计算智能主要算法概述.docVIP

计算智能主要算法概述 　　摘 要：本文主要介绍计算智能中的几种算法：模糊计算、遗传算法、蚂蚁算法、微粒群优化算法（PSO），详细描述了这几种算法的发展历史、研究内容及在本研究方向最近几年的应用。 　　关键字：计算智能 模糊计算 遗传算法 蚂蚁算法 PSO 　　计算智能是在神经网络、模糊系统、进化计算三大智能算法分支发展相对成熟的基础上，通过各算法之间的有机融合而形成的新的科学算法，是智能理论和技术发展的一个新阶段，广泛应用于工程优化、模式识别、智能控制、网络智能自动化等领域[1]。本文主要介绍模糊逻辑、遗传算法、蚂蚁算法、微粒群优化算法（PSO）。 　　1 、模糊计算 　　美国系统工程教授扎德于1965年发表的论文《FUZZY SETS》首次提出模糊逻辑概念，并引入隶属度和隶属函数来刻画元素与模糊集合之间的关系，标志着模糊数学的诞生。模糊计算将自然语言通过模糊计算转变为计算机能理解的数学语言，然后用计算机分析、解决问题。 　　在古典集合中，对于任意一个集合A，论域中的任何一个x，或者属于A，或者不属于A；而在模糊集合中，论域上的元素可以部分地属于集合A，并用隶属函数来表示元素属于集合的程度，它的值越大，表明元素属于集合的程度越高，反之，则表明元素属于集合的程度越低。与经典逻辑中变元非真即假不同，模糊逻辑中变元的值可以是[0，1]区间上的任意实数。要实现模糊计算还必须引入模糊语言及其算子，把含有模糊概念的语言称为模糊语言，模糊语言算子有语气算子、模糊化算子和判定化算子三类，语言算子用于对模糊集合进行修饰。模糊逻辑是用If-Then规则进行模糊逻辑推理，将输入的模糊集通过一定运算对应到特定输出模糊集，模糊推理的结论是通过将实施与规则进行合成运算后得到的。 　　模糊逻辑能够很好地处理生活中的模糊概念，具有很强的推理能力，在很多领域得以广泛应用研究，如工业控制、模式识别、故障诊断等领域。但是大多数模糊系统都是利用已有的专家知识，缺乏学习能力，无法自动提取模糊规则和生成隶属度函数，需要与神经网络算法、遗传算法等学习能力强的算法融合来解决。目前，很多学者正在研究模糊神经网络和神经模糊系统，这是对传统算法研究和应用的创新。[2] 　　2、遗传算法 　　遗传算法由美国学者Holland及其学生于1975年首次提出，以达尔文的进化论和孟德尔的遗传学说为基本思想，通过编码将问题的可能解转换为遗传算法可以解决的搜索空间。一般采用二进制编码，若变量连续，采用实数编码精度较高且便于大空间搜索。遗传算法的三个基本算子有选择算子、交叉和变异，用于模仿生物界中的繁殖、杂交和变异。 　　遗传算法的基本思想为通过随机编码产生一个初始种群，每一个编码即问题的可行解，通过适应度为评价标准来选择个体，适应度高的个体保留下来复制下一代，适应度低的个体被淘汰。保留下来的个体通过交叉、变异来提高个体质量，重组为新的一代。通过这一过程，使得新一代的个体组合优于上一代。个体不断进化，当达到设定的迭代次数或者给定条件时，算法结束，得到的最优编码即为问题的最优解。[3] 　　遗传算法具有智能性、并行性、通用性等众多优点，使得其应用范围也极广，如函数优化、机器人学、组合优化、图像处理、信号处理、人工生命、生产调度等。遗传算法的广泛应用也促进了自身的发展和完善，各种改进算法相继提出。近几年来，遗传算法的研究已经从理论方面逐渐转向应用领域，图像处理和机器人学也在逐渐成为研究的热点。随着数据挖掘技术的广泛应用，遗传算法在数据挖掘领域的研究会成为新的热点。[4] 　　3、蚂蚁算法 　　蚂蚁算法又叫蚁群算法，受蚂蚁寻找食物的启发，由意大利学者Marco Dorigo及其导师于1991年提出。蚂蚁从巢穴出发寻找食物，在其经过的路径上释放一种信息素，信息素浓度会随着时间增加而逐渐降低。其他蚂蚁识别到这种信息素，便会沿着这一路径寻找食物并释放信息素。某一路径信息素浓度越大，选择这一路线的蚂蚁越多，经过的蚂蚁越多，信息素浓度越大，呈现一种正反馈效应。最终，蚂蚁会找到食物源和巢穴之间的最佳路线。 　　蚂蚁算法的典型应用是旅行商问题（TSP），二次分配问题（QAP）、车间任务调度问题（JSP）、大规模集成电路中的综合布线以及电信网络中的路由等方面。蚂蚁算法因其很强的鲁棒性，把TPS问题中的经典模型稍加改动，就可用于其他问题。它的正反馈性和协同性使之可用于分布式系统；蚂蚁算法比较容易与其他算法工具相结合，可以改善算法的性能。 　　实际应用中，不同的优化问题有着不同的束缚条件，需要采取对应的措施来处理，因此出现了各种改进的蚂蚁算法，如最大最小蚂蚁算法、多群蚂蚁算法等。但是，不是所有的基本蚂蚁算法都能解决优化问题，改进后的算法也并不是在任何情况下都适用的。目前，蚂蚁算法还没