群智能优化算法综述

现代智能优化算法课程群智能优化算法综述

学生姓名：

学号：

班级：

2014年6月22日

摘要

工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。

关键词：群智能；最优化；算法

目录

摘要 (1)

1 概述 (3)

2 定义及原理 (3)

2.1 定义 (3)

2.2 群集智能算法原理 (4)

3 主要群智能算法 (4)

3.1 蚁群算法 (4)

3.2 粒子群算法 (5)

3.3 其他算法 (6)

4 应用研究 (7)

5 发展前景 (7)

6 总结 (8)

参考文献 (9)

1 概述

优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 和粒子群优化算法(ParticleSwarm Optimization, PSO)。

2 定义及原理

2.1 定义

群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下：

求：

,,2,1,0)(..),

(min ,

,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤==

。Ω∈X

其中，

i X 为设计变量；)(X f 为被优化的目标函数；0)(≤X g j 为约束函数；Ω为设计变量的

可行域。

2.2 群集智能算法原理

自然界中一些生物的行为特征呈现群体的特征，可以用简单的几条规则将这种群体行为在计算机中建模，Reynolds认为动物以群落形式生存觅食时一般遵循三个规则

1)分隔规则：尽量避免与临近伙伴过于拥挤；

2)对准规则：尽量与临近伙伴的平均方向一致，向目的运动；

3)内聚规则：尽量朝临近伙伴的中心移动。

以上规则可归纳为个体信息和群体信息两类信息，前者对应于分隔规则，即个体根据自身当前状态进行决策；后者对应于对准规则和内聚规则，即个体根据群体信息进行决策。另外，由于动物行为一般具有适应性、盲目性、自治性、突现性以及并行性等特征。因此自组织性、突现性成为群集智能优化算法的两大基本特征。群集智能优化算法通过Reynolds模型模拟了整个群体的运动，使得算法的迭代搜索过程成为一个不断地利用个体极值和群体极值来修正自身进行寻优搜索的过程，实现了个体与群体的信息交互与相互协作。个体极值具有一定的随机性，在一定的程度上保持了搜索方向的多样性，避免了过早地收敛而陷于局部最优；群体极值从整体上把握了寻优的方向，从而保证算法的收敛性。

3 主要群智能算法

3.1 蚁群算法

蚁群算法蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来寻找最优解决方案的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。

蚂蚁在路径上前进时会根据前边走过的蚂蚁所留下的分泌物选择其要走的路径。其选择一条路径的概率与该路径上分泌物的强度成正比。因此，由大量蚂蚁组成的群体的集体行为实际上构成一种学习信息的正反馈现象：某一条路径走过的蚂蚁越多，后面的蚂蚁选择该路径的可能性就越大。蚂蚁的个体间通过这种信息的交流寻求通向食物的最短路径。

蚁群算法就是根据这一特点，通过模仿蚂蚁的行为，从而实现寻优。这种算法有别于传统编程模式，其优势在于，避免了冗长的编程和筹划，程序本身是基于一定规则的随机运行来寻找最佳配置。也就是说，当程序最开始找到目标的时候，路径几乎不可能是最优的，甚至可能是包含了

无数错误的选择而极度冗长的。但是，程序可以通过蚂蚁寻找食物的时候的信息素原理，不断地去修正原来的路线，使整个路线越来越短，也就是说，程序执行的时间越长，所获得的路径就越可能接近最优路径。这看起来很类似与我们所见的由无数例子进行归纳概括形成最佳路径的过程。实际上好似是程序的一个自我学习的过程。

自蚁群算法提出以来，引起了国内外研究人员的极大兴趣，对该算法进行了广泛的研究，取得了丰富的成果。研究表明，蚁群算法是一种高效的启发式随机搜索算法，具有如下优点：1．正反馈性：由自然蚂蚁搜索食物原理可知，信息素的积累是一个正反馈的过程。

单个蚂蚁之间通过信息素进行交流，若某路径上的信息素浓度更高，将吸引更多的蚂蚁

沿着这条路径运动，这又使得其信息素浓度增加。

2．自组织性强：算法初期，单个的人工蚂蚁无序地寻找解，经过一段时间的搜索，

通过信息素的作用，蚂蚁自发地越来越趋向于寻找到接近最优解的一些解，是个从无序

到有序的过程。

3．鲁棒性强：该算法具有很好的适应性，且不局限于具体问题，只要稍加修改就

可以应用到其它领域。

4．并行性强：蚁群在问题的解空间中多点同时开始进行独立的搜索，具有本质并

行性。

5．结合性强：蚁群算法易于与其他优化算法相结合，吸取其他算法得优点，以改

善算法的性能。

但由于基本蚁群算法进化收敛速度慢，且易陷入局部最优或者出现停滞现象等缺陷，国内外学者开展了大量有意义的研究。研究成果主要涉及路径搜索策略、信息素更新策略和最优解保留策略等方面；研究行为主要是进行算法改进或验证。有些改进算法的性能相比基本蚁群算法而言有了较大水平的提高，如最大最小蚁群算法是目前求解TSP 问题的最好方法之一；有些已成为主流的蚁群算法。

