4.4群智能进化计算-Read.PDFVIP

《智能信息处理》研究生教材 4.4 群智能进化计算 在生物界，蚂蚁、蜜蜂等社会昆虫和鸟群、鱼群等动物呈现出有趣的现象：单个的个体智能并不高，但依靠 群体的能力，却发挥出超出个体的智能。这种现象揭示了简单智能的主体通过合作可以表现出复杂智能行为的特 性。通过对这种集体行为的人工模拟，用于解决组合优化问题和其它一些实际应用问题的新方法相继产生。对这 些新方法的研究可将其称之为群智能（Swarm intelligence）的研究。1999年Bonabeau、Dorigo 等人给出群智能的定 义：群智能是指任何受到社会昆虫群体和其它动物群体的集体行为的启发而设计的算法和分布式问题解决装置。 很多实际问题可以转化为最优化问题来解决。按计算的复杂度来划分，这些问题可分为 P 问题和NP 问题。 目前对于NP 完全问题的解决尚没有很好的方法。启发于蚁群、鸟群和鱼群的蚁群优化（Ant Colony Optimization， ACO）、粒子群优化（Particle Swarm Optimization，PSO）和鱼群优化（Fish Swarm Optimization，FSO）等方法对这 类问题的解决提供了全新的途径，它们是计算智能领域中三种典型的群智能算法。因此，研究群智能具有十分重 要的理论和实践意义。本节主要介绍三种典型群智能算法，以及其改进形式。 4.4.1 粒子群优化算法 1、基本原理与算法 粒子群优化算法（PSO）最早是由 Eberhart 和 Kennedy 于 1995 年提出的，它的基本概念源于对人工生命和鸟 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 道食物在那里，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 算法就是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 算法中，每个优化问题的潜在解都可以想象成d 维搜索空间的一个点，我们称之为“粒子”。粒子 在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。所有的粒子都 有一个被目标函数决定的适应值，并且知道自己到目前为止发现的最好位置（记为p best ）和当前的位置。这个 可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道目前为止整个群体中所有粒子发现的最好位置（记 为gbest ），这个可以看作是粒子的同伴的经验。每个粒子使用下列信息改变自己的当前位置： ① 当前位置； ② 当前速度； ③ 当前位置与自己最好位置之间的距离； ④ 当前位置与群体最好位置之间的距离。 优化搜索正是由这样一群随机初始化形成的粒子而组成的一个种群中，以迭代的方式进行的。 算法描述如下： （1）随机初始化粒子群。 （2）计算每个粒子的适应值。 （3）对于每个粒子，如果其当前适应值优于过去的适应值，把当前值设为新的p best 。选出粒子群中最好 的p best 作为gbest 。 （4）根据下式更新粒子群的位置，即： v v =+c ⋅r ⋅( pbest −x ) +c ⋅r ⋅(gbest −x ) ( 4.4.1 ) i i−1 1 1 i−1 2 2 i−1 xi xi−1 +vi ( 4.4.2 ) 其中，速度调整规则如下： v V , if v V { i max i max ( 4.4.3 ) v −V , if v ≤V i max i max （5）若迭代满足精度要求或达到最大的迭代次数T ，停止迭代过程，输出结果。否则，转到步骤(2)。 max 对于离散空间的粒子群