磷虾群：一种新的仿生优化算法范例.doc

磷虾群：一种新的仿生优化算法 摘要:本文提出了一种新型的磷虾群（KH）仿生优化算法，KH算法基于磷虾个体行为模拟。每个磷虾个体适应度函数定义为食物和最大密度的群集之间的距离。磷虾个体的位置随时间变化有三个主要因素：（一）诱导运动；（二）觅食运动；（三）扰动。对磷虾的行为进行精确的建模，将自适应遗传算子添加到算法中。对提出的方法进行了验证并应用于最优化领域中常用的几个问题。此外，该算法与文献中的八个著名的方法比较。KH算法能够有效地解决广泛的基准优化问题并优于其他的算法。 关键词：磷虾群，仿生优化算法，优化，元启发式算法，基准 引言 近期，元启发式优化算法已被广泛用于解决复杂优化问题。这些算法比传统基于逻辑或数学程序设计的算法[1]更为强大。集约化、多元化的元启发式算法[2]主要特点是强调在当前最好的解决方案的阶段搜索，并选择最佳的个体或解决方案。多元化确保算法更有效地探索搜索空间。现代发展的具体目标元启发式算法能够更快地解决问题，并获得更强有力的方法[3]。 该算法没有受到灵感有局限性（例如和谐的音乐灵感搜索[ 4 ]或物理灵感的系统搜索[ 5 ]）。然而，新提出的启发式算法主要的启发的方法和性质启发的算法已被广泛用于在系统开发和问题解决[ 6 ]。生物启发算法是自然界的主要的元启发式算法，该算法的仿生效率有着及其显着的能力，有着模仿自然的最佳功能。更具体地说，这些算法在生物系统中的优胜劣汰的选择超过百万数年。近几十年来，各种仿生优化算法已经发展。 仿生算法一般可分为三大类[7]： （1）进化算法， （2）群智能算法， （3）细菌觅食算法。 进化算法的灵感来自于遗传进化过程。遗传算法（GA）[ 8 ]，遗传编程（GP）[ 9 ]，进化策略(ES)（10）和差分进化（DE）[ 11 ]是众所周知的范式进化算法。这些分支是以人群为基础的随机搜索算法，作用于最好的生存标准[ 7 ]。在过去的几十年中，进化算法已得到显著改善。双头螺柱遗传算法（SGA）[ 12 ]是一个强大的算法，只使用最好的个体在每一代做交叉。gandomi和Alavi[ 13 ]提出的多阶段遗传规划作为一种改进的非线性系统建模方法。它是基于将唯一的预测变量的影响，以及提供更准确的变量之间的相互作用于模拟。所提到的算法已被广泛用于解决不同类型的优化任务（例如，[ 14 ]）。西蒙[ 15 ]提出了一种新的进化算法，即生物地理学为基础的优化（BBO）。用BBO算法对于全局重组和一致交叉的遗传算法的启发。 群体智能领域中最著名的范例是粒子群优化算法（16）和蚂蚁蚁群优化（ACO）[ 17 ]。这些算法是基于模拟动物的集体行为。这个PSO算法最初是由Eberhart和Eberhart提出[ 16 ]。粒子群优化算法是一种受社会启发的群体性方法鸟群或鱼群的行为。蚁群算法是受集体蚂蚁的觅食行为[ 17 ]。这些算法已被广泛用于文献中，以解决优化问题。主要的几个扩展在文献[ 18 ]中已提出的群算法的类别。 细菌觅食行为产生了一种新的仿生优化方法，称为细菌的来源觅食算法[7,19]。最知名的类型的细菌觅食算法计算系统的微生物的相互作用和通信（ COSMIC）[ 20 ]和以规则为基础的细菌模型（rubam）[ 21 ]。 本文提出了一种基于群智能算法的新生物，磷虾群（KH）。这种方法是基于 对磷虾群在特定的生物和环境过程模拟的群集算法。几乎所有的算法的系数，都可以在文献中看到。每个磷虾个体适应度函数定义为食物和最大密度的群集之间的距离。磷虾个体的位置随时间变化有三个主要因素：（一）诱导运动；（二）觅食运动；（三）扰动。本文结构如下：第二部分介绍了基本的方面和KH算法的特点，包括法的制定理想化的磷虾个体的从众行为。自适应遗传机制（交叉和变异）也介绍了这一节与著名的算法的数值例子和比较，提出了在第三节验证对算法的效率。最后，为今后的研究提供一些结论性意见和建议在第四节。 2。磷虾群算法 2.1。磷虾群行为 不同种类的海洋动物群集的形成是离散和非随机的。许多研究专注于捕捉机制控制这些地层[22,23]研究。主要确定机制与摄食能力，增强繁殖，保护天敌，和环境条件[ 24 ]。一些数学模型已经发展到评估这些贡献基于实验观察[22,23]的机制。 南极磷虾是一种最好的研究种海洋动物。 主要特点之一是其形成大的群能力。在过去的三年里，一些研究已经以了解磷虾的生态和分布。虽然还有值得注意的不确定性的磷虾群[ 27 ]的分布，概念模型提出了解释所观察到的磷虾群的形成[ 28 ]。通过这样的概念框架，得到的结果表明，磷虾群的形成是这个物种的基本单位。为了更好地理解磷虾群的形成，最接近的原因和聚集形成（最终效应）的自适应优势的因素应该被区分[ 29 ]。