3.2 粒子群算法

粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。

整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。

所以CAS系统中的主体具有4个基本特点（这些特点是粒子群算法发展变化的依据）：

首先，主体是主动的、活动的。

主体与环境及其他主体是相互影响、相互作用的，这种影响是系统发展变化的主要动力。环境的影响是宏观的，主体之间的影响是微观的，宏观与微观要有机结合。

最后，整个系统可能还要受一些随机因素的影响。

粒子群算法就是对一个CAS系统——鸟群社会系统的研究得出的。粒子群算法（Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景:一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢?最简单有效的就是搜寻目前离食物最近的鸟的周围区域。

PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值(Fitness Value )，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。Reynolds对鸟群飞行的研究发现。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群好像在一个中心的控制之下.即复杂的全局行为是由简单规则的相互作用引起的。

3.3 其他算法

●人工鱼群算法(Artificial Fish Swarm Algorithm，简称AFSA)是受鱼群行为的启发，由国内

李晓磊博士于2002 年提出的一种基于动物行为的群体智能优化算法，是行为主义人工智能的一个典型应用，这种算法源于鱼群的觅食行为。

●蛙跳算法（SFLA）是一种全新的后启发式群体进化算法，具有高效的计算性能和优良的全

局搜索能力。对混合蛙跳算法的基本原理进行了阐述，针对算法局部更新策略引起的更新

操作前后个体空间位置变化较大，降低收敛速度这一问题，提出了一种基于阈值选择策略

的改进蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略，减小了个体空间差异，从而改善了算法的性能。数值实验证明了该改进算法的有效性，并对改进算法的阈值参数

进行了率定。

4 应用研究

随着群智能算法研究的不断发展,研究者已尝试着将其应用于各种工程优化问题,并取得了意想不到的收获。多种研究表明,群智能算法在离散和连续求解空间中均表现出良好的搜索效果,更在组合优化问题中有突出表现。

蚁群算法最初用于解决旅行商问题。自从在著名的旅行商问题（TSP）和工件排序问题上取得成效以来,已经陆续渗透到其它领域中,如图着色问题、二次分配问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题、数据聚类问题、武器攻击目标分配和优化问题、区域性无线电频率自动分配问题等。

粒子群算法最早应用于训练人工神经网络,Kennedy 和Eberhart 成功地将算法应用于分类XOR 问题的神经网络训练。随后,微粒群算法被广泛地应用于函数优化、约束优化、模式分类、参数优化、组合优化、模糊系统控制、机器人路径规划、信号处理、模式识别、TSP、车间调度等工程领域。此外,算法在多目标优化、自动目标检测、生物信号识别、决策调度、系统辨识,以及游戏训练等方面也取得了一定的成果。

人工鱼群算法由于诞生时间不长,其性能、理论基础和应用范围还有待深入研究。目前已有学者将其应用于组合优化、神经网络训练、PID控制器参数整定、约束优化、电力系统负荷预测、参数估计、数字滤波器设计、多目标优化等问题,并且取得了良好的效果。

5 发展前景

以微粒群优化算法和蚁群优化算法为代表的群智能优化算法, 经过近十几年的发展, 已成为一

种新兴的演化计算技术, 并受到各学科领域越来越多研究者的关注。与传统的计算方法相比,群智能优化算法比较突出的优点是: 无集中控制、多代理机制、算法结构简单、隐含并行性、易理解和易实现, 这些优点有效地促进了其在应用优化技术中的发展。由于群智能理论依据来源于对生物群落社会性的模拟, 因此其相关数学分析还比较薄弱, 群智能算法的数学理论基础相对薄弱, 缺乏具备普

群智能优化算法综述

现代智能优化算法课程群智能优化算法综述 学生姓名： 学号： 班级： 2014年6月22日

摘要 工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词：群智能；最优化；算法

目录 摘要 (1) 1 概述 (3) 2 定义及原理 (3) 2.1 定义 (3) 2.2 群集智能算法原理 (4) 3 主要群智能算法 (4) 3.1 蚁群算法 (4) 3.2 粒子群算法 (5) 3.3 其他算法 (6) 4 应用研究 (7) 5 发展前景 (7) 6 总结 (8) 参考文献 (9)

1 概述 优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 和粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2.1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下： 求： ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中， i X 为设计变量；)(X f 为被优化的目标函数；0)(≤X g j 为约束函数；Ω为设计变量的 可行域。

