群智能优化算法综述.pdf

现代智能优化算法课程

群智能优化算法综述

学生姓名：

学号：

班级：

2014年6月22日

摘要

工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发

现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研

究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好

等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传

算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体

中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能

算法介绍、应用研究及其发展前景。

关键词：群智能；最优化；算法

目录

摘要0

1概述2

2定义及原理2

2.1定义2

2.2群集智能算法原理3

3主要群智能算法3

3.1蚁群算法3

3.2粒子群算法4

3.3其他算法5

4应用研究6

5发展前景6

6总结7

参文献8

1概述

优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存

在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。

因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究,一

些社会性动物(如蚁群、蜂群、鸟群)的自组织行为引起了科学家的广泛关注。这些社会性动物在漫

长的进化过程中形成了一个共同的特点:个体的行为都很简单,但当它们一起协同工作时,却能够

“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、

混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前,群智能理论研究领域主要有两

种算法:蚁群算法(AntColonyOptimization,ACO)和粒子群优化算法(ParticleSwarmOptimization,

PSO)。

2定义及原理

2.1定义

群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟

成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成

个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解

取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解

极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最

优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下：

求：

T

X(x,x,L,x),i1,2,L,n,

i12n

minf(X),

s.t.g(X)0,j1,2,Lm,

i

X。

Xif(X)g(X)0j

其中，为设计变量；为被优化的目标函数；为约束函数；为设计变量的

可行域。

2.2群集智能算法原理

自然界中一些生物的行为特征呈现群体的特征，可以用简单的几条规则将这种群体行为在计算

机中建模，Reynolds认为动物以群落形式生存觅食时一般遵循三个规则

1)分隔规则：尽量避免与临近伙伴过于拥挤；

2)对准规则：尽量与临近伙伴的平均方向一致，向目的运动；

3)聚规则：尽量朝临近伙伴的中心移动。

以上规则可归纳为个体信息和群体信息两类信息，前者对应于分隔规则，即个体根据自身当前

状态进行决策；后者对应于对准规则和聚规则，即个体根据群体信息进行决策。另外，由于