ch2智能优化算法--生课稿.ppt

2.2.1 进化算法简介 产生背景 主要特点 理论基础 分类说明 2.2.1 进化算法简介 二、主要特点 在算法中主要表现为全局搜索方式，体现在下面几个方面 有指导搜索：依据是每个个体的适应度值 自适应搜索：通过进化操作改进群体性能 渐进式寻优：每代进化的结果都优于上一代 并行式搜索：对每一代群体所有个体同时进行 黑箱式结构：只要研究输入和输出而不需考虑过程 全局最优解：在整个搜索区域的各个部分同时进行 内在学习型：学习是一种有保留的行为 稳健性强：不同的条件和环境下算法适用和有效性 2.2.1 进化算法简介 三、理论基础 进化计算是模拟生物进化理论而形成的一种全局优化自适应概率搜索的算法理论。 具有深厚的生物学理论基础： 遗传：父代利用遗传基因将自身的基因信息交付给下一代（子代），属性特征相同或相近。 变异：子代和父代，以及子代各个体之间存在着一定的差异，在进化过程中是随机发生的。 生存斗争和适者生存：适应性变异较强的个体被保留下来，而适应性变异较弱的个体则被淘汰。 2.2.1 进化算法简介 四、分类说明 从进化的过程性质进行区分，与进化算法相关的算法可细分为： 遗传算法：最具代表性也是最基本的 进化策略：侧重于数值分析 进化规划：介于数值分析与人工智能之间 遗传规划：偏向以程式表现人工智能行为 进化动力学：偏向进化的自组织和系统动力学特性 分类系统：适应动态环境学习 动态模拟系统：用以观察复杂系统交互 元胞自动机：研究人工生命 蚁群系统：模拟蚂蚁群体行为 2.4 群智能算法及其应用 2.4.1 群智能算法概述 2.4.2 蚁群算法及应用 2.4.3 粒子群算法及应用 2.4.4 鱼群算法及应用 2.4.5 鸟群算法应用 2.4.6 猫群算法及应用 2.4.1 群智能算法概述 一、生物群体的启示 二、群智能的概念 三、群智能的意义和发展前景 四、群智能算法与进化计算的异同 五、群智能算法的分类 2.4.1 群智能算法概述 一、生物群体的启示 鸟群通过协作进行捕食； 鱼聚集成群可以有效的逃避捕食者； 房间偏僻角落里的蛋糕总会先被蚂蚁发现； 头脑简单的蜜蜂却能构造出世界上最完美的建筑物。 2.4.1 群智能算法概述 一、生物群体的启示 生物群中的每个个体只有简单的信息处理能力和行为能力 鸟群：飞行，捕食，避碰…… 昆虫：爬行，觅食，产生信息素…… 群体中各个个体之间可以进行信息交互。 鸟群：视觉，听觉，磁场…… 昆虫：感知信息素…… 群体的能力要远远超出个体能力的简单叠加。 信息感知能力、分工协作能力、适应生存能力 2.4.1 群智能算法的概述 二、群智能（Swarm Intelligence, SI）的概念 概念 把群居昆虫的集体行为称作“群智能”（“群体智能”、“群集智能”、“集群智能”等） 特点 个体的行为很简单，但当它们一起协同工作时，却能够突现出非常复杂（智能）的行为特征。 2.4.1 群智能算法概述 1. 群智能概念的发展过程 分子自动机系统中提出。分子自动机中的主体在一维或二维网格空间中与相邻个体相互作用，从而实现自组织。 ——by Beni(贝尼)，Hackwood(哈克伍德) 任何一种由昆虫群体或其它动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群智能。 ——by Bonabeau(博纳博)、Dorigo(杜里戈) Theraula 无智能或简单智能的主体通过任何形式的聚集协同而表现出智能行为的特性。 ——by Bonabeau 2.4.1 群智能算法概述 2. 定义SI的五条基本原则（by Mark Millonas 1994) Proximity Principle: 群内个体具有能执行简单的时间或空间上的评估和计算的能力。 Quality Principle: 群内个体能对环境(包括群内其它个体)的关键性因素的变化做出响应。 Principle of Diverse Response: 群内不同个体对环境中的某一变化所表现出的响应行为具有多样性。 2.4.1 群智能算法概述 2. 定义SI的五条基本原则（by Mark Millonas 1994) Stability Principle: 不是每次环境的变化都会导致整个群体的行为模式的改变。 Adaptability Principle: 环境所发生的变化中，若出现群体值得付出代价的改变机遇，群体必须能够改变其行为模式。 2.4.1 群智能算法概述 三、SI的意义和发展前景 群智能依靠的是概率搜索算法。虽然概率搜索算法通常要采用较多的评价函数，但与梯度法及传统的演化算法相比，主要优点为： 无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具备更强的鲁棒性。