群体协同智能优化算法改进及其应用研究

群体协同智能优化算法改进及其应用研究优化问题广泛地存在于实际工程问题和科学研究中。优化问题具有解空间规模大、维数高的特点,一些传统优化算法在求解大规模优化问题时,存在计算复杂度高、时间长等问题。群体智能算法因其参数少、模型简单、易于实现等优点,已成为求解优化问题新的研究方向。随着人工智能的高速发展,电子商务、移动互联网金融无时无刻不断产生数据。 数据挖掘技术越来越受到众多领域的广泛关注。聚类技术是数据挖掘领域的一个重要分支,在无监督条件下,用于挖掘数据潜在结构,已成为人工智能领域研究热点。密度峰值快速搜索聚类算法是聚类算法中极具竞争力的一种新型聚类算法,已得到各领域广泛认可,但其仍存在手动设置参数的缺陷。本文将布谷鸟搜索算法作为主要研究对象,对其进行研究与改进,并对密度峰值快速搜索聚类算法存在缺陷进行改进。 本文主要内容和创新点如下:(1)针对布谷鸟搜索算法在处理复杂函数时,算法收敛速度慢;在处理多维数据时,算法寻优精度低,算法稳定性较差的问题,提出动态自适应步长的双重策略的布谷鸟搜索算法。算法引入动态自适应步长机制和双重评价策略,动态步长中学习因子加速算法在解空间中搜索速度,在算法迭代前期,双重评价策略中的逐列排序策略在全局搜索中快速定位,并引入动态发现概率增加全局搜索能力。(2)针对密度峰值快速搜索聚类算法存在手动设置截断距离d_c,欧式距离无法准确反映数据间的相似性等缺陷,提出布谷鸟优化的密度峰值快速搜索聚类算法。算法通过布谷鸟搜索算法优化截断距离,并引入余弦相似度,将方向与实际距离相结合,更好区分两类中间区域数据点的归属度。 仿真实验结果表明,改进密度峰值快速搜索聚类算法具有较好聚类性能。(3)基于布谷鸟优化的密度峰值快速搜索聚类算法,对银行个人信贷数据进行聚类。仿真实验结果表明,本文提出的方法能够较为有效地分析和预测银行个人信贷违约情况,帮助银行信贷部门合理地做出决策。

智能优化算法综述

智能优化算法的统一框架 指导老师：叶晓东教授 姓名：李进阳 学号：2 班级：电磁场与微波技术5班 2011年6月20日

目录 1 概述 (3) 2群体智能优化算法.................................. 错误!未定义书签。 人工鱼群算法 (4) 蚁群算法 (5) 混合蛙跳算法 (9) 3神经网络算法 (10) 神经网络知识点概述 (10) 神经网络在计算机中的应用 (11) 4模拟退火算法 (15) 5遗传算法.......................................... 错误!未定义书签。 遗传算法知识简介 (17) 遗传算法现状 (18) 遗传算法定义 (19) 遗传算法特点和应用 (20) 遗传算法的一般算法 (21) 遗传算法的基本框架 (26) 6总结 (28) 7感谢 (29)

1概述 近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑。众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。像货朗担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。智能优化算法就是在这种背景下产生并经实践证明特别有效的算法。 2群体智能优化算法 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 (Agent) ,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。自 20世纪 90年代模拟蚂蚁行为的蚁群算法(ACO)提出以来,又产生了模拟鸟类行为的微粒群算法 ( PSO)、模拟鱼类生存习性的人工鱼群算法、模拟青蛙觅食的混合蛙跳算法 ( SFLA)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。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; ②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; ③系统用于通信的开销较少,易于扩充; ④自

混合群智能优化算法研究及应用

混合群智能优化算法研究及应用 优化问题广泛地存在于科学研究和工程实践中。群智能优化算法是优化算法中最新的一个分支,也是最热门的发展方向。群智能优化算法是通过模拟自然界中生物间相互合作、共享信息等群体行为而建立起来的随机搜索算法,相较于经典优化算法具有结构简单、易于实现等优点。不同的群智能优化算法是模拟不同生物行为形成的,所以它们各具特点和适用场景。然而,单一的群智能优化算法均有其局限性,如搜索精度不够高、收敛速度慢、性能受参数影响较大和容易陷入局部最优等。将不同群智能优化算法有机结合,设计混合群智能优化算法是一种提高算法性能的有效方法,具有重要的研究意义。本文的主要研究内容及创新点包括以下几个方面:(1)针对单目标数值优 化问题提出了一种基于跟随蜂搜索的自适应粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在经典粒子群算法粒子飞行轨迹分析的基础上提出了一种自适 应的粒子群算法(Adapitve Particle Swarm Optimization,APSO), 提高了算法在求解单峰问题时的性能。然后提出了一种针对自适应粒子群算法的稳定性分析方法,基于该方法对APSO进行了稳定性分析,给出了能够保证算法稳定的参数取值条件。接着通过引入人工蜂群算法中的跟随蜂搜索,提高了算法的开拓性,并将APSO的稳定性条件拓展到了 F-APSO中。仿真实验表明F-APSO在求解单目标数值优化问题时在解的质量和时间消耗上都具有良好表现。将F-APSO用于解决矿山生产排程优化问题,与原有生产方案相比优化后的方案在不同铁

