智能優(yōu)化算法概述

.本欄目責任編輯:李桂瑾.....人工智能及識別技術(shù)。智能優(yōu)化算法概述蔣騰旭(九江職業(yè)大學(xué)計算機系,江西九江332000)摘要:本文簡(jiǎn)要介紹了幾種常見(jiàn)的智能優(yōu)化算法,并給出了不同智能優(yōu)化算法的優(yōu)缺點(diǎn)及在優(yōu)化應用領(lǐng)域的使用情況,指出了不同智能優(yōu)化算法的發(fā)展趨勢。關(guān)鍵詞:人工智能;軟計算;智能優(yōu)化算法;優(yōu)化技術(shù)中圖分類(lèi)號:TP18文獻標識碼:A文章編號:1009 -3044(200)08 -20507-02A Summary of Inelligence Optimum AlgorithmJIANG Teng- xu .(Computer Department, Jiujiang Vocational university, jiujiang 332000,China)Abstract:Some kinds of familiar itelligence optimum algorithm is introduced briely in this paper. The author introduces advantages anddisadvantages of different intelligence optimum algorithm, as well as applications in some optimization fields. Meanwhile, the development trendof each intelligence optimum algorithm is pointed in the paper too.Key wordsartificial itelligence; soft computation; itelligence optimum algorithm; optimization techniques1引言3遺傳算法智能計算也稱(chēng)之為“軟計算”,是人們受自然界或生物界規律遺傳算法[2] (Genetie Algorithm,GA)是一 類(lèi) 借鑒生物界自然的啟發(fā),根據自然界或生物界的原理,模仿其規律而設計的求解選擇和自然遺傳機制的隨機化搜索算法,它是由美國Michigan大問(wèn)題的算法。自然界-直是人類(lèi)創(chuàng )造力的豐富源泉,人類(lèi)認識事學(xué)的J.Holland教授于1975年首先提出的。遺傳算法模擬生物進(jìn)物的能力來(lái)源于自然界的相互作用之中，自然界的許多自適應優(yōu)化的基本過(guò)程,用數碼串來(lái)類(lèi)比生物中的染色個(gè)體，通過(guò)選擇.交化現象不斷給人類(lèi)以啟示。近幾十年來(lái),.-些與經(jīng)典的數學(xué)規劃叉、變異等遺傳算子來(lái)仿真生物的基本進(jìn)化過(guò)程,利用適應度函原理截然不同的、試圖通過(guò)模擬自然生態(tài)系統機制以求解復雜優(yōu)數來(lái)表示染色體所蘊涵問(wèn)題解的質(zhì)量的優(yōu)劣，通過(guò)種群的不斷化問(wèn)題的仿生智能優(yōu)化算法相繼被提出和研究,這方面的內容很“更新?lián)Q代",從而提高每代種群的平均適應度,通過(guò)適應度函數多,如模擬退火算法、遺傳算法、人工神經(jīng)網(wǎng)絡(luò )技術(shù)、人工免疫算引導種群的進(jìn)化方向,并在此基礎上,使得最優(yōu)個(gè)體所代表的問(wèn)法和群智能算法等。