群体智能的发展与研究.docVIP

群体智能的研究与发展概述 摘要 群体智能所表现出的特性是低级个体与它们的环境局部交互所表现的集体行为形成了一致功能的整体模式。它为不需要集中控制或提供全局模型就能探索集体合作（或分布式）问题提供了基础。本文探讨了群体智能的发展现状，并研究了主要的蚁群算法、蜂巢算法和微粒群算法，并介绍了群体智能应用于并行计算的发展状况。 关键词：群体智能，蚁群算法，蜂巢算法，微粒群算法，并行计算。 群体智能背景 群居性生物的群体行为涌现的群体智能正越来越得到人们的重视。一些启发于群居性生物的寻食、打扫巢穴等行为而设计的算法成功地解决了组合优化、通信网络和机器人等领域的实际问题.Bonabeau等人认为群体智能是任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置。群体智能的特点是最小智能但自治的个体利用个体与个体和个体与环境的交互作用实现完全分布式控制，并具有自组织、可扩展性、健壮性等特性。 群体智能作为一个新兴领域，自从20世纪80年代出现以来，引起了多个学科领域研究人员的关注，已经成为人工智能以及经济、社会、生物等交叉学科的热点和前沿领域。由单个复杂个体完成的任务可由大量简单的个体组成的群体合作完成，而后者往往更具有健壮性、灵活性和经济上的优势。群体智能（swarm intelligence）利用群体优势，在没有集中控制，不提供全局模型的前提下，为寻找复杂问题解决方案提供了新的思路。对群体智能的定义进行扩展，普遍意义上有以下几种理解。一是由一组简单智能体（agent）涌现出来的集体的智能（collective intelligence），以蚁群优化算法（AntColony Optimization，ACO）和蚂蚁聚类算法等为代表；二是把群体中的成员看作粒子，而不是智能体，以粒子群优化算法（Particle Swarm Optimization，PSO）为代表。群体智能是对生物群体的一种软仿生，即有别于传统的对生物个体结构的仿生。可以将个体看成是非常简单和单一的，也可以让它们拥有学习的能力，来解决具体的问题。 基于群体智能的聚类算法起源于对蚁群蚁卵的分类研究。Lumer和Faieta将Deneubourg提出的蚁巢分类模型应用于数据聚类分析，与经典的层次聚类算法和k 均值动态聚类算法相比，基于群体智能的聚类算法具有群体智能算法的共同特点，它利用个体与个体和个体与环境的交互作用，不必预设聚类中心的数目，实现自组织聚类过程，具有健壮性、可视化等特点。基于群体智能的聚类算法的主要思路是将待聚类的对象随机放置在一个两维网格的环境中，每一个对象有一个随机初始位置，每一只蚂蚁能够在网格上移动，并测量当前对象在局部环境的群体相似度，通过概率转换函数将群体相似度转换成移动对象的概率，以这个概率拾起或放下对象。蚁群联合行动导致属于同一类别的对象在同一个空间区域能聚集在一起。群体相似度是一个待聚类模式（对象）与其所在一定的局部环境中所有其它模式的综合相似度。 群体智能算法 群体智能典型的代表算法有蚁群（Ant Colony）、蜂巢（Wasp Nest）、微粒群（Particle Swarm）。 蚁群算法 蚁群寻找食物时会派出一些蚂蚁分头在四周游荡，如果一只蚂蚁找到食物，它就返回巢中通知同伴并沿途留下“信息素”（外激素）作为蚁群前往食物所在地的标记。信息素会逐渐挥发，如果两只蚂蚁同时找到同一食物，又采取不同路线回到巢中，那么比较绕弯的一条路上信息素的气味会比较淡，蚁群将倾向于沿另一条更近的路线前往食物所在地。用于旅行商问题的蚁群算法采用虚拟的“蚂蚁”，让它们摸索不同路线，并留下会随时间逐渐消失的虚拟“信息素”。根据“信息素较浓的路线更近”的原则，即可选择出最佳路线。这种信息素起到了非直接通信的作用。而后面的蚂蚁就会选择这条短的路径，并且留下更多的信息素。蚁群算法在应用到小规模问题上时，取得了快速收敛的好效果。 随着研究的深入，将基本蚁群算法应用到更大一些规模的TSP问题上时，计算结果不是很理想，表明基本蚁群算法在求解大规模复杂问题上能力有限。这是因为蚁群算法主要利用正反馈原理强化一些次优解，但当迭代到一定代数后，由于次优解路径上的信息素不断得到强化，使得大量的蚂蚁聚集到较少的几条路径上，在以后的迭代计算中，蚂蚁都一遍一遍的重复经过这其中的一条或几条路径，从而构造出几乎完全相同解，在这种情况下，就无法探索新的路径，不能发现新的解，于是就出现早熟、停滞现象。在规模较小的TSP问题中，最优解往往就存在于这些次优解集中，所以较容易发现；而对于较大规模的TSP问题，存在很多的局部极小点，单一的信息素调整方法使得基本蚁群算法较容易陷入这些局部极小点，从而出现停滞现象。 蚁群算法优化过程的本质在于：（1）选择机制。信息量越大的路径，被选择的概率越大