浅谈几种智能优化算法.doc

浅谈几种智能优化算法

摘要：该文首先介绍介绍了几种典型的群体智能算法，具体包括遗传算法、蚁群算法和粒子群算法，并对它们进行了详细的分析。

关键词：智能算法；蚁群算法；遗传算法；粒子群算法

中图分类号：TP301文献标识码：A文章编号：1009-3044(2011)19-4628-03

EmpiricalStudyonSeveralTypicalIntelligenceAlgorithms

Halqam?Ablat

(SubInstituteofMathematicsandInformationTechnology,XinjiangEducationInstitute,Urumqi830043,China)

Abstract:Inthisessay,theauthorintroduceseveraltypicalswarmintelligencealgorithmsincludesgeneticalgorithm,antcolonyoptimizationalgorithmandparticleswarmoptimizationalgorithm.

Keywords:intelligencealgorithm;geneticalgorithm;antcolonyalgorithm;particleswarmalgorithm

1概述

为了使系统达到最优的目标所提出的各种求解方法称为最优化方法。最优化在运筹学和管理科学中起着核心作用。最优化通常是极大或极小某个多变量的函数并满足一些等式或不等式约束。最优化技术对社会的影响日益增加，应用的种类和数量快速增加，丝毫没有减缓的趋势。近几年来，随着计算机的发展，一些过去无法解决的复杂优化问题已经能够通过计算机来求得近似解，所以，计算机求解优化问题的方法研究也就显得越来越重要了。

对于简单的函数优化问题，经典算法比较有效，且能获得函数的精确最优解。但是对于具有非线性、多极值等特点的复杂函数及组合优化问题而言，经典算法往往无能为力。基于系统动态演化的算法及基于此类算法而构成的混合型算法又可称为智能优化算法。

近年来，随着优化理论的发展，一些新的智能算法得到了迅速发展和广泛应用，成为解决传统优化问题的新方法，如遗传算法、蚁群算法、粒子群算法等。

2蚁群算法

蚁群算法是受到对真实蚁群行为的研究的启发而提出的。生物学研究表明一群互相协作的蚂蚁能够找到食物源和巢穴之间的最短路径，而单只蚂蚁却不能。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种间接的通信机制达到协同搜索食物最短路径的目的。蚂蚁觅食协作方式的本质是：1）

4PSO算法及其改进

4.1PSO简介

粒子群优化算法（PSO）是一种进化算法，经典粒子群算法的基本思想是模拟鸟类群体行为，并利用了生物学家的生物群体模型，因为鸟类的生活使用了简单的规则：1）飞离最近的个体；2）飞向目标；3）飞向群体的中心；来确定自己的飞行方向和飞行速度，并且成功的寻找到栖息地。

PSO算法就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。如果我们把一个优化问题看作是在空中觅食的鸟群，那么在空中飞行的一只觅食的“鸟”就是PSO算法中在解空间中进行搜索的一个“粒子”（Particle），也是优化问题的一个解。“食物”就是优化问题的最优解。粒子的概念是一个折衷的选择，它只有速度和加速度用于本身状态的调整，没有质量和体积。

PSO算法中每个粒子即解空间中的一个解，它根据自己的飞行经验和同伴的飞行经验来调整自己的飞行。每个粒子在飞行过程所经历过的最好位置，就是粒子本身找到的最优解。整个群体所经历过的的最好位置，就是整个群体目前找到的最优解。前者叫做个体极值(pbest)，后者叫做全局极值(gbest)。每个粒子都通过上述两个极值小断更新自己，从而产生新一代群体。实际操作中通过由优化问题所决定的适应度函数值(fitnessvalue)来评价粒子的“好坏”程度。显然，每个粒子的行为就是追随着当前的最优粒子在解空间中搜索。

在PSO算法中每个粒子可以看作是解空间中的一个点。如果粒子的群体规模为N，则第i（i=1,2,…,N）个粒子的位置可表示为Xi,并在搜索空间中以一定的速度飞行，第i个粒子的飞行速度可表示为Vi。该飞行速度是根据个体的飞行经验和群体的飞行经验来进行动态地调整。

假设矢量：

Xi=(xi1,xi2,…,xim)表