智能优化算法

智能计算读书报告（二） 智能优化算法 姓名：XX 学号：XXXX 班级：XXXX 联系方式：XXXXXX

一、引言 智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适用于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭借专家的经验，理论上可以在一定时间内找到最优解或者近似最优解。所以，智能优化算法是一数学为基础的，用于求解各种工程问题优化解的应用科学，其应用非常广泛，在系统控制、人工智能、模式识别、生产调度、VLSI技术和计算机工程等各个方面都可以看到它的踪影。 最优化的核心是模型，最优化方法也是随着模型的变化不断发展起来的，最优化问题就是在约束条件的限制下，利用优化方法达到某个优化目标的最优。线性规划、非线性规划、动态规划等优化模型使最优化方法进入飞速发展的时代。 20世纪80年代以来，涌现出了大量的智能优化算法，这些新颖的智能优化算法被提出来解决一系列的复杂实际应用问题。这些智能优化算法主要包括：遗传算法，粒子群优化算法，和声搜索算法，差分进化算法，人工神经网络、模拟退火算法等等。这些算法独特的优点和机制，引起了国内外学者的广泛重视并掀起了该领域的研究热潮，并且在很多领域得到了成功地应用。 二、模拟退火算法（SA） 1. 退火和模拟退火 模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis 等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。 模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。 模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟

智能算法综述

摘要：随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，本文介绍了当前存在的一些智能计算方法，阐述了其工作原理和特点，同时对智能计算方法的发展进行了展望。关键词：人工神经网络遗传算法模拟退火算法群集智能蚁群算法粒子群算1什么是智能算法智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。 2人工神经网络算法“人工神经网络”(ARTIFICIALNEURALNETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，FRosenblatt、Widrow和J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 2.1人工神经网络的特点人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104个树突及相应的突触，一个人的大脑总计约形成1014～1015个突触。用神经网络的术语来说，即是人脑具有1014～1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。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。即使输入信息不完全、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的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 [!--empirenews.page--]正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。 2.2几种典型神经网络简介 2.2.1多层感知网络(误差逆传播神经网络) 在1986年以Rumelhart和McCelland为首的科学家出版的《ParallelDistributedProcessing》一书中，完整地提出了误差逆传播学习算法，并被广泛

群智能优化算法综述

现代智能优化算法课程群智能优化算法综述学生姓名: 学号: 班级: 2014年6月22日

摘要 工程技术与科学研究中的最优化求解问题十分普遍,在求解过程中,人们创造与发现了许多优秀实用的算法。群智能算法就是一种新兴的演化计算技术,已成为越来越多研究者的关注焦点,智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化就是智能优化的一个重要分支,它与人工生命,特别就是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为,利用群体中个体之间的信息交互与合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词:群智能;最优化;算法

目录 摘要 0 1 概述 (2) 2 定义及原理 (2) 2、1 定义 (2) 2、2 群集智能算法原理 (3) 3 主要群智能算法 (3) 3、1 蚁群算法 (3) 3、2 粒子群算法 (4) 3、3 其她算法 (5) 4 应用研究 (6) 5 发展前景 (6) 6 总结 (7) 参考文献 (8)

1 概述 优化就是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 与粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2、1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索与优化过程模拟成个体的进化或觅食过程,用搜索空间中的点模拟自然界中的个体;将求解问题的目标函数度量成个体对环境的适应能力;将个体的优胜劣汰过程或觅食过程类比为搜索与优化过程中用好的可行解取代较差可行解的迭代过程。从而,形成了一种以“生成+检验”特征的迭代搜索算法,就是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都就是建立问题的目标函数,求目标函数的最优解,因而实际工程优化问题均可转化为函数优化问题。其表达形式如下: 求: ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中,i X 为设计变量;)(X f 为被优化的目标函数;0)(≤X g j 为约束函数;Ω为设计变量的可行

群体智能优化算法-群体智能总结

第十六章群体智能优化算法总结 总结一下最近一段时间关于群体智能优化算法的文章，这方面的文章目前一共发表了13篇，涉及粒子群（鸟）、人工蜂群、蜘蛛猴、蚁群、布谷鸟、萤火虫群、萤火虫、蝙蝠、鱼群、蟑螂、猫群、细菌觅食和烟花算法，虽然这都是些五花八门的小东西，但也不是无规律可循，这里需要注意的是，群体智能一般是指具有生命的种群（鸟、鱼等），但也有像烟花这样的无生命个体，这里我们将所有这些个体统称为智能体，认为它们具有一定的能动性，可以在解空间中进行搜索。图1为各主要优化算法的提出时间和提出者，可以看出大多数算法诞生于2000~2010年这十年左右，随着计算机计算能力的提升，人们开始依赖于这种既能得到较优的结果又不会消耗太多计算时间的元启发式算法。 图1 群体智能优化算法发展历程 下面总结一下这些算法的共同点： 1、都有多个粒子，代表每种智能体； 2、每个个体通过一定的机制进行位置的变化或者移动，来对解的空间进行搜索； 3、个体之间具有一定的独立性，利用局部信息和全局信息进行交互；