這些算法大大豐富了現代優(yōu)化技術(shù),也為那題解逼近問(wèn)題的全局最優(yōu)解。GA求解問(wèn)題的基本思想是維持由些傳統優(yōu)化技術(shù)難以處理的組合優(yōu)化問(wèn)題提供了切實(shí)可行的解一群個(gè)體組成的種群p() (t代表遺傳代數),每一個(gè)體均代表問(wèn)題決方案。以下對幾種常用的智能優(yōu)化算法作簡(jiǎn)要的概述。的一個(gè)潛在解,每-個(gè)體都被評價(jià)優(yōu)劣并得到其適應值。個(gè)體通2模擬退火算法過(guò)遺傳算子產(chǎn)生新的個(gè)體,新產(chǎn)生的個(gè)體繼續被評價(jià)優(yōu)劣,從父模擬退火算法[](Simulated Annealing ,SA)是1983 年由代種群和子代種群中選擇比較優(yōu)秀的個(gè)體形成新的種群。在若干Kirkpatrick首次提出的一種組合優(yōu)化算法。該算法來(lái)源于固體退代以后.算法收斂到一個(gè)最優(yōu)個(gè)體,該個(gè)體很可能代表著(zhù)問(wèn)題的火原理,將固體加溫至充分高,再讓其徐徐冷卻,加溫時(shí),固體內最優(yōu)解或次優(yōu)解。部粒子隨溫度上升變?yōu)闊o(wú)序狀態(tài),內能增大。而徐徐冷卻時(shí)粒子GA是具有“生成+檢測"(generate- -and- test)的迭代過(guò)程的搜索漸趨有序,在每個(gè)溫度都達到平衡態(tài)，最后在常溫時(shí)達到基態(tài),內算法，遺傳操作算子使GA具有了與傳統的其他搜索算法如爬山能減為最小。SA算法借鑒熱力學(xué)中的能量方程,同時(shí)又引入了法、分支界定法、禁忌搜索算法等不同的工作機理,當遇到較大規Metroplis準則,粒子在溫度T時(shí)趨于平衡的概率為e-OE(KT),其模的問(wèn)題時(shí),GA有著(zhù)不可替代的優(yōu)異性:如GA并不是對問(wèn)題的中E為溫度T時(shí)的內能,AE為其改變量,k為Boltzmann常數。算待優(yōu)化參數本身進(jìn)行操作，而是通過(guò)由這些參數所編碼形成的染法的基本思想是從一給定解開(kāi)始,從鄰域中隨機產(chǎn)生另一個(gè)解,色體進(jìn)行交叉、變異和選擇等操作。GA操作的對象不限于一個(gè),而接受準則允許目標函數在有限范圍內變壞,以-定概率接受較差是對由大量對象形成的種群進(jìn)行操作，這種做法使得參與操作的的解。用固體退火模擬組合優(yōu)化問(wèn)題,將內能E模擬為目標函數信息量大,速度快,效果好,使得整個(gè)優(yōu)化過(guò)程容易跳出局部最優(yōu)。值f,溫度T演化成控制參數t,即得到解組合優(yōu)化問(wèn)題的模擬退GA不依賴(lài)于問(wèn)題領(lǐng)域的信息來(lái)指導搜索,GA實(shí)現簡(jiǎn)單，效果良火算法:由初始解i和控制參數初值t開(kāi)始,對當前解重復“產(chǎn)生好,通用性好,魯棒性強等。雖然CA具有上述優(yōu)點(diǎn)，但由于CA本新解-→計算目標函數差-→接受或舍棄”的迭代， 并逐步衰減t值,質(zhì)上是一種基于概率的啟發(fā)式隨機搜索方法,GA也有自身的缺算法終止時(shí)的當前解即為所得近似最優(yōu)解,SA已經(jīng)被證明是-陷:如GA是對種群進(jìn)行概率性操作,所以,在全局尋優(yōu)上效果良種依概率1收斂于全局最優(yōu)解的優(yōu)化方法。