群集智能算法的研究的现状及进展.docVIP

群集智能算法的研究的现状及进展 　　摘要：基于群集智能的算法研究，近年来受到了广泛的关注。本文讨论了群集智能的两种算法，蚁群智能与微粒群智能。分别阐述了它们的原理、基本算法及其一些改进算法。最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向。 　　关键词：群集智能；蚁群算法；微粒群算法 　　中图分类号：TP311文献标识码：A 文章编号：1009-3044(2007)17-31415-01 　　Study of Algorithm Based on Swarm Intelligence 　　YANG Yuan-hua,SONG Zhong-shan 　　(School of Computer Science, Central South University of Nationalities, Wuhan 43074, China ) 　　Abstract:Algorithm based swarm intelligence have gained considerable amount of attention in recent years. In this paper, we review ant colony algorithm and particle swarm optimization. The methodolog- ies of theses algorithm were reviewed and described systematically. Finally, we introduce some applica- tions in the developed areas and discuss the future research issues. 　　Key words:Swarm intelligence; Ant colony algorithm; Particle swarm optimization 　　 　　1 引言 　　 　　自然界中，群居昆虫以集体的力量，进行觅食、御敌、筑巢，如蜜蜂采蜜、筑巢、蚂蚁觅食、筑巢等。这些群居昆虫，它们单个的智能很低、能力微弱，可是一旦形成规模，却可以解决很多复杂的问题。比如白蚁，单个白蚁的智能很低，可是，一旦形成群体，它们建造的蚁巢就是建筑学上的奇观，即使蚁巢不断扩大，也能够保持适宜的环境温度和适当的氧气及二氧化碳含量。实际上，对群居昆虫来说，团队合作主要是通过群居成员之间个体的互动进行协调的。尽管单次互动可能非常简单，但通过多次互动就能解决复杂的问题，我们把群居昆虫的智能行为称作“群集智能”。 　　从本质上说，群居昆虫之所以如此成功，主要是因为它们具备三个特性：灵活性、稳健型和自我组织能力。群居昆虫可以适应随时变化的环境，即使个体失败，整个群体仍然能完成任务。 　　 　　2 群集智能算法 　　 　　人们从群居昆虫相互之间协调合作的工作原理及合作规则中得到启示，提出了基于群集智能的新的算法来解决现实生活中的一些复杂问题。目前，在计算智能领域有两种基于群集智能的算法：蚁群算法和微粒群算法。蚁群算法是由意大利学者M.Dorigo等人首先提出的，是一种新型的模拟进化算法,初步的研究已经表明该算法具有许多优良的性质。目前国内对蚁群算法的研究主要针对离散优化问题，如基于蚁群算法进行动态路由表设计，求最短路径等。对于连续空间优化问题的研究是近来研究的一个新方向。微粒群算法是1995年由Kennedy和Ebrhart 率先提出的，是一种有别于遗传算法的并行进化计算技术。近几年的发展中，微粒群算法已广泛应用于函数优化、人工神经网络训练、模糊控制等领域，成为目前进化计算研究的一个新热点。 　　 　　3 蚁群算法 　　 　　3.1 蚁群算法的基本原理 　　蚁群算法是人们通过对自然界中蚁群群体行为的研究而提出的一种基于种群的模拟进化算法。该算法通过模拟蚂蚁搜索食物的过程来求解一些实际问题。蚂蚁能够在没有任何可见的提示下找出蚁穴到食物源的最短路径，并且能随着环境的变化而变化的搜索新的路径，产生新的选择。 　　但是，蚁群是如何完成这些复杂的任务的呢？人们发现蚂蚁在从食物源返回洞穴的途中会分泌一种信息素（Pheromone，也称外激素）,这种物质会随着时间的变化而挥发。蚂蚁在运动中倾向于朝着信息素浓度高的方向移动。假设蚂蚁从洞穴出发搜寻食物，洞穴与食物之间有n条路经。最初，所有路径上都没有信息素，蚂蚁选择每条路径的概率是相同的，当找到食物后蚂蚁返回洞穴并在回来的路上留下信息素。由于越短的路径需要的时间越短，因此在短的路径上残留的信息素浓度就高，就会有越多的蚂蚁选择这条路径。假设我们把信息素的寿命用时间尺度来测量，当使用