遺傳算法與智能算法綜述

1、- PAGE 18 -智能算法綜述摘要：隨著計算機技術的飛速發(fā)展，智能計算方法的應用領域也越來越廣泛，本文介紹了當前存在的一些智能計算方法，闡述了其工作原理和特點，同時對智能計算方法的發(fā)展進行了展望。 關鍵詞：人工神神經(jīng)網(wǎng)絡 遺遺傳算法 模模擬退火算法法 群集智能能 蟻群算法法 粒子群算算 1 什么是智智能算法 智能計算也有人人稱之為“軟計算”，是們受自自然（生物界界）規(guī)律的啟啟迪，根據(jù)其其原理，模仿仿求解問題的的算法。從自自然界得到啟啟迪，模仿其其結(jié)構(gòu)進行發(fā)發(fā)明創(chuàng)造，這這就是仿生學學。這是我們們向自然界學學習的一個方方面。另一方方面，我們還還可以利用仿仿生原理進行行設計(包括括設計算法)，這

2、就是智智能計算的思思想。這方面面的內(nèi)容很多多，如人工神神經(jīng)網(wǎng)絡技術術、遺傳算法法、模擬退火火算法、模擬擬退火技術和和群集智能技技術等。 2 人工神經(jīng)網(wǎng)網(wǎng)絡算法 “人工神經(jīng)網(wǎng)絡絡”(ARTIIFICIAAL NEUURAL NNETWORRK，簡稱AANN)是在在對人腦組織織結(jié)構(gòu)和運行行機制的認識識理解基礎之之上模擬其結(jié)結(jié)構(gòu)和智能行行為的一種工工程系統(tǒng)。早早在本世紀440年代初期期，心理學家家McCullloch、數(shù)數(shù)學家Pittts就提出出了人工神經(jīng)經(jīng)網(wǎng)絡的第一一個數(shù)學模型型，從此開創(chuàng)創(chuàng)了神經(jīng)科學學理論的研究究時代。其后后，F(xiàn) Roosenbllatt、WWidroww和J. JJ .Hopp

3、fieldd等學者又先先后提出了感感知模型，使使得人工神經(jīng)經(jīng)網(wǎng)絡技術得得以蓬勃發(fā)展展。 神經(jīng)系統(tǒng)的基本本構(gòu)造是神經(jīng)經(jīng)元(神經(jīng)細細胞)，它是是處理人體內(nèi)內(nèi)各部分之間間相互信息傳傳遞的基本單單元。據(jù)神經(jīng)經(jīng)生物學家研研究的結(jié)果表表明，人的一一個大腦一般般有1010010111個神經(jīng)元。每每個神經(jīng)元都都由一個細胞胞體，一個連連接其他神經(jīng)經(jīng)元的軸突和和一些向外伸伸出的其它較較短分支樹突組成。軸軸突的功能是是將本神經(jīng)元元的輸出信號號(興奮)傳傳遞給別的神神經(jīng)元。其末末端的許多神神經(jīng)末梢使得得興奮可以同同時傳送給多多個神經(jīng)元。樹樹突的功能是是接受來自其其它神經(jīng)元的的興奮。神經(jīng)經(jīng)元細胞體將將接受到的所所有信號

4、進行行簡單處理(如：加權(quán)求求和，即對所所有的輸入信信號都加以考考慮且對每個個信號的重視視程度體現(xiàn)在權(quán)權(quán)值上有所不同同)后由軸突突輸出。神經(jīng)經(jīng)元的樹突與與另外的神經(jīng)經(jīng)元的神經(jīng)末末梢相連的部部分稱為突觸觸。 2.1 人工神神經(jīng)網(wǎng)絡的特特點 人工神經(jīng)網(wǎng)絡是是由大量的神神經(jīng)元廣泛互互連而成的系系統(tǒng)，它的這這一結(jié)構(gòu)特點點決定著人工工神經(jīng)網(wǎng)絡具具有高速信息息處理的能力力。人腦的每每個神經(jīng)元大大約有1033104個個樹突及相應應的突觸，一一個人的大腦腦總計約形成成10141015個個突觸。用神神經(jīng)網(wǎng)絡的術術語來說，即即是人腦具有有10141015個個互相連接的的存儲潛力。雖雖然每個神經(jīng)經(jīng)元的運算功功能十分簡