好，而在局部尋優(yōu)上存在不足;在算法進(jìn)行的前期搜索效果良好,SA的迭代搜索過(guò)程以Boltzmann分布概率接受目標函數的而在算法進(jìn)行的后期搜索速度緩慢;GA雖然實(shí)現簡(jiǎn)單，但實(shí)現的“劣化解”，所以SA具有脫離局部最優(yōu)陷阱的能力，而且具有高效果很大程度上取決于問(wèn)題的多種參數,如果這些參數設置不好,效魯棒、通用、靈活的優(yōu)點(diǎn)。但其參數難以控制，如初始溫度T的此時(shí)的GA類(lèi)似隨機搜索算法，甚至會(huì )出現“早熟收斂"現象。設置太大,算法要花費大量的時(shí)間,設置太小,則全局搜索性能可與傳統方法相比,遺傳算法具有隱式并行性和全局搜索性?xún)赡苁艿接绊?。還有退火速度問(wèn)題,也要做合理的設置。大主要特點(diǎn)，作為強有力且應用廣泛的隨機搜索和優(yōu)化方法,遺模擬退火算法的應用很廣泛，在求解最大截問(wèn)題(Max Cut傳算法可能是當今影響最廣泛的進(jìn)化計算方法之一。近十幾年P(guān)roblem) .0-1背包問(wèn)題(Zero One Knapsack Problem)、 圖著(zhù)色問(wèn)題來(lái)，遺傳算法主要在復雜優(yōu)化問(wèn)題求解和工業(yè)工程領(lǐng)域應用方(Graph Colouring Problem)、調度問(wèn)題(Scheduling Problem)等方面效面,取得了一些令十的應用包括:函數率較高。優(yōu)化、機器學(xué)習、當中國煤化工、簡(jiǎn)切程序設、YHCNMH G收稿日期:2007-02-23作者簡(jiǎn)介:蔣騰旭(1970-),男,江西九江人,講師,碩士,研究方向:軟件技術(shù)、數據挖掘、智能優(yōu)化算法。507●人工智能及識別技術(shù)......本欄目責任編輯:李桂瑾專(zhuān)家系統、作業(yè)調度與排序、可靠性設計、車(chē)輛路徑選擇與調度、性,通過(guò)計算抗體期望生存率來(lái)促進(jìn)較優(yōu)抗體的遺傳和變異,用成組技術(shù)、設備布置與分配等等。記憶細胞單元保存擇優(yōu)后的可行解來(lái)抑制相似可行解的繼續產(chǎn)4人工神經(jīng)網(wǎng)絡(luò )生并加速搜索到全局最優(yōu)解,同時(shí),當相似問(wèn)題再次出現時(shí),能較人工神經(jīng)網(wǎng)絡(luò )[3] (Artificial Neural Network, ANN)是在對人腦快產(chǎn)生適應該問(wèn)題的較優(yōu)解甚至最優(yōu)解。組織結構和運行機制的認識理解基礎之上模擬其結構和智能行與GA類(lèi)似,標準AIA也使用交叉和變異來(lái)對抗體解進(jìn)行進(jìn)為的一種工程系統。早在二十世紀四十年代初期，心理學(xué)家Mc-化操作,并且采用信息熵的形式來(lái)保證抗體的多樣性。其求解問(wèn)Culloch、數學(xué)家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò )的第-個(gè)數學(xué)模型,題基本步思想是首先進(jìn)行問(wèn)題識別并產(chǎn)生抗體群,初始抗體群通從此開(kāi)創(chuàng )了神經(jīng)科學(xué)理論的研究時(shí)代。常是在解空間用隨機的方法產(chǎn)生的。然后計算抗體適應值,生成ANN是生物神經(jīng)網(wǎng)絡(luò )的-種模擬和近似,它從結構、實(shí)現機免疫記憶細胞,將適應值較大的抗體作為記憶細胞加以保留。再理和功能上模擬生物神經(jīng)網(wǎng)絡(luò )。