计算智能主要算法概述 .pdfVIP

计算智能主要算法概述

摘要：本文主要介绍计算智能中的几种算法：模糊计算、遗传

算法、蚂蚁算法、微粒群优化算法（pso），详细描述了这几种算法

的发展历史、研究内容及在本研究方向最近几年的应用。

关键字：计算智能模糊计算遗传算法蚂蚁算法pso

计算智能是在神经网络、模糊系统、进化计算三大智能算法分支

发展相对成熟的基础上，通过各算法之间的有机融合而形成的新的

科学算法，是智能理论和技术发展的一个新阶段，广泛应用于工程

优化、模式识别、智能控制、网络智能自动化等领域[1]。本文主

要介绍模糊逻辑、遗传算法、蚂蚁算法、微粒群优化算法（pso）。

1、模糊计算

美国系统工程教授扎德于1965年发表的论文《fuzzysets》首

次提出模糊逻辑概念，并引入隶属度和隶属函数来刻画元素与模糊

集合之间的关系，标志着模糊数学的诞生。模糊计算将自然语言通

过模糊计算转变为计算机能理解的数学语言，然后用计算机分析、

解决问题。

在古典集合中，对于任意一个集合a，论域中的任何一个x，或

者属于a，或者不属于a；而在模糊集合中，论域上的元素可以”

部分地属于”集合a，并用隶属函数来表示元素属于集合的程度，

它的值越大，表明元素属于集合的程度越高，反之，则表明元素属

于集合的程度越低。与经典逻辑中变元”非真即假”不同，模糊逻

辑中变元的值可以是[0，1]区间上的任意实数。要实现模糊计算还

必须引入模糊语言及其算子，把含有模糊概念的语言称为模糊语

言，模糊语言算子有语气算子、模糊化算子和判定化算子三类，语

言算子用于对模糊集合进行修饰。模糊逻辑是用if-then规则进行

模糊逻辑推理，将输入的模糊集通过一定运算对应到特定输出模糊

集，模糊推理的结论是通过将实施与规则进行合成运算后得到的。

模糊逻辑能够很好地处理生活中的模糊概念，具有很强的推理能

力，在很多领域得以广泛应用研究，如工业控制、模式识别、故障

诊断等领域。但是大多数模糊系统都是利用已有的专家知识，缺乏

学习能力，无法自动提取模糊规则和生成隶属度函数，需要与神经

网络算法、遗传算法等学习能力强的算法融合来解决。目前，很多

学者正在研究模糊神经网络和神经模糊系统，这是对传统算法研究

和应用的创新。[2]

2、遗传算法

遗传算法由美国学者holland及其学生于1975年首次提出，以

达尔文的进化论和孟德尔的遗传学说为基本思想，通过编码将问题

的可能解转换为遗传算法可以解决的搜索空间。一般采用二进制编

码，若变量连续，采用实数编码精度较高且便于大空间搜索。遗传

算法的三个基本算子有选择算子、交叉和变异，用于模仿生物界中

的繁殖、杂交和变异。

遗传算法的基本思想为通过随机编码产生一个初始种群，每一个

编码即问题的可行解，通过适应度为评价标准来选择个体，适应度

高的个体保留下来复制下一代，适应度低的个体被淘汰。保留下来

的个体通过交叉、变异来提高个体质量，重组为新的一代。通过这

一过程，使得新一代的个体组合优于上一代。个体不断进化，当达

到设定的迭代次数或者给定条件时，算法结束，得到的最优编码即

为问题的最优解。[3]

遗传算法具有智能性、并行性、通用性等众多优点，使得其应用

范围也极广，如函数优化、机器人学、组合优化、图像处理、信号

处理、人工生命、生产调度等。遗传算法的广泛应用也促进了自身

的发展和完善，各种改进算法相继提出。近几年来，遗传算法的研

究已经从理论方面逐渐转向应用领域，图像处理和机器人学也在逐

渐成为研究的热点。随着数据挖掘技术的广泛应用，遗传算法在数

据挖掘领域的研究会成为新的热点。[4]

3、蚂蚁算法

蚂蚁算法又叫蚁群算法，受蚂蚁寻找食物的启发，由意大利学者

marcodorigo及其导师于1991年提出。蚂蚁从巢穴出发寻找食物，

在其经过的路径上释放一种信息素，信息素浓度会随着时间增加而

逐渐降低。其他蚂蚁识别到这种信息素，便会沿着这一路径寻找食

物并释放信息素。某一路径信息素浓度越大，选择这一路线的蚂蚁

越多，经过的蚂蚁越多，信息素浓度越大，呈现一种正反馈效应。

最终，蚂蚁会找到食物源和巢穴之间的最佳路线。

蚂蚁算法的典型应用是旅行商问题（tsp），二次分配问题（qap）、

车间任务调度问题（jsp）、大规模集成电路中的综合布线以及电信

网络中的路由等方面。蚂蚁算法因其很强的鲁棒性，把tps问题中

的经典模型稍加改动，就可用于其他问题。它的正反馈性和协同性