5、單單，且信號傳傳輸速率也較較低(大約1100次/秒秒)，但由于于各神經(jīng)元之之間的極度并并行互連功能能，最終使得得一個普通人人的大腦在約約1秒內(nèi)就能能完成現(xiàn)行計計算機至少需需要數(shù)10億億次處理步驟驟才能完成的的任務。 人工神經(jīng)網(wǎng)絡的的知識存儲容容量很大。在在神經(jīng)網(wǎng)絡中中，知識與信信息的存儲表表現(xiàn)為神經(jīng)元元之間分布式式的物理聯(lián)系系。它分散地地表示和存儲儲于整個網(wǎng)絡絡內(nèi)的各神經(jīng)經(jīng)元及其連線線上。每個神神經(jīng)元及其連連線只表示一一部分信息，而而不是一個完完整具體概念念。只有通過過各神經(jīng)元的的分布式綜合合效果才能表表達出特定的的概念和知識識。 由于人工神經(jīng)網(wǎng)網(wǎng)絡中神經(jīng)元元個數(shù)眾多以以及整個網(wǎng)絡絡存儲信息容

6、容量的巨大，使使得它具有很很強的不確定定性信息處理理能力。即使使輸入信息不不完全、不準準確或模糊不不清，神經(jīng)網(wǎng)網(wǎng)絡仍然能夠夠聯(lián)想思維存存在于記憶中中的事物的完完整圖象。只只要輸入的模模式接近于訓訓練樣本，系系統(tǒng)就能給出出正確的推理理結(jié)論。 正是因為人工神神經(jīng)網(wǎng)絡的結(jié)結(jié)構(gòu)特點和其其信息存儲的的分布式特點點，使得它相相對于其它的的判斷識別系系統(tǒng)，如：專專家系統(tǒng)等，具具有另一個顯顯著的優(yōu)點：健壯性。生生物神經(jīng)網(wǎng)絡絡不會因為個個別神經(jīng)元的的損失而失去去對原有模式式的記憶。最最有力的證明明是，當一個個人的大腦因因意外事故受受輕微損傷之之后，并不會會失去原有事事物的全部記記憶。人工神神經(jīng)網(wǎng)絡也有有類似的情

7、況況。因某些原原因，無論是是網(wǎng)絡的硬件件實現(xiàn)還是軟軟件實現(xiàn)中的的某個或某些些神經(jīng)元失效效，整個網(wǎng)絡絡仍然能繼續(xù)續(xù)工作。 人工神經(jīng)網(wǎng)絡是是一種非線性性的處理單元元。只有當神神經(jīng)元對所有有的輸入信號號的綜合處理理結(jié)果超過某某一門限值后后才輸出一個個信號。因此此神經(jīng)網(wǎng)絡是是一種具有高高度非線性的的超大規(guī)模連連續(xù)時間動力力學系統(tǒng)。它它突破了傳統(tǒng)統(tǒng)的以線性處處理為基礎的的數(shù)字電子計計算機的局限限，標志著人人們智能信息息處理能力和和模擬人腦智智能行為能力力的一大飛躍躍。 2.2 幾種典典型神經(jīng)網(wǎng)絡絡簡介 2.2.1 多多層感知網(wǎng)絡絡(誤差逆?zhèn)鱾鞑ド窠?jīng)網(wǎng)絡絡) 在1986年以以Rumellhart和和McC

8、ellland為為首的科學家家出版的PParalllel Diistribbuted Proceessingg一書中，完完整地提出了了誤差逆?zhèn)鞑ゲW習算法，并并被廣泛接受受。多層感知知網(wǎng)絡是一種種具有三層或或三層以上的的階層型神經(jīng)經(jīng)網(wǎng)絡。典型型的多層感知知網(wǎng)絡是三層層、前饋的階階層網(wǎng)絡，即即：輸入層II、隱含層(也稱中間層層)J和輸出出層K。相鄰鄰層之間的各各神經(jīng)元實現(xiàn)現(xiàn)全連接，即即下一層的每每一個神經(jīng)元元與上一層的的每個神經(jīng)元元都實現(xiàn)全連連接，而且每每層各神經(jīng)元元之間無連接接。 但BP網(wǎng)并不是是十分的完善善，它存在以以下一些主要要缺陷：學習習收斂速度太太慢、網(wǎng)絡的的學習記憶具具有不穩(wěn)定性性，