ANN是由大量與自然神經(jīng)細胞類(lèi)進(jìn)行抗體的選擇，計算當前抗體群中適應值相近的抗體濃度,濃似的人工神經(jīng)元互聯(lián)而成的網(wǎng)絡(luò ),這種由許多神經(jīng)元組成的信息度高的則減小該個(gè)體的選擇概率(抑制);反之,則增加該個(gè)體的處理網(wǎng)絡(luò )具有并行分布結構。每個(gè)神經(jīng)元具有單一輸出,并且能選擇概率(促進(jìn)),以此保持群體中個(gè)體的多樣性。然后進(jìn)行交叉夠與其它神經(jīng)元連接。網(wǎng)絡(luò )中存在多重輸出連接方法，每種連接.和變異操作,產(chǎn)生新抗體群。最后是抗體群更新,用記憶細胞中適方法對應一個(gè)連接權系數。我們可以把ANN看成是以處理單元應值高的個(gè)體代替抗體群中適應值低的個(gè)體，形成下一代抗體PE(processing elemen)為節點(diǎn).用加權有向弧(鏈)相互連接而成的群。在若干代以后,算法收斂到一個(gè)最優(yōu)個(gè)體。有向圖。ANN以加權值控制結點(diǎn)參與工作的程度,正權值相當于由于生物免疫系統的復雜性使得人工免疫系統的研究不像神經(jīng)元突觸受到刺激而興奮，負權值相當于受到抑制而使神經(jīng)元遺傳算法、人工神經(jīng)網(wǎng)絡(luò )等其他智能方法那樣得到足夠的發(fā)展,麻痹直到完全不工作。但AIA結合了先驗知識和生物免疫系統的自適應能力兩大特點(diǎn),ANN解決問(wèn)題的方式與傳統統計方法完全不同,它是模擬人因而魯棒性較強,具有較強的信息處理能力,并且在對問(wèn)題進(jìn)行腦的思維,把大量的神經(jīng)元連成-個(gè)復雜的網(wǎng)絡(luò ),利用已知樣本求解時(shí)不要求目標函數具有可導等高附加信息,在搜索過(guò)程中更對網(wǎng)絡(luò )進(jìn)行訓練,由于人工神經(jīng)網(wǎng)絡(luò )中神經(jīng)元個(gè)數眾多以及整個(gè)能收斂到全局最優(yōu)解，被人們認為是具有強大潛力的搜索算法,網(wǎng)絡(luò )存儲信息容量的巨大,使得它具有很強的不確定性信息處理目前AIA已經(jīng)用于函數優(yōu)化、異常和故障診斷機器學(xué)習、機器人能力。即使輸入信息不完全、不準確或模糊不清,只要輸入的模式行為仿真網(wǎng)絡(luò )入侵檢測等領(lǐng)域,表現出較卓越的性能和效率。接近于訓練樣本,系統就能給出正確的推理結論。ANN只有當神6群智能算法經(jīng)元對所有輸入信號的綜合處理結果超過(guò)某一門(mén)限值后才輸出.隨著(zhù)人類(lèi)對生物啟發(fā)式計算的研究, -些社會(huì )性動(dòng)物(如蟻一個(gè)信號，因此ANN是一種具有高度非線(xiàn)性的超大規模連續時(shí)群、蜂群、鳥(niǎo)群)的自組織行為引起了科學(xué)家的廣泛關(guān)注。這些社間動(dòng)力學(xué)系統,它突破了傳統的以線(xiàn)性處理為基礎的數字電子計會(huì )性動(dòng)物在漫長(cháng)的進(jìn)化過(guò)程中形成了-個(gè)共同的特點(diǎn):個(gè)體的行算機的局限,標志著(zhù)人們智能信息處理能力和模擬人腦智能行為為都很簡(jiǎn)單,但當它們一起協(xié)同工作時(shí),卻能夠“突現"出非常復能力的一大飛躍雜的行為特征。目前，群智能理論研究領(lǐng)域主要有兩種算法:蟻群ANN的特點(diǎn)和優(yōu)越性，主要表現在三個(gè)方面:一是具有自學(xué)算法(Ant Colony Optimization, ACO)和粒子群優(yōu)化算法(Particle :習功能。