计算智能算法的研究现状
1
引言
计算智能是什么?它是建立在神经计算、 模糊计算、 进化计算三大智能算法分支发展相 对成熟
的基础上, 通过不同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 发展的崭新阶
段。 高效的优化性能、 无需问题特殊信息等优点使得智能优化算法广泛应用于 工程优化、模式识
别、智能控制、网络智能自动化等领域。
随着计算机的飞速发展,一系列新的计算方法,如神经网络、模拟退火、遗传算法、演 化算法和
禁忌搜索算法等应运而生。 它们能较好的解决大规模复杂系统中出现的组合爆炸问 题,不仅具有通
用、稳健、简单、便于并行处理等优点,而且有望成为将数值计算与语义表 达、形象思维等高级智能
行为联系的桥梁。因而,它们被认为是对 21 世纪的计算技术有重 大影响的关键技术。
2
几种算法的特点
各种智能计算方法有一些共同的特点:( 1)它们大都引人了随机因素 , 因此具有不确定性。不少
计算过程实际上是在计算机上作随机过程的模拟。( 2)它们大都具有自适应机制的动力体系或随机 动力体系,有时在
计算过程中体系结构还在不断调整。( 3)这些算法都是针对通用的一般目标而设 计的 , 它们不同于针对特殊问题而设
计的算法。(
但是到了高维复杂情形具有很强的竞争力。
各种智能计算方法大都是 20 世纪 60 年代末开始流行起来的,如人工神经网络、遗传算法、模拟退火算 法和禁
忌搜索算法等。开始时是人们
从自
然过程和生物的生
存
竞争与
遗传
变异等过
程
的
模仿
和简化而来 的。
各种智
4)其中不少算法在低维或简单的情况下显得很笨 ,
能计算方法
强调
数值计算;
又
往往不是
通
过公理
和
公式来描述
而
是
以
数据及其分布来描述 对象。
,
模拟退火算法(SA)包括三函数两准则
,
即状态产生函数、状态接受函数、温度更新函数、内循环终 止准则和外
循环终止准则
,
这些环节的设计将决定 SA 算法的优化性能。此外
,
初温的选择对 SA 算法性能也 有很大的影响。特
点如下:
(
I)理论上,SA 算法的参数只有满足算法的收敛条件
,
才能保证实现的算法以概
率 I 收敛到全局最优解。然而
,
由 SA 算法的收敛条件理论知
,
某些收敛条件无法严格实现
,
如时齐马氏链的 内循环
终止准则
,
即使某些收敛条件可以实现
,
如非时齐马氏链的更新函数
,
但也常常会因为实际应用的效 果不理想
而不被采用。因此
,
至今 SA 算法的参数选择依然是一个难题
,
通常只能依据一定的启发式准则或大 量的实验加以选
取。 (2)SA 算法的状态产生和接受操作每一时刻仅保留一个解
,
缺乏冗余和历史搜索信息
,
并行性较差。
禁忌搜索算法的主要特点如下 :( I) 在搜索过程中可以接受劣解
,
因此具有较强的 “爬山”能力; (2)
新解不是在当前解的邻域中随机产生
,
而或是优于“ bset so for ”的解
,
或是非禁忌的最佳解
,
因此选取 优良解
的概率远远大于其他解 ;(3 ) 由于 T S 算法具有灵活的记忆功能和藐视准则
,
并且在搜索过程中可 以接受劣解
,
所以具有较强的 “ 爬山” 能力
,
搜索时能够跳出局部最优解
,
转向解空间的其他区域
,
从而 增强获得更好的
全局最优解的概率
,
所以 T S 算法是一种局部搜索能力很强的全局迭代寻优算法。
遗传算法的特点如下 :(I) 遗传算法是以决策变量的编码作为运算对象。在优化过程中借鉴生物学中染 色体和基
因等概念
,
模拟自然界中生物的遗传和进化等机理
,
应用遗传操作
,
求解无数值概念或很难有数 值概念的优化
问题 ;(2) 遗传算法直接以目标函数作为搜索信息。 它仅使用由目标函数变换来的适应度函数 值就可确定进一步搜索
的方向和范围
,
而不需要目标函数的导数值等信息 ;(3) 遗传算法同时在多点进行信 息搜索
,
具有天生的并行性
,
由多个个体组成一个初始群体开始搜索
,
对群体进行选择、交叉、变异等运算
,
产生出新一代的群体
,
继续搜
索 ;(4) 遗传算法使用概率搜索技术 .它属于一种自适应概率搜索技术
,
其选 择、交叉、 变异等运算都是以一定的
概率进行的
,
增加了其搜索过程的灵活性。实践和理论证明了在一定条 件下传算法总是以概率 1 收敛于问题的最优
解。
神经网络特
点:由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大 , 使得它具有 很强的
不确定性信息处理能力。即使输人信息不完全、不准确或模糊不清 , 神经网络仍然能够联想思维存 在于记忆中的事物
评论0
最新资源