9、即：當給給一個訓練好好的網(wǎng)提供新新的學習記憶憶模式時，將將使已有的連連接權(quán)值被打打亂，導致已已記憶的學習習模式的信息息的消失。 2.2.2 競競爭型(KOOHONENN)神經(jīng)網(wǎng)絡絡 它是基于人的視視網(wǎng)膜及大腦腦皮層對剌激激的反應而引引出的。神經(jīng)經(jīng)生物學的研研究結(jié)果表明明：生物視網(wǎng)網(wǎng)膜中，有許許多特定的細細胞，對特定定的圖形(輸輸入模式)比比較敏感，并并使得大腦皮皮層中的特定定細胞產(chǎn)生大大的興奮，而而其相鄰的神神經(jīng)細胞的興興奮程度被抑抑制。對于某某一個輸入模模式，通過競競爭在輸出層層中只激活一一個相應的輸輸出神經(jīng)元。許許多輸入模式式，在輸出層層中將激活許許多個神經(jīng)元元，從而形成成一個反映輸輸入數(shù)

10、據(jù)的“特征圖形”。競爭型神神經(jīng)網(wǎng)絡是一一種以無教師師方式進行網(wǎng)網(wǎng)絡訓練的網(wǎng)網(wǎng)絡。它通過過自身訓練，自自動對輸入模模式進行分類類。競爭型神神經(jīng)網(wǎng)絡及其其學習規(guī)則與與其它類型的的神經(jīng)網(wǎng)絡和和學習規(guī)則相相比，有其自自己的鮮明特特點。在網(wǎng)絡絡結(jié)構(gòu)上，它它既不象階層層型神經(jīng)網(wǎng)絡絡那樣各層神神經(jīng)元之間只只有單向連接接，也不象全全連接型網(wǎng)絡絡那樣在網(wǎng)絡絡結(jié)構(gòu)上沒有有明顯的層次次界限。它一一般是由輸入入層(模擬視視網(wǎng)膜神經(jīng)元元)和競爭層層(模擬大腦腦皮層神經(jīng)元元，也叫輸出出層)構(gòu)成的的兩層網(wǎng)絡。兩兩層之間的各各神經(jīng)元實現(xiàn)現(xiàn)雙向全連接接，而且網(wǎng)絡絡中沒有隱含含層。有時競競爭層各神經(jīng)經(jīng)元之間還存存在橫向連接接。競

11、爭型神神經(jīng)網(wǎng)絡的基基本思想是網(wǎng)網(wǎng)絡競爭層各各神經(jīng)元競爭爭對輸入模式式的響應機會會，最后僅有有一個神經(jīng)元元成為競爭的的勝者，并且且只將與獲勝勝神經(jīng)元有關關的各連接權(quán)權(quán)值進行修正正，使之朝著著更有利于它它競爭的方向向調(diào)整。神經(jīng)經(jīng)網(wǎng)絡工作時時，對于某一一輸入模式，網(wǎng)網(wǎng)絡中與該模模式最相近的的學習輸入模模式相對應的的競爭層神經(jīng)經(jīng)元將有最大大的輸出值，即即以競爭層獲獲勝神經(jīng)元來來表示分類結(jié)結(jié)果。這是通通過競爭得以以實現(xiàn)的，實實際上也就是是網(wǎng)絡回憶聯(lián)聯(lián)想的過程。 除了競爭的方法法外，還有通通過抑制手段段獲取勝利的的方法，即網(wǎng)網(wǎng)絡競爭層各各神經(jīng)元抑制制所有其它神神經(jīng)元對輸入入模式的響應應機會，從而而使自己“

12、脫穎而出”，成為獲勝勝神經(jīng)元。除除此之外還有有一種稱為側(cè)側(cè)抑制的方法法，即每個神神經(jīng)元只抑制制與自己鄰近近的神經(jīng)元，而而對遠離自己己的神經(jīng)元不不抑制。這種種方法常常用用于圖象邊緣緣處理，解決決圖象邊緣的的缺陷問題。 競爭型神經(jīng)網(wǎng)絡絡的缺點和不不足：因為它它僅以輸出層層中的單個神神經(jīng)元代表某某一類模式。所所以一旦輸出出層中的某個個輸出神經(jīng)元元損壞，則導導致該神經(jīng)元元所代表的該該模式信息全全部丟失。 2.2.3 HHopfieeld神經(jīng)網(wǎng)網(wǎng)絡 1986年美國國物理學家JJ.J.Hoopfielld陸續(xù)發(fā)表表幾篇論文，提提出了Hoppfieldd神經(jīng)網(wǎng)絡。他他利用非線性性動力學系統(tǒng)統(tǒng)理論中的能能量函

