人工蜂群算法分析与实现毕业论文-精选.doc

人工蜂群算法分析与实现 李林菲 (陕西师范大学 计算机科学学院，西安 710062) 摘 要：在了解蜜蜂采蜜原理和蜂群优化算法的基础上，分析基本的人工蜂群算法，结合操作系统的相关知识，将求解智力题的过程转化为蜂群寻找最优蜜源的过程。针对智力题求解实例，用线程模拟不同角色的蜜蜂，模仿人工蜂群算法(ABCA)中各个蜜蜂并行地完成智力题求解。在VC++6.0环境中的仿真实验表明，该算法全局搜索能力强，运算效率比单线程的算法明显高出十余倍。 关键词：人工蜂群算法；群体智能；组合优化 绪论 群集智能优化算法起源于研究者们对自然界的生物进化过程和觅食行为的模拟。它将搜索或者优化过程模拟为个体的觅食或者进化过程，使用搜索空间中的点模拟自然界中的个体；把求解问题的目标函数转化成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为在搜索和优化过程中用较好的可行解取代较差可行解的迭代过程，从而形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的仿生学自适应人工智能技术。 1.1群体智能的产生 针对自然界中一些社会性昆虫群体行为的不解，如蚂蚁和蜜蜂群体智能的来源，个体简单行为如何形成复杂的群体行为，成百上千的蜜蜂如何协调做出某个重要决定，是什么让一群鲱鱼在一瞬间改变行动方向，为什么蚂蚁数量会随着周围环境的变化而变化等群体行为，在过去的数十年里，研究人员有了一些有趣的发现。 图1 蚂蚁群体 斯坦福大学的生物学家黛博拉·M·戈登( Deborah M. Gordon)[9]博士在亚利桑那州沙漠对红蚁的观察和研究中发现，单个的蚂蚁并不聪明，聪明的是它们的群体。蚂蚁通过触觉和嗅觉互相交流信息，后再做出决策。对于下一步工作如何安排，则由整个蚁群决定，而不是某个特定的个体。这就是蚂蚁“群体智慧”的工作原理。它们遵循简单的经验法则，个体以局部信息为行动依据，没有一个蚂蚁能够通观全局，也没有一只蚂蚁知道其他蚂蚁在做什么。对于它们来说，复杂的行为是通过个体间简单的接触完成的，它们不需要带头者。就个体而言，蚂蚁微小得不堪一击，但是从群体来看，它们能够对不同的环境做出迅速而有效的反应，其“武器”就是群体智能。 图2 蜜蜂群体 康奈尔大学的生物学家托马斯·西利( ThomasSeeley) [9]经过长期观察蜜蜂,发现在一个蜂房里的工蜂虽然多达50000之多，但它们依然能统一分歧，为蜂群谋得最大的利益。它们依据“集思广益”、“各抒己见”的法则做出决策，使用一种有效的机制使选择最小化。同时，西利把从蜜蜂身上学到的决策方法运用到一些会议上，模拟蜜蜂的决策，让与会者考虑所有的可能性，提出各自的想法或意见，然后通过投票决定。事实证明，几乎所有遵循蜜蜂法则的团体都能使自己变得更加聪明，例如股票市场的投资者们，从事研究的科学家们，甚至猜测罐中豆子数量的小孩们，如果他们是一个多样化的、有着各自独立见解的群体，并使用表决、求平均值之类的办法来获得决策，都可能成为聪明的群体。 图3 鸽子群体 克雷格· 雷诺兹( CraigReynolds)[9]对鸽子的群体行为研究，以及成功创建的计算机模拟程序，不仅展示了动物的自组织模式，同时也为机器人工程拓展了道路。一组能够协调工作的机器人就像鸟群一样，比单一的机器人聪明。如果机器人群体遭遇某些意外的情况，即使它们的智能化程度不是很高，也能较为迅速地做出反应并进行调整。如果群体中一个机器人出现故障，其他机器人会替代它的位置。而且群体机器人的控制权是分散的，不依赖某个特定的领袖。正如宾夕法尼亚大学机械工程学教授维嘉·库马尔( Vijay Kumar)[9] 所说，在生物中有大批成员的群体极少有中心领导的情况。 图4 鹿群 由赫乌尔[9]对鹿群长达5个月的研究中可知，每只驯鹿都知道其邻伴将要做什么，没有预见性，无因无果，一切就在瞬间发生了。尤其是鹿群遭遇狼时，就更显示出典型的群体智慧：驯鹿知道什么时候该跑，应该往哪个方向跑。整个过程中没有一头驯鹿去安排鹿群该往何处跑，它们仅仅遵循着数千年养成的简单的经验法则。华盛顿大学的生物学家丹尼尔·格伦鲍姆(DanielGrünbaum)[9]对海洋中的鱼群研究，发现也有类似的行为。 这就是动物群体智能的非凡魅力。不论是蚂蚁、蜜蜂、鸽子、驯鹿，还是鱼群，这些智能群体基于自身经验的简单法则，为人类提供了解决复杂问题的策略，群体智能也由此产生。 因此，把群体智能(Swarm Intelligence)定义为：指由众多无智能的简单个体组成群体，通过相互之间简单的合作，表现出智能行为的特性。自然界中的动物、昆虫，常以集体的力量进行觅食生存，单个个体所表现出的行为是缺乏智能的，但由个体组成的群体却表现出了一种有效的复杂的智能行为。群集智能可以在适当的进化机制引导下，通过个体间交互，以某种突现的形式发挥作用，这