例如實(shí)現圖像識別時(shí)，只要先把許多不同的圖像樣本和Swarm Optimization, PSO)對應的應識別的結果輸入人工神經(jīng)網(wǎng)絡(luò ),網(wǎng)絡(luò )就會(huì )通過(guò)自學(xué)習功6.1蟻群算法能,慢慢學(xué)會(huì )識別類(lèi)似的圖像。二是具有聯(lián)想存儲功能。三是具有人工蟻群算法[6]是受到人們對自然界中真實(shí)的蟻群集體行高速尋找優(yōu)化解的能力。尋找一個(gè)復雜問(wèn)題的優(yōu)化解,往往需要為研究成果的啟發(fā)而提出的一種基于蟻群的模擬進(jìn)化算法,屬于很大的計算量,利用一個(gè)針對某問(wèn)題而設計的反饋型人工神經(jīng)網(wǎng)隨機搜索算法，由意大利學(xué)者M(jìn). Dorigo等人于 1991年首先提絡(luò ),發(fā)揮計算機的高速運算能力,可能很快找到優(yōu)化解。出。仿生學(xué)家經(jīng)過(guò)大量細致觀(guān)察研究發(fā)現,螞蟻個(gè)體之間是通過(guò)常見(jiàn)的幾種典型人工神經(jīng)網(wǎng)絡(luò )有多層感知網(wǎng)絡(luò )(誤差逆傳播一種稱(chēng)之為外激素(pheromone)的物質(zhì)進(jìn)行信息傳遞,從而能相互神經(jīng)網(wǎng)絡(luò ))、競爭型(KOHONEN)神經(jīng)網(wǎng)絡(luò ).Hopfield 神經(jīng)網(wǎng)絡(luò )等。其協(xié)作，完成復雜的任務(wù)。蟻群之所以表現出復雜有序的行為,個(gè)體中Hopfield神經(jīng)網(wǎng)絡(luò )應用得較廣，基本的Hopfield神經(jīng)網(wǎng)絡(luò )是-之間的信息交流與相互協(xié)作起著(zhù)重要的作用。螞蟻在運動(dòng)過(guò)程個(gè)由非線(xiàn)性元件構成的全連接型單層反饋系統,Hopfeld神經(jīng)網(wǎng)中,能夠在它所經(jīng)過(guò)的路徑上留下該種物質(zhì),而且螞蟻在運動(dòng)過(guò)絡(luò )的能量函數是朝著(zhù)梯度減小的方向變化,它的缺點(diǎn)是一旦能量程中能夠感知這種物質(zhì)的存在及其強度,并以此指導自己的運動(dòng)函數陷入到局部極小值,它將不能自動(dòng)跳出局部極小點(diǎn)而到達全方向,螞蟻傾向于朝著(zhù)該物質(zhì)強度高的方向移動(dòng)。因此由大量螞局最小點(diǎn)，因而無(wú)法求得網(wǎng)絡(luò )最優(yōu)解。蟻組成的蟻群的集體行為便表現出一種信息正反饋現象:某一路目前,隨著(zhù)各種神經(jīng)網(wǎng)絡(luò )理論模型和學(xué)習算法的提出,神經(jīng)徑上走過(guò)的螞蟻越多,則后來(lái)者選擇該路徑的概率就越大。螞蟻網(wǎng)絡(luò )理論已日趨成熟,其應用已滲透到了生物學(xué)、物理學(xué)、地質(zhì)學(xué)個(gè)體之間就是通過(guò)這種信息的交流達到搜索食物的目的。蟻群算等諸多領(lǐng)域，并在智能控制模式識別、非線(xiàn)性?xún)?yōu)化等方面取得了法正是模擬了這樣的優(yōu)化機制,即通過(guò)個(gè)體之間的信息交流與相令人鼓舞的進(jìn)展?；f(xié)作最終找到最優(yōu)解。