13、數(shù)方法法研究反饋人人工神經(jīng)網(wǎng)絡絡的穩(wěn)定性，并并利用此方法法建立求解優(yōu)優(yōu)化計算問題題的系統(tǒng)方程程式?；镜牡腍opfiield神經(jīng)經(jīng)網(wǎng)絡是一個個由非線性元元件構(gòu)成的全全連接型單層層反饋系統(tǒng)。 網(wǎng)絡中的每一個個神經(jīng)元都將將自己的輸出出通過連接權(quán)權(quán)傳送給所有有其它神經(jīng)元元，同時又都都接收所有其其它神經(jīng)元傳傳遞過來的信信息。即：網(wǎng)網(wǎng)絡中的神經(jīng)經(jīng)元t時刻的的輸出狀態(tài)實實際上間接地地與自己的tt-1時刻的的輸出狀態(tài)有有關。所以HHopfieeld神經(jīng)網(wǎng)網(wǎng)絡是一個反反饋型的網(wǎng)絡絡。其狀態(tài)變變化可以用差差分方程來表表征。反饋型型網(wǎng)絡的一個個重要特點就就是它具有穩(wěn)穩(wěn)定狀態(tài)。當當網(wǎng)絡達到穩(wěn)穩(wěn)定狀態(tài)的時時候，也就是

14、是它的能量函函數(shù)達到最小小的時候。這這里的能量函函數(shù)不是物理理意義上的能能量函數(shù)，而而是在表達形形式上與物理理意義上的能能量概念一致致，表征網(wǎng)絡絡狀態(tài)的變化化趨勢，并可可以依據(jù)Hoopfielld工作運行行規(guī)則不斷進進行狀態(tài)變化化，最終能夠夠達到的某個個極小值的目目標函數(shù)。網(wǎng)網(wǎng)絡收斂就是是指能量函數(shù)數(shù)達到極小值值。如果把一一個最優(yōu)化問問題的目標函函數(shù)轉(zhuǎn)換成網(wǎng)網(wǎng)絡的能量函函數(shù)，把問題題的變量對應應于網(wǎng)絡的狀狀態(tài)，那么HHopfieeld神經(jīng)網(wǎng)網(wǎng)絡就能夠用用于解決優(yōu)化化組合問題。 對于同樣結(jié)構(gòu)的的網(wǎng)絡，當網(wǎng)網(wǎng)絡參數(shù)(指指連接權(quán)值和和閥值)有所所變化時，網(wǎng)網(wǎng)絡能量函數(shù)數(shù)的極小點(稱為網(wǎng)絡的的穩(wěn)定平衡

15、點點)的個數(shù)和和極小值的大大小也將變化化。因此，可可以把所需記記憶的模式設設計成某個確確定網(wǎng)絡狀態(tài)態(tài)的一個穩(wěn)定定平衡點。若若網(wǎng)絡有M個個平衡點，則則可以記憶MM個記憶模式式。 當網(wǎng)絡從與記憶憶模式較靠近近的某個初始始狀態(tài)(相當當于發(fā)生了某某些變形或含含有某些噪聲聲的記憶模式式，也即：只只提供了某個個模式的部分分信息)出發(fā)發(fā)后，網(wǎng)絡按按Hopfiield工作作運行規(guī)則進進行狀態(tài)更新新，最后網(wǎng)絡絡的狀態(tài)將穩(wěn)穩(wěn)定在能量函函數(shù)的極小點點。這樣就完完成了由部分分信息的聯(lián)想想過程。 Hopfielld神經(jīng)網(wǎng)絡絡的能量函數(shù)數(shù)是朝著梯度度減小的方向向變化，但它它仍然存在一一個問題，那那就是一旦能能量函數(shù)陷入入

16、到局部極小小值，它將不不能自動跳出出局部極小點點，到達全局局最小點，因因而無法求得得網(wǎng)絡最優(yōu)解解。 3 遺傳算法 遺傳算法（Geeneticc Algoorithmms）是基于于生物進化理理論的原理發(fā)發(fā)展起來的一一種廣為應用用的、高效的的隨機搜索與與優(yōu)化的方法法。其主要特特點是群體搜搜索策略和群群體中個體之之間的信息交交換，搜索不不依賴于梯度度信息。它是是在70年代代初期由美國國密執(zhí)根（MMichiggan）大學學的霍蘭（HHollannd）教授發(fā)發(fā)展起來的。11975年霍霍蘭教授發(fā)表表了第一本比比較系統(tǒng)論述述遺傳算法的的專著自然然系統(tǒng)與人工工系統(tǒng)中的適適應性（AAdaptaation in