4、群体在演变过程中都引入了随机数，以便进行充分地探索。 其实人群也算是一种特殊的群体，只不过他不像其他的群体那样，仅仅是觅食，人作为一种高级动物，除了吃饱肚子以外，还有其他很多精神方面的需求，比如幸福度、快乐度和舒适度等等各个方面，并且人类具有的最大优势是语言沟通和学习能力，因此，基于这样的特性也可以提出基于人群的优化算法，只不过可能需要结合更多的组织行为学和行为心理学等相关的知识，对人的群集行为进行理论解释，同时可以采用更多以机器学习或人工智能为基础的高级策略，并应用于多目标优化问题。不过好像在2006年就已经有类似的算法了，至于为什么没有普及开来，可能还是人的行为太复杂了吧。 对于群体智能优化方面的更新将暂时告一段落，接下来将更多的关注另一种元启发式算法-进化计算，这类算法主要是基于生物的进化理论，包括遗传算法、进化策略、进化规划等，都将在后续的内容中逐渐详细讲解。

一种新型的智能优化方法—人工鱼群算法

浙江大学 博士学位论文 一种新型的智能优化方法—人工鱼群算法 姓名：李晓磊 申请学位级别：博士 专业：控制科学与工程 指导教师：钱积新 2003.1.1

加，，Ｚ掌博士学位论文一ＩＩＩ－ 摘要 （优化命题的解决存在于许多领域，对于国民经济的发展也有着巨大的应用前景。随着优化对象在复杂化和规模化等方面的提高，基于严格机理模型的传统优化方法在实施方面变得越来越困难。厂吖 本文将基于行为的人工智能思想通过动物自治体的模式引入优化命题的解决中，构造了一种解决问题的架构一鱼群模式，并由此产生了一种高效的智能优化算法一人工鱼群算法。 文中给出了人工鱼群算法的原理和详细描述，并对算法的收敛性能和算法中各参数对收敛性的影响等因素进行了分析；针对组合优化问题，给出了人工鱼群算法在其中的距离、邻域和中心等概念，并给出了算法在组合优化问题中的描述；针对大规模系统的优化问题，给出了基于分解协调思想的人工鱼群算法；给出了人工鱼群算法中常用的一些改进方法；给出了人工鱼群算法在时变系统的在线辨识和鲁棒ＰＩＤ的参数整定中两个应用实例ｊ最后指出了鱼群模式和算法的发展方向。 ｆ在应用中发现，人工鱼群算法具有以下主要特点： ?算法只需要比较目标函数值，对目标函数的性质要求不高； ?算法对初值的要求不高，初值随机产生或设定为固定值均可以； ?算法对参数设定的要求不高，有较大的容许范围； ?算法具备并行处理的能力，寻优速度较快； ?算法具备全局寻优的能力； 鱼群模式和鱼群算法从具体的实施算法到总体的设计理念，都不同于传统的设计和解决方法，同时它又具有与传统方法相融合的基础，相信鱼群模式和鱼群算法有着良好的应用前景。∥ ／ 关键词人工智能，集群智能，动物自治体，人工鱼群算法，ｆ优∥ ，ｌ／。７

群智能优化算法_萤火虫算法

2012年第32 期 群智能算法是人们受自然界或生物界种群规律的启发，根据其原理，仿生模拟其规律而设计求解问题的算法。近几十年来，人们通过模拟自然生态系统机制以求解复杂优化问题的仿生智能算法相继被提出和研究。群智能算法有遗传算法、模拟退火算法、蚁群算法、粒子群算法等。 萤火虫算法是一种新颖的仿生群智能算法，是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来的。萤火虫算法目前有两种版本：a)由印度学者Krishnanand等人［1］提出，称为GSO(glowworm swarm optimization)；b)由剑桥学者Yang[2]提出，称为FA( firefly algorithm)。两种算法的仿生原理相同，但在具体实现方面有一定差异。 本文分析了萤火虫算法的仿生原理，并从数学角度对两种版本的算法实现优化过程进行定义。 1．GSO算法 1.1算法的数学描述与分析 在基本GSO中，把n个萤火虫个体随机分布在一个D维目标搜索空间中，每个萤火虫都携带了萤光素li。萤火虫个体都发出一定量的萤光相互影响周围的萤火虫个体，并且拥有各自的决策域r i d(0＜r i d ≤r s)。萤火虫个体的萤光素大小与自己所在位置的目标函数有关，荧光素越大，越亮的萤火虫表示它所在的位置越好，即有较好的目标值,反之则目标值较差。决策域半径的大小会受到邻域内个体的数量的影响，邻域内萤火虫密度越小，萤火虫的决策域半径会加大，以便找到更多的邻居；反之，则萤火虫的决策域半径会缩小。最后，大部分萤火虫会聚集在多个位置上。初始萤火虫时，每个萤火虫个体都携带了相同的萤光素浓度l0和感知半径r0。 定义1萤光素更新 l i(t)=(1-ρ)l i(t-1)+γJ(x i(t))（1） 其中，J(x i(t))为每只萤火虫i在t迭代的位置x i(t)对应的目标函数值；l i(t)为荧光素值转化为荧光素值；γ为荧光素更新率。 定义2概率选择选择移向邻域集N i(t)内个体j的概率p ij(t)： p ij(t)=l j(t)-l i(t) k∈N i (t) Σ(l k(t)-l i(t)) （2） 其中，邻域集N i（t）={j:d ij(t)

