基于生物激励机制的算法分析-algorithm analysis based on biological incentive mechanism.docxVIP

第一章绪论近代科学技术发展的显著特点之一是生命科学与工程科学的相互交叉、相互渗透和相互促进，生物模拟已成为了计算机科学的一个组成部分。利用生物信息试图建立一种人工模拟的环境，以便使用计算机进行仿真来更好的了解人类自己和人类的生存空间；而另一方面从研究生物系统出发，探索产生基本认知行为的微观机理，设计成具有生物智能的机器或系统以解决复杂问题。因此基于生物激励的优化算法得到了蓬勃的发展。人们从生物现象中得到启示，发明了许多优化算法来解决复杂的单目标和多目标优化问题。例如遗传算法（GeneticAlgorithm,GA）参考了生物种群通过遗传和自然选择不断进化的功能、人工免疫系统（ArtificialImmuneSystems,AIS）模拟了生物免疫系统的学习和认知功能、蚁群优化（AntColonyOptimization,ACO）算法模仿了蚂蚁群体在路径选择和信息传递方面的行为、粒子群优化（ParticleSwarmOptimization,PSO）算法模拟了鸟群和鱼群觅食迁徙中个体与群体协调一致的机理、文化算法（CultureAlgorithm,CA）模拟文化演化过程的计算模型等。下面将对遗传算法、蚁群算法、粒子群算法、免疫算法以及文化算法作简单介绍。1.1遗传算法遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的[1]。80年代中期，由于大批科学研究者和工程技术人员的加入使得遗传算法的研究蓬勃发展。由于遗传算法的整体搜索策略和优化计算时不依赖于梯度信息，所以它的应用范围非常广泛，尤其适合于处理传统搜索方法难以解决的高度复杂的非线性问题。它在自适应控制、组合优化、模式识别、机器学习、规划策略、信息处理和人工生命等领域中展示出了优越性和魅力，从而也确定了它在21世纪的智能计算技术中的关键地位。遗传算法的两大主要特点是群体搜索策略和群体中个体之间的信息交换，它实际上是模拟由个体组成的群体的整体学习过程，其中每个个体表示给定问题搜索空间的一个解点。遗传算法从任一初始化的种群出发，通过随机选择（使群体中优秀的个体有更多的机会传给下一代）、交叉（体现了自然界中群体内个体之间的信息交换）和变异（在群体中引入新的变种确保群体中信息的多样性）等遗传操作，使群体一代一代地进化到搜索空间中越来越好的区域，直至抵达最优解点。1.2蚁群算法蚁群优化算法（简称“蚁群算法”）是意大利学者M.Dorigo,V.Maniezz和A.Colormfu于20世纪90年代初提出的一种新型的智能优化算法。当时称为蚂蚁系统（AntSystem，AS）[2],该算法首先用于求解著名的TSP问题并获得了较好的效果。在上个世纪90年代中期，这种算法逐渐引起了许多研究者的注意，并对该算法作各种改进或将其应用于更为广泛的领域，取得了一些令人鼓舞的成果。近几年，M.Dorigo等人将蚂蚁算法进一步发展成一种通用的优化技术——蚁群优化，并将所有符合ACO框架的蚂蚁算法称为蚁群优化算法，从而为ACO的理论研究和算法设计提供了一个统一的框架。目前对ACO的研究已显示出该算法在求解复杂优化问题（特别是离散优化问题）方面的优越性。虽然ACO的严格理论基础尚未奠定，国内外的有关研究仍停留在实验探索阶段，但从当前的应用效果来看，这种模仿自然生物的新型系统寻优思想无疑具有十分光明的前景。蚁群算法具有很强的发现较好解的能力，这是因为该算法不仅利用了正反馈原理，在一定程度上可以加快进化过程；而且多个个体之间通过合作，不断进行信息交流和传递，很快收敛于解空间的某一子集，有利于对解空间的进一步探索。但是蚁群算法易陷入局部最优，出现算法停滞问题。蚁群算法的主要优点有：1、它是一种本质并行的算法；2、它是一种正反馈算法；3、它易于与其它方法结合；4、它具有较强的鲁棒性。不足之处在于：1、容易出现停滞现象；2、求解连续对象优化问题的能力较弱；3、蚁群算法还没有形成系统的分析方法和坚实的数学基础，参数的选择更多是依靠实验和经验[3]。1.3粒子群算法粒子群优化算法[4、5]最早是由Kennedy和Eberhart在1995年提出的，它的基本概念源于对人工生命（ArtificialLife）和鸟群捕食行为的研究。设想这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢？最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子（Particle）”,所有的粒子都有一个被目标函数决定的