5人工免疫算法以TSP問(wèn)題為例，設有n個(gè)城市,m只螞蟻,ii.=.,-,n.生物的信息處理系統可分為:腦神經(jīng)系統.遺傳系統和免疫表示城市i和j間的距離,ij()表示在t時(shí)刻城市i和j之間的信系統。人們在實(shí)踐過(guò)程中通過(guò)對生物三大信息系統的模擬研究得息量,則:在t時(shí)刻螞蟻k在i節點(diǎn)選擇j節點(diǎn)的轉移概率為:到了基于三大信息處理系統的三種智能算法,即基于模擬腦神經(jīng)罰onf ()系統的人工神經(jīng)網(wǎng)絡(luò ),基于模擬遺傳系統的遺傳算法以及基于模Je allowedp吟()=2北llowd.唱()g0(1)擬免疫系統的人工免疫算法[4] [5](Artificial Immune Algorithm,otheriseAIA)。AIA的研究始于20世紀90年代后期,AIA模仿生物免疫系統的自適應機制和排除機體的抗原性異物機制,從而使AIA具下一步允許選有學(xué)習,記憶和自適應調節能力,AIA將抗原和抗體分別對應于優(yōu)擇的城市,tabuk(中國煤化工前所走過(guò)的城市，化問(wèn)題的目標函數和可行解。把抗體和抗原的親和力視為可行解集合tabuk隨著(zhù)進(jìn)THCNMHG.(下轉第530頁(yè))與目標函數的匹配程度:用抗體之間的親和力保證可行解的多樣508●人工智能及識別技術(shù)......本欄目責任編輯:李桂瑾樂(lè )理知識算法改進(jìn)的多方面作大量工作。參考文獻:[1] Alpen A.Techniques for algorithmic composition of musicEB0Ttp://alum.hampshire.edu/-adaF92/algocomp/algocomp95.html.1995.圖2二+次進(jìn)化結果[2]馮寅周昌樂(lè ).算法作曲的研究進(jìn)展].軟件學(xué)報.2006,17(2):5結束語(yǔ)209-215.通過(guò)本文的介紹，可以看到遺傳算法能夠很好地應用于輔助[3] Wiggins G Papadopoulos,S Phon-Amnuaisuk,A Tuson.作曲方面,但是,目前國內外所研究的各種系統都有很多不足的Evolutionary. .Methods for Musical Composition[EB/0O:.ttp://ww.地方,由于作曲是一種融合作家曲理論水平和思想的工作,人為soicity ac.ukl/-geraintpapers/CASYS98a.pdf,1999.因素很重要,而遺傳算法的作曲卻只能先設定再進(jìn)行，這就勢必[4]張英俐,劉弘,馬金剛遺傳算法作曲系統研究[].信息技術(shù)造成樂(lè )曲的思想性和創(chuàng )新性存在不足，生成樂(lè )曲的質(zhì)量判斷也是與信息化.2005,5: 106-108.一個(gè)比較難以回避的問(wèn)題,要解決好這些問(wèn)題,就要在音樂(lè )識別、(上接第508頁(yè))提出的人工魚(yú)群算法,該算法通過(guò)模擬魚(yú)群的覓食和生存活動(dòng)來(lái)經(jīng)過(guò)n個(gè)時(shí)刻螞蟻完成一次循環(huán),每只螞蟻所走過(guò)的路徑實(shí)現在空間中尋求全局最優(yōu)解。整個(gè)算法沒(méi)有高層指揮者,也不就是一個(gè)解。此時(shí),要根據下面公式對各路徑上的信息量作更新:需要關(guān)于命題的先驗知識，每條人工魚(yú)按照自己的規則游動(dòng),算ri(+)=:.ij()+Qrij ρ∈ (0,1)法整體表現出快速向極值區域收斂的特性,隨機移動(dòng)行為的存在由上述可知,蟻群算法優(yōu)化過(guò)程的本質(zhì)在于:(1)選擇機制。