第1章群体智能算法概述

第1章 群体智能算法概述 1975年，美国Michigan大学的John Holland[1]教授发表了其开创性的著作《Adapatation in Natural and Artificail System》，在该著作中John Holland教授对智能系统及自然界中的自适应变化机制进行了详细阐述，并提出了计算机程序的自适应变化机制，该著作的发表被认为是群体智能（Swarm Intelligence）[2]算法的开山之作。随后，John Holland和他的学生对该算法机制进行了推广，并正式将该算法命名为遗传算法（Gentic Algorithm，GA）[3]~[5]。遗传算法的出现和成功，极大地鼓舞了广大研究工作者向大自然现象学习的热情。经过多年的发展，已经诞生了大量的群体智能算法，包括：遗传算法、蚁群优化（Ant Colony Optimization，ACO）[6]~[7]算法、差异演化（Differential Evolution，DE）[8]~[12]算法、粒子群优化（Particle Swarm Optimization，PSO）[13]~[16]算法等。 随着群体智能算法在诸如机器学习、过程控制、经济预测、工程预测等领域取得了前所未有的成功，它已经引起了包括数学、物理学、计算机科学、社会科学、经济学及工程应用等领域的科学家们的极大兴趣。目前关于群体智能计算的国际会议在全世界各地定期召开，各种关于信息技术或计算机技术的国际会议也都将智能进化技术作为主要研讨课题之一。甚至有专家指出，群体智能计算技术、混沌分析技术、分形几何、神经网络等将会成为研究非线性现象和复杂系统的主要工具，也将会成为人们研究认知过程的主要方法和工具。 1.1 群体智能算法的特点 1.1.1 智能性 群体智能算法通过向大自然界中的某些生命现象或自然现象学习，实现对于问题的求解，这一类算法中包含了自然界生命现象所具有的自组织、自学习和自适应性等特性。在运算过程中，通过获得的计算信息自行组织种群对解空间进行搜索。种群在搜索过程中依据事先设定的适应度函数值，采用适者生存、优胜劣汰的方式进化，所以算法具有一定的智能性。 由于群体智能算法具有的这种优点，应用群体智能算法求解问题时，不需要事

文化算法融合传统智能优化算法的研究综述

龙源期刊网 https://www.wendangku.net/doc/125052856.html, 文化算法融合传统智能优化算法的研究综述 作者：贾丽丽 来源：《计算机光盘软件与应用》2013年第09期 摘要：本文介绍了文化算法的基本原理，总结了文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等智能算法的融合技术及其应用，为进一步深入研究文化算法与其他智能算法融合，以及多个智能算法相结合的研究和应用提供了参考和借鉴。 关键词：文化算法；遗传算法；粒子群算法；差分进化；免疫克隆选择算法 中图分类号：TP301.6 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02 1 引言 Reynolds于1994年提出文化算法，该算法的双层进化机制为进化计算中的知识引导提供了通用框架，具有许多优良特性。文化算法不仅克服了其他进化算法的局限性，而且还克服了其他进化算法产生的退化现象，文化算法能根据具体情况设计种群空间、信仰空间、接受函数和影响函数，有很强的可扩充性，易于与其他方法结合，能够使其以一定的速度进化和适应环境，并互相弥补各传统算法的不足，提高算法的全局搜索能力、收敛速度、收敛性、计算精度等，适用范围广泛。 文化算法及其与传统智能算法相结合的研究刚刚兴起，本文在介绍文化算法基本原理的基础上，对国内近五年文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等相结合的研究进行了综述，为进一步深入研究文化算法与其他智能算法相融合以及多个智能算法相结合的应用提供了借鉴和参考。 2 文化算法基本原理 文化算法（CA）是由种群空间和信仰空间构成的双层进化机制，主要包括三部分：种群空间、信仰空间和通信协议。文化算法的基本框架如图： 种群空间是生物个体根据一定的行为准则进化而组成的。信仰空间是文化形成、存储、更新、传递的进化过程。两个相对独立的进化过程，但又由通信协议将二者联系在一起，相互影响和促进，通信协议主要包括接受函数和影响函数。 3 文化-遗传算法 遗传算法（GA）是一种基于自然选择和基因遗传学原理的随机并行搜索算法。遗传算法随着算法的进行其种群多样性逐渐消失，很容易于陷入早熟收敛，引入随机种群可以改善种群的多样性问题，但是又影响到算法的效率。目前，一些学者通过文化算法和遗传算法结合，将

