.本欄目責(zé)任編輯:李桂瑾.....人工智能及識(shí)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(jì)算機(jī)系,江西九江332000)摘要:本文簡(jiǎn)要介紹了幾種常見的智能優(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(yīng)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(shì)。關(guān)鍵詞:人工智能;軟計(jì)算;智能優(yōu)化算法;優(yōu)化技術(shù)中圖分類號(hào):TP18文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):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(jì)算也稱之為“軟計(jì)算”,是人們受自然界或生物界規(guī)律遺傳算法[2] (Genetie Algorithm,GA)是一 類 借鑒生物界自然的啟發(fā),根據(jù)自然界或生物界的原理,模仿其規(guī)律而設(shè)計(jì)的求解選擇和自然遺傳機(jī)制的隨機(jī)化搜索算法,它是由美國Michigan大問題的算法。自然界-直是人類創(chuàng)造力的豐富源泉,人類認(rèn)識(shí)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)物的能力來源于自然界的相互作用之中，自然界的許多自適應(yīng)優(yōu)化的基本過程,用數(shù)碼串來類比生物中的染色個(gè)體，通過選擇.交化現(xiàn)象不斷給人類以啟示。近幾十年來,.-些與經(jīng)典的數(shù)學(xué)規(guī)劃叉、變異等遺傳算子來仿真生物的基本進(jìn)化過程,利用適應(yīng)度函原理截然不同的、試圖通過模擬自然生態(tài)系統(tǒng)機(jī)制以求解復(fù)雜優(yōu)數(shù)來表示染色體所蘊(yùn)涵問題解的質(zhì)量的優(yōu)劣，通過種群的不斷化問題的仿生智能優(yōu)化算法相繼被提出和研究,這方面的內(nèi)容很“更新?lián)Q代",從而提高每代種群的平均適應(yīng)度,通過適應(yīng)度函數(shù)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(dǎo)種群的進(jìn)化方向,并在此基礎(chǔ)上,使得最優(yōu)個(gè)體所代表的問法和群智能算法等。這些算法大大豐富了現(xiàn)代優(yōu)化技術(shù),也為那題解逼近問題的全局最優(yōu)解。GA求解問題的基本思想是維持由些傳統(tǒng)優(yōu)化技術(shù)難以處理的組合優(yōu)化問題提供了切實(shí)可行的解一群個(gè)體組成的種群p() (t代表遺傳代數(shù)),每一個(gè)體均代表問題決方案。以下對(duì)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(píng)價(jià)優(yōu)劣并得到其適應(yīng)值。個(gè)體通2模擬退火算法過遺傳算子產(chǎn)生新的個(gè)體,新產(chǎn)生的個(gè)體繼續(xù)被評(píng)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)體很可能代表著問題的火原理,將固體加溫至充分高,再讓其徐徐冷卻,加溫時(shí),固體內(nèi)最優(yōu)解或次優(yōu)解。部粒子隨溫度上升變?yōu)闊o序狀態(tài),內(nèi)能增大。而徐徐冷卻時(shí)粒子GA是具有“生成+檢測(cè)"(generate- -and- test)的迭代過程的搜索漸趨有序,在每個(gè)溫度都達(dá)到平衡態(tài)，最后在常溫時(shí)達(dá)到基態(tài),內(nèi)算法，遺傳操作算子使GA具有了與傳統(tǒng)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(jī)理,當(dāng)遇到較大規(guī)Metroplis準(zhǔn)則,粒子在溫度T時(shí)趨于平衡的概率為e-OE(KT),其模的問題時(shí),GA有著不可替代的優(yōu)異性:如GA并不是對(duì)問題的中E為溫度T時(shí)的內(nèi)能,AE為其改變量,k為Boltzmann常數(shù)。算待優(yōu)化參數(shù)本身進(jìn)行操作，而是通過由這些參數(shù)所編碼形成的染法的基本思想是從一給定解開始,從鄰域中隨機(jī)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(duì)象不限于一個(gè),而接受準(zhǔn)則允許目標(biāo)函數(shù)在有限范圍內(nèi)變壞,以-定概率接受較差是對(duì)由大量對(duì)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)化問題,將內(nèi)能E模擬為目標(biāo)函數(shù)信息量大,速度快,效果好,使得整個(gè)優(yōu)化過程容易跳出局部最優(yōu)。值f,溫度T演化成控制參數(shù)t,即得到解組合優(yōu)化問題的模擬退GA不依賴于問題領(lǐng)域的信息來指導(dǎo)搜索,GA實(shí)現(xiàn)簡(jiǎn)單，效果良火算法:由初始解i和控制參數(shù)初值t開始,對(duì)當(dāng)前解重復(fù)“產(chǎn)生好,通用性好,魯棒性強(qiáng)等。