基于群体智能的算法研究.docVIP

基于群体智能的算法研究 　　摘要：计算机技术不断发展，从而带动着算法技术不断更新，尤其是在模仿社会性动物的行为领域，产生了很多的智能算法。本文主要介绍当前几种热门研究的算法，阐述了其工作原理和特点，同时对其发展进行了展望。 　　关键词：群体智能；蚁群算法；粒子群优化算法；人工鱼群算法 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)11-20318-02 　　 　　1 引言 　　 　　在人工智能的研究领域，基于群体智能(Swarm Intelligence)的算法的研究成为了众多专家研究的热点。群体智能中的群体(Swarm)指的是“一组相互之间可以进行直接通信或者间接通信(通过改变局部环境)的主体，这组主体能够合作进行分布问题求解”。而所谓群体智能指的是“无智能的主体通过合作表现出智能行为的特性”[1]。群体智能在没有集中控制并且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了基础。本文的工作是阐述几种基于群体智能的算法基本原理和模型及其展望。 　　 　　2 基于群体智能的算法的特点 　　 　　群体智能是基于种群行为对给定的目标进行寻优的启发式搜索算法，群体中相互合作的个体是分布式的(Distributed)，这样更能够适应当前网络环境下的工作状态；没有中心的控制与数据，这样的系统更具有鲁棒性(Robust)，不会由于某一个或者某几个个体的故障而影响整个问题的求解。可以不通过个体之间直接通信而是通过非直接通信进行合作，这样的系统具有更好的可扩充性(Scalability)。由于系统中个体的增加而增加的系统的通信开销在这里十分小。系统中每个个体的能力十分简单，这样每个个体的执行时间比较短，并且实现也比较简单，具有简单性(Simplicity)。但是对于每个个体，其定义本身是相对的，其大小和功能根据所求解的问题而定，所以其智能的寻优方式的实现是通过整个智能群的总体特征来体现的。 　　虽然现在的研究还处在初级阶段，但是从一些实验来看，他代表了智能算法的研究方向。目前，比较成熟的群体智能算法有，蚁群算法(Ant Colony Algorithm,ACA)、粒子群优化算法(Particle Swarm Optimization,PSO)和人工鱼群算法(Artificial Fish―Swarm Algorithm,AFSA)。 　　2 基于群体智能的算法的研究现状 　　2.1 蚁群算法 　　蚁群算法是由20世纪90年代意大利的M．Dorigo等学者提出的。这种算法源于取食行为中的通信机制启发而研究得来。蚂蚁这类群居动物，单个蚂蚁在运动过程中会留下一种称之为“信息激素”(pheromone)的分泌物，后面的蚂蚁可以感知前边蚂蚁所留下的信息激素的存在及其强度，并选择自己要走的方向。蚂蚁倾向于朝着该物质强度高的方向移动。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。而且，蚂蚁还能够适应环境的变化，如在蚁群运动路线上突然出现障碍物时，蚂蚁能够很快地重新找到最优路径。 　　2.1.1 蚁群算法基本模型 　　蚁群算法[2]的核心是：选择机制，信息素越多的路径，被选择的概率越大；更新机制，路径上面的信息素会随蚂蚁的经过而增长，而且同时也随时间的推移逐渐挥发消失；协调机制，蚂蚁间实际上是通过分泌物来互相通信、协同工作的。 　　蚁群算法的首先成功应用于TSP问题，现就简单描述其基本方法：给定一个有n个城市的TSP问题，人工蚂蚁的数量为m。每个人工蚂蚁的行为符合下列规律：根据路径上的激素浓度，以相应的概率来选取下一步路径；不再选取自己本次循环已经走过的路径为下一步路径。用一个数据来控制这一点，当完成了一次循环后，根据整个路径长度来释放相应浓度的信息素，并更新走过的路径上的信息浓度。其基本流程是：初始化的时候，m个蚂蚁被放置在不同的城市，赋予每条边上的信息浓度都为零，每个蚂蚁的数据库的第一元素赋值为他所在的城市，当蚂蚁们完成一次完整的寻径过程后，计算信息素浓度，并且更新每条边上的信息素浓度。然后开始新一轮的循环。当循环次数达到事先定义好的次数时或者所以的蚂蚁都选择了同一种路径方式时，整个程序终止。 　　2.2 粒子群优化算法 　　粒子群优化算法[3]是一种进化计算技术(Evolutionary Computation)，由Eberhart博士和Kennedy博士发明。源于对鸟群捕食的行为而研究所得。一群鸟在随机搜索食物的飞行过程中会通过参考同伴的运动信息来调整自己的运动状态，在运动中，每个个体的信息都是共享的，正是通过这种相互借鉴可以是个体运动达