群体智能方法在最优化问题的应用和未来

群体智能方法在最优化问题的应用和发展前景 姓名：曾燕亭学号：201110510133 班级：11计科1班 摘要：将遗传算法解决最优化问题，即将最优化问题转化为求解目标函数的最优解问题。关键词：遗传算法；最优化 1.定义 1.1定义及原理 顾名思义，群体智能即群其实质是将物理问题数字化，体产生的智能，与集体智慧类似。我们可以从两个方面来理解群体智能的含义。一方面，群体智能是自然界广泛存在的一种现象，指大量简单个体构成的群体按照简单的交互规则相互协作，完成了其中任何一个个体不可能单独完成的复杂任务。以蚁群为例，正如斯坦福大学生物学家D．Gordon的概括：蚂蚁很笨，但蚁群很聪明。另一方面，人们通过对这些群体行为的研究，逐步形成了群体智能理论，即研究大量个体的简单行动如何成为群体的高智能行为的理论。群体智能理论自20世纪80年代出现以来便吸引了众多研究者的关注，是人工智能及经济、社会、生物等交叉学科的热点和前沿领域，因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法和粒子群优化算法。 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下： 求：

人工智能最优潮流算法综述

人工智能最优潮流算法综述 摘要：最优潮流是一个典型的非线性优化问题，且由于约束的复杂性使得其计算复杂，难度较大。目前人们已经拥有了分别适用于不同场合的各种最优潮流算法，包括经典法和人工智能法。其中人工智能算法是近些年人们开始关注的，一种基于自然界和人类自身有效类比而从中获得启示的算法。这类算法较有效地解决了全局最优问题，能精确处理离散变量，但因其属于随机搜索的方法，计算速度慢难以适应在线计算。本文着力总结新近的人工智能算法，列举其中具有代表性的遗传算法、模拟退火算法、粒子群算法等以及其相应的改进算法，以供从事电力系统最优潮流计算的人员参考。 关键词：最优潮流；智能算法；遗传算法；粒子群算法；

0.引言 所谓最优潮流(Optimal Power Flow，OPF)，就是当系统的结构参数及负荷情况给定时，通过对某些控制变量的优化，所能找到的在满足所有指定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的潮流分布。为了对电力系统最优潮流的各种模型更好地进行求解，世界各国的学者从改善收敛性能和提高计算速度的角度，提出了求解最优潮流的各种计算方法，包括经典法和人工智能法。其中最优潮流的经典算法是基于线性规划、非线性规划以及解耦原则的计算解法，是研究最多的最优潮流算法。目前，已经运用于电力系统最优潮流的算法有简化梯度法、牛顿法、内点法等经典算法；而随着计算机的发展和人工智能研究水平的提高，现在也逐渐产生了一系列基于智能原理的如遗传算法、模拟退火算法和粒子群算法等人工智能算法，两类算法互补应用于最优潮流问题中。 1.概述 人工智能算法，亦称“软算法”，是人们受到自然界（包括人类自身）的规律启迪，根据探索其外在表象和内在原理，进行模拟从而对问题求解的算法。 电力系统最优潮流问题研究中，拥有基于运筹学传统优化方法的经典算法，主要有包括线性规划法和非线性规划法，如简化梯度法、牛顿法、内点法和解耦法等解算方法，这类算法的特点是以一阶或二阶梯度作为寻找最优解的主要信息。这些经典优化算法依赖于精确的数学模型，但精确的数学模型比较复杂，难以适应实时控制要求，而粗略的数学模型又存在较大误差。 而随着科学技术领域中多学科的交叉和渗透，优化算法领域逐渐出现了一系列人工智能优化算法，也称之为基于随即搜索的优化方法，其中以遗传算法、模拟退火算法和粒子群算法等为代表。由于基于随机搜索的优化方法具备全局寻优能力，对函数性态的依赖性小，可解决寻找全局最优解的问题和离散变量处理上的困难，近年来在最优潮流领域中迅猛发展并得到广泛研究。 2.最优潮流人工智能算法 2.1.遗传算法(GA) 遗传算法是效仿基于自然选择的生物进化、模仿生物进化过程的随机方法。算法采纳了自然进化模型，其基本操作主要有选择、交叉和变异三种。用遗传算法进行0PF计算首先对控制变量进行编码而形成进化的个体，随机产生若干个符合OPF约束条件的个体作为初始种群，计算每个个体的适应度函数值，按照某种选择策略从中选择出第一代父体进行交叉和变异操作，产生新的子代，验证每个子代是否符合OPF的约束条件，若符合则进入下一代，否则重新产生一个符合约束条件的个体来补充，如此重复进行计算直到符合终止条件。遗传算法OPF能够在全局收敛至最优解或近似最优解，但计算

