出了螢火蟲算法（Firefly Algorithm， FA）。 螢火蟲算法的思想是：將螢火蟲個體作為解隨機(jī)地分布于解空間中。解的搜索和優(yōu)化過程視為每只螢火蟲的移動和吸引過程。個體所在位置的優(yōu)劣用來度量所求問題目標(biāo)函數(shù)。個體進(jìn)化的過程用來模擬優(yōu)化中較差的可行解被具有優(yōu)勢的

10、可行解替代的迭代過程。螢火蟲根據(jù)自身亮度和吸引度兩個要素來更新自己的位置。螢火蟲所在位置的目標(biāo)值決定其能產(chǎn)生的熒光亮度，所處位置（目標(biāo)值）越好其亮度越高。螢火蟲的亮度與吸引力成正比，視線范圍內(nèi)，亮度稍弱的螢火蟲將被吸引，朝著較亮螢火蟲的方向移動，以完成的位置進(jìn)化。當(dāng)亮度相同時，螢火蟲則隨機(jī)地進(jìn)行位置移動。螢火蟲之間的距離與亮度和吸引度成反比，也即距離越大，亮度和吸引度越小。 目前螢火蟲算法已應(yīng)用在生產(chǎn)調(diào)度、路徑規(guī)劃、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、天線陣列設(shè)計優(yōu)化、圖像處理、機(jī)械結(jié)構(gòu)設(shè)計優(yōu)化、負(fù)載經(jīng)濟(jì)均衡分配問題、復(fù)雜函數(shù)優(yōu)化等方面。 3 結(jié)論 本文在簡述群智能算法的基礎(chǔ)上，對近年來發(fā)展

11、的幾種典型的群智能算法的生物原理、算法思想和應(yīng)用進(jìn)行了闡述和研究，為群智能算法的深入研究奠定了基礎(chǔ)。 參考文獻(xiàn) 【1】Colomi A，Dorigo M，Maniezzo Vhe Ant System： An autocatalytic optimization process，Technical Report 91-016，Dept.of Electronics，Politecnicco di Milano，Italy，1991. 【2】Kennedy J，Eberhart RC.Particle swarm optimization[C].IEEE Internat

12、ional Conference on Neural Networks，Perth，Piscataway，NJ，Australia： IEEE Service Center，1995，1942-1948. 【3】李曉磊，邵之江，錢積新.一種基于動物自治體的尋優(yōu)模式：魚群算法[J].系統(tǒng)工程理論與實踐，2002，11，32-38. 【5】Karaboga D.An Idea Based On Honey Bee Swarm for Numerical Optimization[R].Erciyes Uiversity，Technical Report： TR06，2005. 【6】Yang Xin-she.Nature-inspired metaheuristic algorithms[M].Luniver Press，UK.2008：83-96.