群智能算法发展的研究.docVIP

群智能算法发展的研究 　　摘 要 最优化技术的应用日渐广泛，传统的优化方法对于解决复杂问题变得无能为力。群智能算法在这种背景下产生并迅速发展。目前已研究出许多种类的群智能优化算法，包括蚁群、粒子群、人工鱼群、混合蛙跳、人工蜂、萤火虫算法等。本文主要介绍群智能算法的发展，阐述上述典型算法产生的生物原理、算法思想和应用。 　　关键字 群智能算法； ACO； PSO； AFSA； SFLA；ABC；FA 　　中图分类号 Q5-3 文献标识码A 文章编号 1674-6708（2014）114-0160-02 　　1 群智能算法概述 　　群智能算法是近几十年发展起来的一类基于生物群体行为规律的全局概率搜索算法。这些算法将搜索空间中的每一个可行解视为生物个体，解的搜索和优化过程视为个体的进化或觅食过程。生物个体适应环境的能力用来度量待求解问题的目标函数，生物个体的进化或觅食过程用来模拟优化中较差的可行解被具有优势的可行解替代的迭代过程。下文将对几种典型的群智能算法进行简要的介绍。 　　2 典型群智能优化算法 　　2.1 蚁群算法 　　1991年意大利学者Dorigo M等受到自然界中蚁群觅食行为启发而提出了蚁群算法 （Ant Colony Optimization， ACO）。 　　蚁群算法的思想是：在最短路径的找寻过程中，每只蚂蚁只可以根据局部信息调整路径上的信息素，一轮循环结束后，采取全局信息对路径上的信息量再进行一次调整，且只对寻优过程中发现的最好路径上的信息素进行加强。在蚁群算法中，蚂蚁逐步地构造问题的可行解，在解的构造期间，每只蚂蚁使用概率方式向下一个节点跳转，这个节点是具有较强信息素和较高启发式因子的方向，直至无法进一步移动。此时，蚂蚁所走路径对应于待求解问题的一个可行解。 　　蚁群算法目前已成功地用于解决旅行商TSP问题、数据挖掘、二次指派问题、网络路由优化、机器人路径规划、图着色、物流配送车辆调度、PID控制参数优化及无线传感器网络等问题。 　　2.2 粒子群算法 　　1995年美国的Kennedy等受鸟群捕食行为的启发而提出了粒子群算法（Particle Swarm Optimization， PSO）。 　　粒子群算法的思想是：将群体中的任一个个体，即每个可行解，视为D维搜索空间的一个有飞行方向和速度的粒子。所有的粒子都有一个被目标函数决定的适应值，且记忆了自身曾经获得的最好位置及当前位置，视为自身的飞行经验。同时每个粒子还知道整个群体所有粒子已获得的最优位置，视为群体的飞行经验。在迭代过程中，所有的粒子将不断地统计个体的飞行经验和整个群体的飞行经验，以此动态调整本身飞行的方向和速度。在此过程中，个体逐步迁移到较优的区域，使群体最终搜索到问题的最优解。 　　粒子群算法的应用领域众多，如模式识别与图像处理、工程应用、神经网络训练、模糊系统控制、化工系统处理、滤波器设计、仿人智能控制参数优化、数据聚类等。 　　2.3 人工鱼算法 　　2002年由我国的李晓磊等受鱼群运动行为的启发而提出了人工鱼群算法 （Artificial Fish-Swarm Algorithm， AFSA）。 　　人工鱼群算法的思想是：将人工鱼随机地分布于解空间中，解空间中包含着若干局部最优值和一个全局最优值。可将最优值视为食物的浓度，而全局最优值为最大的食物浓度，且人工鱼将移动聚集到食物浓度较大的区域，通过移动策略来控制人工鱼个体的四种行为（觅食、聚群、追尾和随机），用视野来限制个体的邻域，用步长来控制个体探索的进度，用拥挤度来控制群体的过度密集。寻优期间，每次迭代执行完，人工鱼都将对比自身状态和公告板状态，如自身具有优势，则更新公告板状态，确保公告板为最优状态。 　　人工鱼群算法已在参数估计、组合优化、前向神经网络优化、电力系统无功优化、输电网规划、边坡稳定、非线性方程求解等方面得到应用，且取得了较好的效果。 　　2.4 混合蛙跳算法 　　2003年Eusuff等人受青蛙觅食特征的启发而提出了混合蛙跳算法[4] （Shuffled Frog Leaping Algorithm， SFLA）。 　　混合蛙跳算法的思想是：将青蛙个体随机地分布于解空间中，每只青蛙表示解空间的一个解。在进化更新的过程中既有全局性的信息交流，还有内部的信息交流。根据青蛙个体的适应度值的优劣进行排序和分组，组内只有适应度最差的青蛙更新，元进化并混合各组，在各组一轮元进化后，将组中的青蛙重新排序、分组并记录全局最优解，之后再继续局部搜索的过程。青蛙更新的学习对象首先是组内最优，其次是群体最优，若两次都未能进步，则随机初始化。 　　混合蛙跳算法已经应用于多个领域，如水资源网络优化、数据聚类、桥面修复、风电场电力系统动态优化、装配线排序