群体智能优化算法-蟑螂算法

第十二章 蟑螂算法 12.1 介绍 蟑螂群优化算法(Cockroach Swarm Optimization ，CSO)是受蟑螂群体捕食行为的启发而提出的，该算法是通过模仿蟑螂个体寻找整体最优值的追逐行为而建立的。蟑螂是一种昆虫，通常出现在黑暗和潮湿的地方。它们表现出追逐、聚集和分散等觅食行为(Kwiecien & Pasieka, 2017)。 CSO 算法是通过模仿蟑螂的生物学行为来实现的：聚集、分散和残忍行为，下面分别对各个过程进行建模。 12.2 聚集行为（Chase-Swarming behavior ） ()()*rand*,*rand*,r r r r r r r g r r r y a y y y y a y y ρρρρ+-≠??=?+-=?? （1） 其中y r 为蟑螂的位置，a 代表步长，为固定值，rand 为(0,1)之间的任意值，ρr 和ρg 分别是个体最优和全局最优蟑螂的位置点，个体最优可以通过下式进行计算： {},visual r s s r s opt y y y ρ=-≤ （2） 其中visual 为常数，表示蟑螂的视野范围，r=1,2,3,...N ，s=1,2,3,...N 。全局最优位置可以通过下式确定： {}opt g r r y ρ= （3） 12.3 分散行为（Dispersing behavior ） 在一定的时间间隔内，每个个体被随机分散，以保持当前个体的多样性，模型如下： rand(1,),1,2,,r r y y E r N =+=? （4）

其中rand(1,E)为可以在一定范围内设置的E 维（问题空间维度）随机向量。 12.4 残忍行为（Ruthless behavior ） 在一定的时间间隔内，当前的最佳个体取代随机选择的个体，即弱肉强食。模型如下： l g y ρ= （5） l 为[1,N]之间的任意整数。 12.5 蟑螂算法 Step1：参数设置和种群初始化。设置参数a ，N ，E ，生成蟑螂种群y r （r=1,2,...N ）； Step2：使用式（2）和（3）搜索局部和全局最优位置ρr 和ρg ； Step3：根据式（1）执行聚集行为，更新全局最优ρg ； Step4：根据式（4）执行分散行为，如果新的位置由于原有的位置，则使用新的位置，否则保留原有位置，同时更新全局最优ρg ； Step5：根据式（5）执行残忍行为； Step6：重复Step2~5，直到满足终止条件。

我对智能优化算法的认识

我对智能优化算法的认识 20世纪70年代以来，随着仿生学、遗传学和人工智能科学的发列展，形成了一系列新的优化算法——智能优化算法。智能优化算法是通过模拟某一自然现象或过程而建立起来的，他们具有适于高度并行、自组织、自学习与自适应等特征，为解决复杂问题提供了一种新的途径。它们不需要构造精确的数学方法，不需要进行繁杂的搜索，同大连简单的信息传播和演变方法来得的问题的最优解。 传统的智能优化算法包括进化算法、粒子群算法、禁忌搜索、分散搜索、模拟退火、人工模拟系统、蚁群算法、遗传算法、人工神经网络技术等等。随着智能优化算法的发展出现了一些新的算法如：萤火虫算法，随着遇到事物的复杂性显现出混合智能优化算法的优势。这些算法在农业、电子科技行业、计算机应用中有很大的作用。 在查看资料后，我发现传统的智能优化算法应用较广泛些。在2009年发表的一篇论文中，讲到了遗传算法可以成功解决函数优化问题。其上提到，利用遗传算法，根据函数创造一系列个体，计算适应度函数，模拟“优胜劣汰”的自然法则，选择优良个体交叉、随机产生后代等步骤解决函数优化问题。其中还提出了用蚁群算法求解传统方法难以解决的非凸、非线性非连续的优化问题。 11年发表的《浅谈几种智能优化算法》中介绍了几种典型传统的智能优化算法，并对它们（遗传算法、蚁群算法和粒子群算法等）做了详尽的分析，让人们对这几种算法有更深刻的认识。近年来，这些算法在运筹学、管理科学中也有重要的应用。另外，从近几年

发表论文可以看出典型的智能优化算法在解决传统难题方面的优势，及其广泛的应用。如蚁群算法在静态组合优化中可用来解决TSP 问题、QAP、JSP、VRP等；在动态组合优化中用于解决路由问题、电子系统故障诊断、模糊系统和设计无限数字响应器等。 随着其应用的的广泛，出现了一些新的算法，如微粒子群算法，可应用于化学过程的动态分析，蛋白质序列的模拟及光纤通信。还有95年提出的蜂群算法，该算法可应用于解决作业车间调度问题。02年提出的人工鱼群算法，在组合优化、参数估计、PID控制器的参数整定及神经网络优化等方面都有重要意义。 通过查看资料学习，我了解了智能优化算法在交通、物流、人工神经网络优化、生产调度、电力系统优化及电子科技行业的重要作用及应用，对智能优化算法的意义有更深刻的认识；有机会的话我会继续了解其发展和应用。 参考文献： [1]高炜欣，穆向阳，汤楠，等.Hopfield 神经网络在机组组合问题中的应用[J].计算机应用，2009，4：1028- 1031. [2]张炯，刘天琪，苏鹏，等.基于遗传粒子群混合算法的机组组合优化[J].电力系统保护与控制，2009，9（29）：25- 29. [3]刘海江，张春伟，徐君杰，等．基于遗传算法的白车身焊接机器人焊点分配[J]．同济大学学报(自然科学版)，2010，38(5)：725－728． [4]海丽切木?阿布来提.浅谈几种智能优化算法[J].电脑知识与技术,2011,中图分类号：TP301 文献标识码：A 文章编号：1009-3044(2011)19-4628-03.