[计算机软件及应用]智能优化算法.pdfVIP

7.1 蚁群优化算法概述 • 7.1.1 起源 • 7.1.2 应用领域 • 7.1.3 研究背景 • 7.1.4 研究现状 • 7.1.5 应用现状 7.1.1 蚁群优化算法起源 20世纪50年代中期创立了仿生学，人们从生 物进化的机理中受到启发。提出了许多用以解决 复杂优化问题的新方法，如进化规划、进化策略、 遗传算法等，这些算法成功地解决了一些实际问 题。 20 世纪90 年代意大利学者M ．Dorigo ， V ．Maniezzo，A ．Colorni等从生物进化的机制 中受到启发，通过模拟自然界蚂蚁搜索路径的行 为，提出来一种新型的模拟进化算法—— 蚁群算 法，是群智能理论研究领域的一种主要算法。 背景：人工生命 • “人工生命”是来研究具有某些生命基本 特征的人工系统。人工生命包括两方面的 内容。 • 研究如何利用计算技术研究生物现象。 • 研究如何利用生物技术研究计算问题。 • 现在关注的是第二部分的内容，现在已经有很 多源于生物现象的计算技巧。例如，人工神经网 络是简化的大脑模型，遗传算法是模拟基因进化 过程的。 • 现在我们讨论另一种生物系统－社会系统。更 确切的是，在由简单个体组成的群落与环境以及 个体之间的互动行为，也可称做“群智能”(swarm intelligence)。这些模拟系统利用局部信息从而 可能产生不可预测的群体行为 （如鱼群和鸟群的 运动规律），主要用于计算机视觉和计算机辅助 设计。 • 在计算智能(computational intelligence)领 域有两种基于群智能的算法。 蚁群算法(ant colony optimization) 和粒子群算法(particle swarm optimization) 。前者是对蚂蚁群落食物 采集过程的模拟，已经成功运用在很多离散优化 问题上。 • 作为一种新兴演化计算技术,群智能已成为新 的研究热点,它与人工生命,特别是进化策略和遗传 算法有着极为特殊的联系, 已完成的理论和应用研 究证明群智能方法是一种能够有效解决大多数全 局优化问题的新方法. • • 更为重要的是,群智能的潜在并行性和分 布式特点为处理大量的以数据库形式存在 的数据提供了技术保证. • 因此无论是从理论研究还是应用研究的 角度分析，群智能理论及其应用研究都是 具有重要学术意义和现实价值的。 7.1.2 蚁群优化算法应用领域 这种方法能够被用于解决大多数优化问题或 者能够转化为优化求解的问题。 现在其应用领域已扩展到多目标优化、数 据分类、数据聚类、模式识别、生物系统建模、 流程规划、信号处理、机器人控制、决策支持 以及仿真和系统辩识等方面，群智能理论和方 法为解决这类应用问题提供了新的途径。 7.1.3 蚁群优化算法研究背景 群智能理论研究领域有两种主要的算法：蚁群 算法(Ant Colony Optimization, ACO)和粒子群 算法 （Particle Swarm Optimization, PSO）。 前者是对蚂蚁群落食物采集过程的模拟，已成 功应用于许多离散优化问题。粒子群算法也是起源 于对简单社会系统的模拟，最初是模拟鸟群觅食的 过程，但后来发现它是一种很好的优化工具。 与大多数基于梯度的应用优化算法不同，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，但是与梯度方法及传 统的演化算法相比，其优点还是显著的 ，主要 表现在以下几个方面： • 1 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 • 2 以非直接的信息交流方式确保了系统的扩展性 • 3 并行分布式算法模型，可充分利用多处理器 • 4 对问题定义的连续性无特殊要求 • 5 算法实现简单 群智能方法易于实现，算法中仅涉及各种基 本的数学操作，其数据处理过程对CP