使得尋優(yōu)活動(dòng)更加全面展開(kāi)，多個(gè)人工魚(yú)個(gè)體并行進(jìn)行搜索,具信息量越大的路徑,被選擇的概率越大。(2) 更新機制。路徑上面有較高的尋優(yōu)速率。的信息量會(huì )隨螞蟻的經(jīng)過(guò)而增長(cháng),同時(shí)也隨著(zhù)時(shí)間的推移逐漸減以微粒群優(yōu)化算法和蟻群優(yōu)化算法為代表的群智能優(yōu)化算小。(3) 協(xié)調機制。螞蟻之間實(shí)際上是通過(guò)信息量來(lái)互相通信、協(xié)法,經(jīng)過(guò)近十幾年的發(fā)展,已成為-種新興的演化計算技術(shù),并受同工作的,這樣的機制使得蟻群算法具有很強的發(fā)現較好解的能到各學(xué)科領(lǐng)域越來(lái)越多研究者的關(guān)注。與傳統的計算方法相比,力。但是,蟻群算法也有一些缺陷。例如,由于蟻群中多個(gè)個(gè)體的群智能優(yōu)化算法比較突出的優(yōu)點(diǎn)是:無(wú)集中控制、多代理機制、算運動(dòng)是隨機的,當群體規模較大時(shí),要找出-條較好的路徑需要法結構簡(jiǎn)單、隱含并行性、易理解和易實(shí)現,這些優(yōu)點(diǎn)有效地促進(jìn)較長(cháng)的搜索時(shí)間等。了其在應用優(yōu)化技術(shù)中的發(fā)展。意大利學(xué)者M(jìn).Dorigo等人充分利用蟻群搜索食物的過(guò)程與由于群智能理論依據來(lái)源于對生物群落社會(huì )性的模擬，因此旅行商問(wèn)題(ISP)之間的相似性,解決了TSP問(wèn)題,取得了很好的其相關(guān)數學(xué)分析還比較薄弱，群智能算法的數學(xué)理論基礎相對薄結果。隨后,蟻群算法被用來(lái)求解分配問(wèn)題、網(wǎng)絡(luò )路由問(wèn)題、指派弱,缺乏具備普遍意義的理論性分析。算法中涉及的各種參數設問(wèn)題,車(chē)間作業(yè)調度問(wèn)題，電力系統故障診斷等NP完全問(wèn)題,顯置一直沒(méi)有確切的理論依據，通常都是按照經(jīng)驗型方法確定,對示出蟻群算法在求解復雜優(yōu)化問(wèn)題方面的優(yōu)越性。具體問(wèn)題和應用環(huán)境的依賴(lài)性比較大,還缺乏用于性能評估的標6.2粒子群優(yōu)化算法算法準測試集。將來(lái)的研究工作,應加強群智能算法理論的分析,進(jìn)-粒子群優(yōu)化算法[7] (PSO)最早是由Kenney與Eberhart 于步明確與算法原理相關(guān)的重要定義,另外，還應擴展群智能與其1995年提出的。PSO是模擬鳥(niǎo)群的捕食行為,讓一群鳥(niǎo)在空間里它各種先進(jìn)技術(shù)的融合，以改善其自身或相應技術(shù)方法的性能。自由飛翔覓食,每個(gè)鳥(niǎo)都能記住它曾經(jīng)飛過(guò)最高的位置,然后就群智能理論的應用方法研究證明,雖然相對于各種比較成熟的計隨機的靠近那個(gè)位置,不同的鳥(niǎo)之間可以互相交流,它們都盡量算智能方法來(lái)說(shuō)，群智能的研究還處于初級階段,并存在種種有靠近整個(gè)鳥(niǎo)群中曾經(jīng)飛過(guò)的最高點(diǎn),這樣,經(jīng)過(guò)一段時(shí)間就可以待深入研究和解決的問(wèn)題,但是可以預言群智能的研究代表了以找到近似的最高點(diǎn)。