群智能算法教学讲义.docx

第六章群智能算法智能优化计算6.1 群智能 6.1.1 群智能的概念 6.1.2 群智能算法6.2 蚁群优化算法原理 6.2.1 蚁群算法的起源 6.2.2 蚁群算法的原理分析6.3 基本蚁群优化算法 6.3.1 蚂蚁系统的模型与实现 6.3.2 蚂蚁系统的参数设置和基本属性6.4 改进的蚁群优化算法 6.4.1 蚂蚁系统的优点与不足 6.4.2 最优解保留策略蚂蚁系统 6.4.3 蚁群系统 6.4.4 最大－最小蚂蚁系统 6.4.5 基于排序的蚂蚁系统 6.4.6 各种蚁群优化算法的比较智能优化计算6.5 蚁群优化算法的应用 6.5.1 典型应用 6.5.2 医学诊断的数据挖掘6.6 粒子群算法的基本原理 6.6.1 粒子群算法的提出 6.6.2 粒子群算法的原理描述6.7 基本粒子群优化算法 6.7.1 基本粒子群算法描述 6.7.2 参数分析 6.7.3 与遗传算法的比较6.8 改进粒子群优化算法 6.8.1 离散二进制PSO 6.8.2 惯性权重模型 6.8.3 收敛因子模型 6.8.4 研究现状智能优化计算6.9 粒子群优化算法的应用 6.9.1 求解TSP问题 6.9.2 其它应用6.10 群智能算法的特点与不足智能优化计算6.1 群智能智能优化计算群智能（ Swarm Intelligence, SI ）人们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。 6.1.1 群智能的概念6.1 群智能智能优化计算描述群智能作为一种新兴的演化计算技术已成为研究焦点，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的关系。特性指无智能的主体通过合作表现出智能行为的特性，在没有集中控制且不提供全局模型的前提下，为寻找复杂的分布式问题求解方案提供了基础。 6.1.2 群智能算法6.1 群智能智能优化计算优点灵活性：群体可以适应随时变化的环境；稳健性：即使个体失败，整个群体仍能完成任务；自我组织：活动既不受中央控制，也不受局部监管。典型算法蚁群算法（蚂蚁觅食）粒子群算法（鸟群捕食） 6.1.2 群智能算法6.2 蚁群优化算法原理智能优化计算蚁群的自组织行为“双桥实验”通过遗留在来往路径上的信息素（Pheromone）的挥发性化学物质来进行通信和协调。 6.2.1 蚁群算法的起源6.2 蚁群优化算法原理智能优化计算蚁群的自组织行为“双桥实验” 6.2.1 蚁群算法的起源6.2 蚁群优化算法原理智能优化计算提出蚁群系统 1992年，意大利学者M. Dorigo在其博士论文中提出蚂蚁系统（Ant System）。近年来， M. Dorigo等人进一步将蚂蚁算法发展为一种通用的优化技术——蚁群优化（ant colony optimization, ACO）。 6.2.1 蚁群算法的起源蚂蚁从A点出发，随机选择路线ABD或ACD。经过9个时间单位时：走ABD的蚂蚁到达终点，走ACD的蚂蚁刚好走到C点。6.2 蚁群优化算法原理智能优化计算 6.2.2 蚁群算法的原理分析蚁巢食物6.2 蚁群优化算法原理智能优化计算经过18个时间单位时：走ABD的蚂蚁到达终点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走到D点。 6.2.2 蚁群算法的原理分析蚁巢食物最后的极限是所有的蚂蚁只选择ABD路线。（正反馈过程）6.2 蚁群优化算法原理智能优化计算 6.2.2 蚁群算法的原理分析蚁巢食物6.3 基本蚁群优化算法智能优化计算解决TSP问题在算法的初始时刻，将m只蚂蚁随机放到n座城市;将每只蚂蚁 k的禁忌表tabuk(s)的第一个元素tabuk(1)设置为它当前所在城市;设各路径上的信息素τij(0)=C（C为一较小的常数）; 6.3.1 蚂蚁系统的模型与实现6.3 基本蚁群优化算法智能优化计算解决TSP问题每只蚂蚁根据路径上的信息素和启发式信息（两城市间距离）独立地选择下一座城市：在时刻t，蚂蚁k从城市i转移到城市j的概率为α、β分别表示信息素和启发式因子的相对重要程度。 6.3.1 蚂蚁系统的模型与实现下一步允许的城市的集合6.3 基本蚁群优化算法智能优化计算解决TSP问题当所有蚂蚁完成一次周游后，各路径上的信息素将进行更新：其中，ρ（0 ρ 1）表示路径上信息素的蒸发系数，Q为正常数，Lk表示