群体智能优化算法_王辉1
需积分: 0 19 浏览量
2022-08-04
14:22:46
上传
评论
收藏 233KB PDF 举报
过程控制
化工自动化及仪表, 2007, 34( 5): 7~ 13
Contro l and Instrum ents in Chem ical Industry
群体智能优化算法
王 辉, 钱 锋
(华东理工大学 化学工程联合国家重点实验室, 上海 200237 )
摘要: 讨论四种群体智能优化算法 ) )) 蚁群算法、微粒群算法、人工鱼群算法和 混合蛙跳算法, 对其算法的
原理、发展及应用进行了综述。提出了群体智能优化算法统一框架模式, 并对群体智能优化算法进一步发展进行
了讨论。
关键词: 群体智能; 蚁群算 法; 微粒群算法; 人工鱼群算法; 混合蛙跳算法
中图分类号: TP18 文献标识码: A 文章编号: 1000-3932( 2007) 05-0007-07
1 引 言
自然界中群体生活的昆虫、动物, 大都表现出惊
人的完成复杂行为的能力。人们从中得到启发, 参
考群体生活的昆虫、动物的社会行为, 提出了模拟生
物系统中群体生活习性的群体智能优化算法。在群
体智能优化算法中每一个个体都是具有经验和智慧
的智能体 (A gent), 个体之间存在互相作用机制, 通
过相互作用形成强大的群体智慧来解决复杂的问
题。
群体智能优化算法本质上是一种概率搜索, 它
不需要问题的梯度信息具有以下不同于传统优化算
法的特点: ¹ 群体中相互作用的个体是分布式的, 不
存在直接的中心控制, 不会因为个别个体出现故障
而影响群体对问题的求解, 具有较强的鲁棒性; º 每
个个体只能感知局部信息, 个体的能力或遵循规则
非常简单, 所以群体智能的实现简单、方便; » 系统
用于通信的开销较少, 易于扩充; ¼自组织性, 即群
体表现出来的复杂行为是通过简单个体的交互表现
出高度的智能。
自 20世纪 90 年代模拟蚂蚁行为的蚁群算法
( ACO )
[ 1]
提出以来, 又产生了模拟鸟类行为的微粒
群算法 ( PSO )
[2]
、模拟鱼类生存习性的人工鱼群算
法
[ 3]
、模拟青蛙觅食的混合蛙跳算法 ( SFLA )
[ 4]
等。
这些群体智能优化算法的出现, 使原来一些复杂的、
难于用常规的优化算法进行处理的问题可以得到解
决, 大大增强了人们解决和处理优化问题的能力, 这
些算法不断地用于解决工程实际中的问题, 使得人
们投入更大的精力对其理论和实际应用进行研究。
本文针对上述四种群体智能优化算法进行了综
述, 进而得出群体智能优化算法的统一框架模式, 并
对群体智能优化算法的发展进行展望。
¹
2 群体智能优化算法
群体智能优化算法的基本理论是模拟实际生物
群体生活中个体与个体之间的互相交流与合作, 用
简单、有限的个体行为与智能, 通过相互作用形成整
个群体难以估量的整体能力。在群体智能优化算法
中的各个生物体都经过人工处理, 个体不具有实际
生物的体积和质量, 其行为方式也是根据人们为了
解决问题的需要而进行必要的加工处理。
群体智能优化算法的理论研究主要是研究算法
特性, 改进其不足, 提高性能。这里包括两方面的研
究: 一是从群体智能优化算法的自身特性加以研究,
改进其性能; 二是将群体智能优化算法之间或与其
它算法进行结合, 通过算法之间的融合对算法加以
改进, 产生新的混合智能算法。
2. 1 蚁群算法
蚂蚁是一类社会性很强的生物, 它们群体生活、
共同觅食。在觅食过程中每只蚂蚁单独行动, 蚂蚁
之间通过信息素的释放来对觅食的轨迹进行 / 记
忆 0, 一旦某一条轨迹发现了食物, 那么其它蚂蚁就
会向这条道路进行聚集, 这条道路上的信息素的量
就会增多。如果在觅食的过程中, 蚂蚁发现不同路
径的距离有远、近的区别, 则蚂蚁就会选择最近的路
径进行觅食, 并把这一情况通过路径上信息素量的
大小通知给其它蚂蚁。受到蚂蚁觅食现象的启发,
Colorn i、D origo
[ 1]
等于 1991 年首次提出了蚁群算法,
并用这一算法解决了一系列组合优化问题。
¹ 收稿日期: 2007-08-16 ( 修改稿 )
基金项目: 国家杰出青 年科学 基金资 助项目 ( 60625302) ; 国
家 / 9730 计划 项目 ( 2002CB3122000 ) ; 国 家 / 8630 计划 项目
( 20060104Z1081 ) ; 上 海 市 科 委 重 大 基 础 研 究 资 助 项 目
( 05D J14002); 上海市自然科学基金资助项目 ( 05ZR 14038 )
评论0