基于社会网络的社团内部个体成员信息的获取和积累算法研究.docVIP

于社会网络的社团内部个体成员信息的 获取和积累算法研究 【摘要】优化算法有多种多样，且都有一定得应用 背景。本文提出基于社会网络的智能优化算法。社会网络映 射出了全局感知、交叉和变异、种群划分等相融合的优化思 想。该算法的提出解决了以往优化算法只满足单一背景与实 际情况复杂多样的矛盾。更好的解决了关于优化的相关问 题。 【关键词】社会网络优化算法 【关键词】 社会网络优化算法 一、引言 优化是一个古老的问题，追求最优目标一直是人类的理 想，在人们长期的探讨和研究中，发展了许多确定有效的优 化方法，如牛顿法、共轭梯度法等。当今的许多科学研究和 工程实践领域，例如机械设计、航空航天、网络通信、作业 调度、图像处理、生命科学等都存在如何从多个方案中科学 合理地提取最佳方案的问题。随着社会的不断进步，优化问 题变得越来越复杂，传统的优化算法在计算速度、精确度等 方面都远不能满足要求。为了满足社会进步对优化算法的需 求，国内外研究者受自然规律和生物群体智能行为的启发， 开发了各种各样的优化算法。例如，模拟人脑神经元连接机 制的神经网络，模拟自然进化机制的进化计算（如遗传算法、 进化规划、进化策略等），模拟生物群体智能行为的群智能 优化算法（如蚁群算法、微粒群算法等），模拟物理原理的 优化算法（如模拟退火算法）。由于这些算法是受不同自然 规律和生物群体智能行为的启发而提出的，因此在对各种优 化问题的求解过程中，这些算法均表现出了各不相同的智能 行为和优化优势。 二、国内外研究现状 近年来，为了提高优化算法的全局寻优能力，国内外研 究者的一般做法是将不同优化算法的各自优点结合起来，形 成了多学科相互交叉、渗透的优化算法。优化算法的交叉研 究大体上可分为以下三类：（1）利用智能个体的全局感知来 增强全局的收敛性能：研究者主要是将万有引力、库仑力与 粒子群优化算法进行了结合，算法中个体的行为要受到其它 个体万有引力、库仑力等合力的影响，即个体能够全局感知。 算法的模型仍然沿用了粒子群数学模型的“位置+位移量” 框架，这些算法包括中心力算法、类电磁机制算法、万有引 力搜索算法、拟态物理算法［1］。这类算法模拟的是一个动 态的物理运动过程。在这类算法中，学者们仅仅表明了个体 具有全局感知的能力，但对个体以什么样的方式进行全局感 知却没有进行深入的研究。（2）利用交叉、变异来提高种群 的多样性：将万有引力与交叉、变异结合起来提出了最大引 力优化算法，算法中的万有引力只是一个测度，算法中的交 叉和变异是基于万有引力现象进行的，从而该算法与遗传算 法有着本质性的区别。对粒子群优化算法获得的最优解进行 了交叉和变异，与遗传算法盲目的交叉和变异相比，能够以 更大的概率逼近全局最优解。（3）将种群划分为相对独立的 种群子系统以提高算法的并行性、预防种群多样性的过快损 失：作者主要将生物学中的小生境概念应用于遗传算法、粒 子群算法和克隆算法中。另外，天体系统粒子群算法，该算 法参照天体系统模型，将种群划分为多个相对独立的天体系 统，每个系统按照自己的运行规则在不同的空间中运行。这 些算法既提高了算法的并行性，又易于保持种群的多样性， 避免早熟收敛现象的发生。 由以上对智能优化算法当前研究现状的分析发现，这些 算法或者利用智能个体的全局感知来增强全局的收敛性能， 或者利用交叉、变异来提高种群的多样性，或者将种群划分 为相对独立的种群子系统来提高算法的并行性、预防种群多 样性的过快损失。随着科技领域中优化问题的复杂化及其对 优化算法要求的不断增加，研究从某些自然规律和生物群智 能现象中得到启发以融合目前各类优化算法的优点，无疑具 三、“社会网络”简介 “社会网络”是由Auguste Comte提出的一个学科词 汇，是指社会个体成员之间因为互动而形成的相对稳定的关 系体系。社会网络具有较强的生命力，能够有效地改善算法 的性能。 社会网络的研究对象是人类自身行为和人类群体所表 现出的团体行为。美国社会学家Mark Granovetter提出了 关系强度的概念［2］，指出（1）强关系维系着团体内部的关 系，而弱关系在团体之间建立了纽带联系；（2）与强关系相 比，弱关系更能跨越其社会界限去获得信息和其他资源。美 国社会学家Ronald Burt则提出了结构洞理论，认为结构洞 的中间人具有更多的机会获取“信息利益”和“控制利 益”，从而比网络中其他位置上的成员更具有竞争优势［3］。 四、“社会网络”与优化算法之间的映射分析 与神经网络在解空间的梯度下降、粒子群在解空间的飞 翔、遗传基因在解空间的交叉与变异、人工免疫抗体在解空 间的复制、交叉和变异等优化本质［4］不同，基于社会网络 的智能优化算法是以信息以及个体成员在社会网络中获取、 累积、运用和传递信息为优化机理的，是信息