雖然CA具有上述優(yōu)點(diǎn)，但由于CA本新解-→計(jì)算目標(biāo)函數(shù)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(jī)搜索方法,GA也有自身的缺算法終止時(shí)的當(dāng)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(duì)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的迭代搜索過程以Boltzmann分布概率接受目標(biāo)函數(shù)的而在算法進(jìn)行的后期搜索速度緩慢;GA雖然實(shí)現(xiàn)簡(jiǎn)單，但實(shí)現(xiàn)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題的多種參數(shù),如果這些參數(shù)設(shè)置不好,效魯棒、通用、靈活的優(yōu)點(diǎn)。但其參數(shù)難以控制，如初始溫度T的此時(shí)的GA類似隨機(jī)搜索算法，甚至?xí)霈F(xiàn)“早熟收斂"現(xiàn)象。設(shè)置太大,算法要花費(fèi)大量的時(shí)間,設(shè)置太小,則全局搜索性能可與傳統(tǒng)方法相比,遺傳算法具有隱式并行性和全局搜索性兩能受到影響。還有退火速度問題,也要做合理的設(shè)置。大主要特點(diǎn)，作為強(qiáng)有力且應(yīng)用廣泛的隨機(jī)搜索和優(yōu)化方法,遺模擬退火算法的應(yīng)用很廣泛，在求解最大截問題(Max Cut傳算法可能是當(dāng)今影響最廣泛的進(jìn)化計(jì)算方法之一。近十幾年P(guān)roblem) .0-1背包問題(Zero One Knapsack Problem)、 圖著色問題來，遺傳算法主要在復(fù)雜優(yōu)化問題求解和工業(yè)工程領(lǐng)域應(yīng)用方(Graph Colouring Problem)、調(diào)度問題(Scheduling Problem)等方面效面,取得了一些令十的應(yīng)用包括:函數(shù)率較高。優(yōu)化、機(jī)器學(xué)習(xí)、當(dāng)中國煤化工、簡(jiǎn)切程序設(shè)、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(shù)據(jù)挖掘、智能優(yōu)化算法。507●人工智能及識(shí)別技術(shù)......本欄目責(zé)任編輯:李桂瑾專家系統(tǒng)、作業(yè)調(diào)度與排序、可靠性設(shè)計(jì)、車輛路徑選擇與調(diào)度、性,通過計(jì)算抗體期望生存率來促進(jìn)較優(yōu)抗體的遺傳和變異,用成組技術(shù)、設(shè)備布置與分配等等。記憶細(xì)胞單元保存擇優(yōu)后的可行解來抑制相似可行解的繼續(xù)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(dāng)相似問題再次出現(xiàn)時(shí),能較人工神經(jīng)網(wǎng)絡(luò)[3] (Artificial Neural Network, ANN)是在對(duì)人腦快產(chǎn)生適應(yīng)該問題的較優(yōu)解甚至最優(yōu)解。組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行與GA類似,標(biāo)準(zhǔn)AIA也使用交叉和變異來對(duì)抗體解進(jìn)行進(jìn)為的一種工程系統(tǒng)。早在二十世紀(jì)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保證抗體的多樣性。其求解問Culloch、數(shù)學(xué)家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò)的第-個(gè)數(shù)學(xué)模型,題基本步思想是首先進(jìn)行問題識(shí)別并產(chǎn)生抗體群,初始抗體群通從此開創(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(jī)的方法產(chǎn)生的。然后計(jì)算抗體適應(yīng)值,生成ANN是生物神經(jīng)網(wǎng)絡(luò)的-種模擬和近似,它從結(jié)構(gòu)、實(shí)現(xiàn)機(jī)免疫記憶細(xì)胞,將適應(yīng)值較大的抗體作為記憶細(xì)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(xì)胞類進(jìn)行抗體的選擇，計(jì)算當(dāng)前抗體群中適應(yīng)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(jié)構(gòu)。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(xì)胞中適方法對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)。我們可以把ANN看成是以處理單元應(yīng)值高的個(gè)體代替抗體群中適應(yīng)值低的個(gè)體，形成下一代抗體PE(processing elemen)為節(jié)點(diǎn).