PSO 后來(lái)經(jīng)過(guò)多次的改進(jìn),去除了原來(lái)算法后計算機研究發(fā)展的一個(gè)重要方向。中-些無(wú)關(guān)的或冗余的變量,又加入了-些隨機變化的量,使得7結束語(yǔ)鳥(niǎo)群的運動(dòng)更象是空間微粒的運動(dòng),所以稱(chēng)之為微粒群算法。PSC智能優(yōu)化算法是人工智能研究領(lǐng)域的一個(gè)重要分支,當前,求解問(wèn)題的基本思想是隨機產(chǎn)生一粒子群作為初始解，用粒子的智能計算正在蓬勃發(fā)展,研究智能計算的領(lǐng)域十分活躍。雖然智位置表示待優(yōu)化問(wèn)題的解,每個(gè)粒子性能的優(yōu)劣程度取決于待優(yōu)能算法研究水平暫時(shí)還很難使“智能機器'真正具備人類(lèi)的智能，化問(wèn)題目標函數確定的適應值,微粒盡量靠近最優(yōu)點(diǎn)并且有隨機但人工腦將不僅是模仿生物腦的功能，而且兩者具有相同的特的變化發(fā)生,使得微粒不會(huì )停留在最優(yōu)點(diǎn)不動(dòng),而是盡量靠近,同性,這兩者的結合將使人工智能的研究向著(zhù)更廣和更深的方向發(fā)時(shí)保持創(chuàng )新性。每個(gè)微粒記錄它自己的最優(yōu)位置(pbes), 還要記展 ,智能計算將探索智能的新概念、新理論.新方法和新技術(shù),而.錄所有微粒的最優(yōu)位置(gbest),然后通過(guò)比較當前位置和兩個(gè)這些研究將在以后的發(fā)展中取得重大的成就。最優(yōu)位置的差別來(lái)調整速度以確定下一步的位置。每個(gè)粒子由一個(gè)速度矢量決定其飛行方向和速率大小，通過(guò)改變速度的大小和[1]康立山，謝云等.非數值并行算法一-模擬退 火算法[M].方向使隨機的初始解“飛向”最優(yōu)解。北京:科學(xué)出版社, 1998.PSO算法與GA都屬于進(jìn)化算法,但PSO算法避免了二進(jìn)制編[2]李敏強,寇紀淞等.遺傳算法的基本理論與應用[M].北京:碼的麻煩,而且操作更加直觀(guān),PSO算法流程簡(jiǎn)單易實(shí)現,算法參數科學(xué)出版社,2002.3.[3]張立明.人工神經(jīng)網(wǎng)絡(luò )的模型及其應用[M].上海:復旦大簡(jiǎn)潔,無(wú)需復雜的調整。PSO的缺點(diǎn)是:初始化過(guò)程是隨機的,這雖學(xué)出版社, 1993.7.然可保證初始解群分布均勻.但個(gè)體的質(zhì)量不能保證。其次粒子利_[4]王 磊,潘進(jìn)焦李成.免疫算法[]電子學(xué)報,2000 ,28 (7):用自身、個(gè)體及全局信息來(lái)更新自己的速度和位置,這是一個(gè)正反.饋過(guò)程,當自身信息及個(gè)體信息占優(yōu)勢時(shí)算法易陷入局部最優(yōu)[5] TimmisJ，Neal M，Hunt J . Arificial immune systems for目前,許多學(xué)者針對基本PSO提出了多種改進(jìn)算法,這些改data analysis中國煤化工京科學(xué)出版社,[6]段海濱.進(jìn)的PSO已廣泛應用于函數優(yōu)化、系統識別、神經(jīng)網(wǎng)絡(luò )訓練信號2005.YHCNMHG.處理和機器人等實(shí)際應用領(lǐng)域,取得了豐富的成果。[7]謝曉峰,張文，是以工計開(kāi)么一心[].控制與決策,除了上述ACO及PSO以外,還有我國李曉磊博士于2002年2003,18(2):129-134.530