2、群智能算法介绍、应用研究及其发展前景。关键词:群智能;最优化;算法群智能优化算法综述目录摘要01概述22定义及原理22、1定义22、2群集智能算法原理33主要群智能算法33、1蚁群算法33、2粒子群算法43、3其她算法54应用研究65发展前景66总结7参考文献8群智能优化算法综述1概述优化就是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究,一些社会
4、觅食行为的模拟。它将搜索与优化过程模拟成个体的进化或觅食过程,用搜索空间中的点模拟自然界中的个体;将求解问题的目标函数度量成个体对环境的适应能力;将个体的优胜劣汰过程或觅食过程类比为搜索与优化过程中用好的可行解取代较差可行解的迭代过程。从而,形成了一种以“生成+检验”特征的迭代搜索算法,就是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都就是建立问题的目标函数,求目标函数的最优解,因而实际工程优化问题均可转化为函数优化问题。其表达形式如下:求:Xi(x1,x2,L,xn)T,i1,2,L,n,minf(X),s.t.gi(X)0,j1,2,
5、Lm,X。其中,Xi为设计变量;f(X)为被优化的目标函数;gj(X)0为约束函数;为设计变量的可行群智能优化算法综述域。2、2群集智能算法原理自然界中一些生物的行为特征呈现群体的特征,可以用简单的几条规则将这种群体行为在计算机中建模,Reynolds认为动物以群落形式生存觅食时一般遵循三个规则1)分隔规则:尽量避免与临近伙伴过于拥挤;2)对准规则:尽量与临近伙伴的平均方向一致,向目的运动;3)内聚规则:尽量朝临近伙伴的中心移动。以上规则可归纳为个体信息与群体信息两类信息,前者对应于分隔规则,即个体根据自身当前状态进行决策;后者对应
6、于对准规则与内聚规则,即个体根据群体信息进行决策。另外,由于动物行为一般具有适应性、盲目性、自治性、突现性以及并行性等特征。因此自组织性、突现性成为群集智能优化算法的两大基本特征。群集智能优化算法通过Reynolds模型模拟了整个群体的运动,使得算法的迭代搜索过程成为一个不断地利用个体极值与群体极值来修正自身进行寻优搜索的过程,实现了个体与群体的信息交互与相互协作。个体极值具有一定的随机性,在一定的程度上保持了搜索方向的多样性,避免了过早地收敛而陷于局部最优;群体极值从整体上把握了寻优的方向,从而保证算法的收敛性。3主要群智能算法3、1蚁群算法蚁群算法蚁群算法(antcolonyo
10、并行性。5.结合性强:蚁群算法易于与其她优化算法相结合,吸取其她算法得优点,以改善算法的性能。但由于基本蚁群算法进化收敛速度慢,且易陷入局部最优或者出现停滞现象等缺陷,国内外学者开展了大量有意义的研究。研究成果主要涉及路径搜索策略、信息素更新策略与最优解保留策略等方面;研究行为主要就是进行算法改进或验证。有些改进算法的性能相比基本蚁群算法而言有了较大水平的提高,如最大最小蚁群算法就是目前求解TSP问题的最好方法之一;有些已成为主流的蚁群算法。3、2粒子群算法粒子群算法源于复杂适应系统(ComplexAdaptiveSystem,CAS)。CAS理论于1994年正式提出,CAS中的成
11、员称为主体。比如研究鸟群系统,每个鸟在这个系统中就称为主体。主体有适应性,它群智能优化算法综述能够与环境及其她的主体进行交流,并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括:新层次的产生(小鸟的出生);分化与多样性的出现(鸟群中的鸟分成许多小的群);新的主题的出现(鸟寻找食物过程中,不断发现新的食物)。所以CAS系统中的主体具有4个基本特点(这些特点就是粒子群算法发展变化的依据):首先,主体就是主动的、活动的。主体与环境及其她主体就是相互影响、相互作用的,这种影响就是系统发展变化的主要动力。环境的影响就是宏观的,主体之间的影响就是微观的,
12、宏观与微观要有机结合。最后,整个系统可能还要受一些随机因素的影响。粒子群算法就就是对一个CAS系统鸟群社会系统的研究得出的。粒子群算法(ParticleSwarmOptimization,PSO)最早就是由Eberhart与Kennedy于1995年提出,它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景:一群鸟在随机搜寻食物,在这个区域里只有一块食物,所有的鸟都不知道食物在哪里,但就是它们知道当前的位置离食物还有多远。那么找到食物的最优策略就是什么呢最简单有效的就就是搜寻目前离食物最近的鸟的周围区域。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题
13、。在PSO中,每个优化问题的潜在解都可以想象成d维搜索空间上的一个点,我们称之为“粒子”(Particle),所有的粒子都有一个被目标函数决定的适应值(FitnessValue),每个粒子还有一个速度决定她们飞翔的方向与距离,然后粒子们就追随当前的最优粒子在解空间中搜索。Reynolds对鸟群飞行的研究发现。鸟仅仅就是追踪它有限数量的邻居但最终的整体结果就是整个鸟群好像在一个中心的控制之下、即复杂的全局行为就是由简单规则的相互作用引起的。3、3其她算法人工鱼群算法(ArtificialFishSwarmAlgorithm,简称AFSA)就是受鱼群行为的启发,由国内
14、李晓磊博士于2002年提出的一种基于动物行为的群体智能优化算法,就是行为主义人工智能的一个典型应用,这种算法源于鱼群的觅食行为。蛙跳算法(SFLA)就是一种全新的后启发式群体进化算法,具有高效的计算性能与优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出了一种基于阈值选择策略的改群智能优化算法综述进蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法的性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。4应用研究随着群智能算法研究
15、的不断发展,研究者已尝试着将其应用于各种工程优化问题,并取得了意想不到的收获。多种研究表明,群智能算法在离散与连续求解空间中均表现出良好的搜索效果,更在组合优化问题中有突出表现。蚁群算法最初用于解决旅行商问题。自从在著名的旅行商问题(TSP)与工件排序问题上取得成效以来,已经陆续渗透到其它领域中,如图着色问题、二次分配问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题、数据聚类问题、武器攻击目标分配与优化问题、区域性无线电频率自动分配问题等。粒子群算法最早应用于训练人工神经网络,Kennedy与Eberhart成功地将算法应用于分类XOR问题的神经网