用加權(quán)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(quán)值控制結(jié)點(diǎn)參與工作的程度,正權(quán)值相當(dāng)于由于生物免疫系統(tǒng)的復(fù)雜性使得人工免疫系統(tǒng)的研究不像神經(jīng)元突觸受到刺激而興奮，負(fù)權(quán)值相當(dāng)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(jié)合了先驗(yàn)知識(shí)和生物免疫系統(tǒng)的自適應(yīng)能力兩大特點(diǎn),ANN解決問題的方式與傳統(tǒng)統(tǒng)計(jì)方法完全不同,它是模擬人因而魯棒性較強(qiáng),具有較強(qiáng)的信息處理能力,并且在對(duì)問題進(jìn)行腦的思維,把大量的神經(jīng)元連成-個(gè)復(fù)雜的網(wǎng)絡(luò),利用已知樣本求解時(shí)不要求目標(biāo)函數(shù)具有可導(dǎo)等高附加信息,在搜索過程中更對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,由于人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元個(gè)數(shù)眾多以及整個(gè)能收斂到全局最優(yōu)解，被人們認(rèn)為是具有強(qiáng)大潛力的搜索算法,網(wǎng)絡(luò)存儲(chǔ)信息容量的巨大,使得它具有很強(qiáng)的不確定性信息處理目前AIA已經(jīng)用于函數(shù)優(yōu)化、異常和故障診斷機(jī)器學(xué)習(xí)、機(jī)器人能力。即使輸入信息不完全、不準(zhǔn)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(cè)等領(lǐng)域,表現(xiàn)出較卓越的性能和效率。接近于訓(xùn)練樣本,系統(tǒng)就能給出正確的推理結(jié)論。ANN只有當(dāng)神6群智能算法經(jīng)元對(duì)所有輸入信號(hào)的綜合處理結(jié)果超過某一門限值后才輸出.隨著人類對(duì)生物啟發(fā)式計(jì)算的研究, -些社會(huì)性動(dòng)物(如蟻一個(gè)信號(hào)，因此ANN是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)群、蜂群、鳥群)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(tǒng),它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計(jì)會(huì)性動(dòng)物在漫長(zhǎng)的進(jìn)化過程中形成了-個(gè)共同的特點(diǎn):個(gè)體的行算機(jī)的局限,標(biāo)志著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(dāng)它們一起協(xié)同工作時(shí),卻能夠“突現(xiàn)"出非常復(fù)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(xiàn)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(xí)功能。例如實(shí)現(xiàn)圖像識(shí)別時(shí)，只要先把許多不同的圖像樣本和Swarm Optimization, PSO)對(duì)應(yīng)的應(yīng)識(shí)別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)就會(huì)通過自學(xué)習(xí)功6.1蟻群算法能,慢慢學(xué)會(huì)識(shí)別類似的圖像。二是具有聯(lián)想存儲(chǔ)功能。三是具有人工蟻群算法[6]是受到人們對(duì)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(fù)雜問題的優(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(jì)算量,利用一個(gè)針對(duì)某問題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)隨機(jī)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(jì)算機(jī)的高速運(yùn)算能力,可能很快找到優(yōu)化解。出。仿生學(xué)家經(jīng)過大量細(xì)致觀察研究發(fā)現(xiàn),螞蟻個(gè)體之間是通過常見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?zhèn)鞑ヒ环N稱之為外激素(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(jìng)爭(zhēng)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(fù)雜的任務(wù)。蟻群之所以表現(xiàn)出復(fù)雜有序的行為,個(gè)體中Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)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)作起著重要的作用。螞蟻在運(yùn)動(dòng)過程個(gè)由非線性元件構(gòu)成的全連接型單層反饋系統(tǒng),Hopfeld神經(jīng)網(wǎng)中,能夠在它所經(jīng)過的路徑上留下該種物質(zhì),而且螞蟻在運(yùn)動(dòng)過絡(luò)的能量函數(shù)是朝著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(qiáng)度,并以此指導(dǎo)自己的運(yùn)動(dòng)函數(shù)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(dá)全方向,螞蟻傾向于朝著該物質(zhì)強(qiáng)度高的方向移動(dòng)。因此由大量螞局最小點(diǎn)，因而無法求得網(wǎng)絡(luò)最優(yōu)解。蟻組成的蟻群的集體行為便表現(xiàn)出一種信息正反饋現(xiàn)象:某一路目前,隨著各種神經(jīng)網(wǎng)絡(luò)理論模型和學(xué)習(xí)算法的提出,神經(jīng)徑上走過的螞蟻越多,則后來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(yīng)用已滲透到了生物學(xué)、物理學(xué)、地質(zhì)學(xué)個(gè)體之間就是通過這種信息的交流達(dá)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(shí)別、非線性優(yōu)化等方面取得了法正是模擬了這樣的優(yōu)化機(jī)制,即通過個(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問題為例，設(shè)有n個(gè)城市,m只螞蟻,ii.=.,-,n.生物的信息處理系統(tǒng)可分為:腦神經(jīng)系統(tǒng).遺傳系統(tǒng)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(tǒng)。人們?cè)趯?shí)踐過程中通過對(duì)生物三大信息系統(tǒng)的模擬研究得息量,則:在t時(shí)刻螞蟻k在i節(jié)點(diǎn)選擇j節(jié)點(diǎn)的轉(zhuǎn)移概率為:到了基于三大信息處理系統(tǒng)的三種智能算法,即基于模擬腦神經(jīng)罰onf ()系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò),基于模擬遺傳系統(tǒng)的遺傳算法以及基于模Je allowedp吟()=2北llowd.唱()g0(1)擬免疫系統(tǒng)的人工免疫算法[4] [5](Artificial Immune Algorithm,otheriseAIA)。AIA的研究始于20世紀(jì)90年代后期,AIA模仿生物免疫系統(tǒng)的自適應(yīng)機(jī)制和排除機(jī)體的抗原性異物機(jī)制,從而使AIA具下一步允許選有學(xué)習(xí),記憶和自適應(yīng)調(diào)節(jié)能力,AIA將抗原和抗體分別對(duì)應(yīng)于優(yōu)擇的城市,tabuk(中國煤化工前所走過的城市，化問題的目標(biāo)函數(shù)和可行解。把抗體和抗原的親和力視為可行解集合tabuk隨著進(jìn)THCNMHG.(下轉(zhuǎn)第530頁)與目標(biāo)函數(shù)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(shí)別技術(shù)......本欄目責(zé)任編輯:李桂瑾樂理知識(shí)算法改進(jìn)的多方面作大量工作。參考文獻(xiàn):[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(jié)果[2]馮寅周昌樂.算法作曲的研究進(jìn)展].軟件學(xué)報(bào).2006,17(2):5結(jié)束語209-215.通過本文的介紹，可以看到遺傳算法能夠很好地應(yīng)用于輔助[3] Wiggins G Papadopoulos,S Phon-Amnuaisuk,A Tuson.作曲方面,但是,目前國內(nèi)外所研究的各種系統(tǒng)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(shè)定再進(jìn)行，這就勢(shì)必[4]張英俐,劉弘,馬金剛遺傳算法作曲系統(tǒng)研究[].信息技術(shù)造成樂曲的思想性和創(chuàng)新性存在不足，生成樂曲的質(zhì)量判斷也是與信息化.2005,5: 106-108.一個(gè)比較難以回避的問題,要解決好這些問題,就要在音樂識(shí)別、(上接第508頁)提出的人工魚群算法,該算法通過模擬魚群的覓食和生存活動(dòng)來經(jīng)過n個(gè)時(shí)刻螞蟻完成一次循環(huán),每只螞蟻所走過的路徑實(shí)現(xiàn)在空間中尋求全局最優(yōu)解。整個(gè)算法沒有高層指揮者,也不就是一個(gè)解。此時(shí),要根據(jù)下面公式對(duì)各路徑上的信息量作更新:需要關(guān)于命題的先驗(yàn)知識(shí)，每條人工魚按照自己的規(guī)則游動(dòng),算ri(+)=:.ij()+Qrij ρ∈ (0,1)法整體表現(xiàn)出快速向極值區(qū)域收斂的特性,隨機(jī)移動(dòng)行為的存在由上述可知,蟻群算法優(yōu)化過程的本質(zhì)在于:(1)選擇機(jī)制。使得尋優(yōu)活動(dòng)更加全面展開，多個(gè)人工魚個(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(jī)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)過而增長(zhǎng),同時(shí)也隨著時(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(diào)機(jī)制。螞蟻之間實(shí)際上是通過信息量來互相通信、協(xié)法,經(jīng)過近十幾年的發(fā)展,已成為-種新興的演化計(jì)算技術(shù),并受同工作的,這樣的機(jī)制使得蟻群算法具有很強(qiáng)的發(fā)現(xiàn)較好解的能到各學(xué)科領(lǐng)域越來越多研究者的關(guān)注。與傳統(tǒng)的計(jì)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:無集中控制、多代理機(jī)制、算運(yùn)動(dòng)是隨機(jī)的,當(dāng)群體規(guī)模較大時(shí),要找出-條較好的路徑需要法結(jié)構(gòu)簡(jiǎn)單、隱含并行性、易理解和易實(shí)現(xiàn),這些優(yōu)點(diǎn)有效地促進(jìn)較長(zhǎng)的搜索時(shí)間等。了其在應(yīng)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程與由于群智能理論依據(jù)來源于對(duì)生物群落社會(huì)性的模擬，因此旅行商問題(ISP)之間的相似性,解決了TSP問題,取得了很好的其相關(guān)數(shù)學(xué)分析還比較薄弱，群智能算法的數(shù)學(xué)理論基礎(chǔ)相對(duì)薄結(jié)果。隨后,蟻群算法被用來求解分配問題、網(wǎng)絡(luò)路由問題、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(shù)設(shè)問題,車間作業(yè)調(diào)度問題，電力系統(tǒng)故障診斷等NP完全問題,顯置一直沒有確切的理論依據(jù)，通常都是按照經(jīng)驗(yàn)型方法確定,對(duì)示出蟻群算法在求解復(fù)雜優(yōu)化問題方面的優(yōu)越性。具體問題和應(yīng)用環(huán)境的依賴性比較大,還缺乏用于性能評(píng)估的標(biāo)6.2粒子群優(yōu)化算法算法準(zhǔn)測(cè)試集。將來的研究工作,應(yīng)加強(qiáng)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(yīng)擴(kuò)展群智能與其1995年提出的。PSO是模擬鳥群的捕食行為,讓一群鳥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(yīng)技術(shù)方法的性能。自由飛翔覓食,每個(gè)鳥都能記住它曾經(jīng)飛過最高的位置,然后就群智能理論的應(yīng)用方法研究證明,雖然相對(duì)于各種比較成熟的計(jì)隨機(jī)的靠近那個(gè)位置,不同的鳥之間可以互相交流,它們都盡量算智能方法來說，群智能的研究還處于初級(jí)階段,并存在種種有靠近整個(gè)鳥群中曾經(jīng)飛過的最高點(diǎn),這樣,經(jīng)過一段時(shí)間就可以待深入研究和解決的問題,但是可以預(yù)言群智能的研究代表了以找到近似的最高點(diǎn)。PSO 后來經(jīng)過多次的改進(jìn),去除了原來算法后計(jì)算機(jī)研究發(fā)展的一個(gè)重要方向。中-些無關(guān)的或冗余的變量,又加入了-些隨機(jī)變化的量,使得7結(jié)束語鳥群的運(yùn)動(dòng)更象是空間微粒的運(yùn)動(dòng),所以稱之為微粒群算法。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(dāng)前,求解問題的基本思想是隨機(jī)產(chǎn)生一粒子群作為初始解，用粒子的智能計(jì)算正在蓬勃發(fā)展,研究智能計(jì)算的領(lǐng)域十分活躍。雖然智位置表示待優(yōu)化問題的解,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(jī)器'真正具備人類的智能，化問題目標(biāo)函數(shù)確定的適應(yīng)值,微粒盡量靠近最優(yōu)點(diǎn)并且有隨機(jī)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(jié)合將使人工智能的研究向著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(jì)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),然后通過比較當(dāng)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)位置的差別來調(diào)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，通過改變速度的大小和[1]康立山，謝云等.非數(shù)值并行算法一-模擬退 火算法[M].方向使隨機(jī)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(qiáng),寇紀(jì)淞等.遺傳算法的基本理論與應(yīng)用[M].北京:碼的麻煩,而且操作更加直觀,PSO算法流程簡(jiǎn)單易實(shí)現(xiàn),算法參數(shù)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(yīng)用[M].上海:復(fù)旦大簡(jiǎn)潔,無需復(fù)雜的調(diào)整。PSO的缺點(diǎn)是:初始化過程是隨機(jī)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(bào),2000 ,28 (7):用自身、個(gè)體及全局信息來更新自己的速度和位置,這是一個(gè)正反.饋過程,當(dāng)自身信息及個(gè)體信息占優(yōu)勢(shì)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(duì)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(yīng)用于函數(shù)優(yōu)化、系統(tǒng)識(shí)別、神經(jīng)網(wǎng)絡(luò)訓(xùn)練信號(hào)2005.YHCNMHG.處理和機(jī)器人等實(shí)際應(yīng)用領(lǐng)域,取得了豐富的成果。[7]謝曉峰,張文，是以工計(jì)開么一心[].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