17、Naaturall and Artifficiall Systtems）。遺遺傳算法最初初被研究的出出發(fā)點不是為為專門解決最最優(yōu)化問題而而設計的，它它與進化策略略、進化規(guī)劃劃共同構(gòu)成了了進化算法的的主要框架，都都是為當時人人工智能的發(fā)發(fā)展服務的。迄迄今為止，遺遺傳算法是進進化算法中最最廣為人知的的算法。 近幾年來，遺傳傳算法主要在在復雜優(yōu)化問問題求解和工工業(yè)工程領域域應用方面，取取得了一些令令人信服的結(jié)結(jié)果，所以引引起了很多人人的關注。在在發(fā)展過程中中，進化策略略、進化規(guī)劃劃和遺傳算法法之間差異越越來越小。遺遺傳算法成功功的應用包括括：作業(yè)調(diào)度度與排序、可可靠性設計、車車輛路徑選擇擇與調(diào)度、成

18、成組技術、設設備布置與分分配、交通問問題等等。 3.1 特點 遺傳算法是解決決搜索問題的的一種通用算算法，對于各各種通用問題題都可以使用用。搜索算法法的共同特征征為： 首先組成成一組候選解解； 依據(jù)某些些適應性條件件測算這些候候選解的適應應度； 根據(jù)適應應度保留某些些候選解，放放棄其他候選選解； 對保留的的候選解進行行某些操作，生生成新的候選選解。在遺傳傳算法中，上上述幾個特征征以一種特殊殊的方式組合合在一起：基基于染色體群群的并行搜索索，帶有猜測測性質(zhì)的選擇擇操作、交換換操作和突變變操作。這種種特殊的組合合方式將遺傳傳算法與其它它搜索算法區(qū)區(qū)別開來。 遺傳算法還具有有以下幾方面面的特點： (

19、1)遺傳算法法從問題解的的串集開始嫂嫂索，而不是是從單個解開開始。這是遺遺傳算法與傳傳統(tǒng)優(yōu)化算法法的極大區(qū)別別。傳統(tǒng)優(yōu)化化算法是從單單個初始值迭迭代求最優(yōu)解解的；容易誤誤入局部最優(yōu)優(yōu)解。遺傳算算法從串集開開始搜索，覆覆蓋面大，利利于全局擇優(yōu)優(yōu)。(2)許許多傳統(tǒng)搜索索算法都是單單點搜索算法法，容易陷入入局部的最優(yōu)優(yōu)解。遺傳算算法同時處理理群體中的多多個個體，即即對搜索空間間中的多個解解進行評估，減減少了陷入局局部最優(yōu)解的的風險，同時時算法本身易易于實現(xiàn)并行行化。 (3)遺傳算法法基本上不用用搜索空間的的知識或其它它輔助信息，而而僅用適應度度函數(shù)值來評評估個體，在在此基礎上進進行遺傳操作作。適應度

20、函函數(shù)不僅不受受連續(xù)可微的的約束，而且且其定義域可可以任意設定定。這一特點點使得遺傳算算法的應用范范圍大大擴展展。 (4)遺傳算法法不是采用確確定性規(guī)則，而而是采用概率率的變遷規(guī)則則來指導他的的搜索方向。 (5)具有自組組織、自適應應和自學習性性。遺傳算法法利用進化過過程獲得的信信息自行組織織搜索時，硬硬度大的個體體具有較高的的生存概率，并并獲得更適應應環(huán)境的基因因結(jié)構(gòu)。 3.2 運用用領域 前面描述是簡單單的遺傳算法法模型，可以以在這一基本本型上加以改改進，使其在在科學和工程程領域得到廣廣泛應用。下下面列舉了一一些遺傳算法法的應用領域域： 優(yōu)化：遺遺傳算法可用用于各種優(yōu)化化問題。既包包括數(shù)量

21、優(yōu)化化問題，也包包括組合優(yōu)化化問題。 程序設計計：遺傳算法法可以用于某某些特殊任務務的計算機程程序設計。 機器學習習：遺傳算法法可用于許多多機器學習的的應用，包括括分類問題和和預測問題等等。 經(jīng)濟學：應用遺傳算算法對經(jīng)濟創(chuàng)創(chuàng)新的過程建建立模型，可可以研究投標標的策略，還還可以建立市市場競爭的模模型。 免疫系統(tǒng)統(tǒng)：應用遺傳傳算法可以對對自然界中免免疫系統(tǒng)的多多個方面建立立模型，研究究個體的生命命過程中的突突變現(xiàn)象以及及發(fā)掘進化過過程中的基因因資源。 進化現(xiàn)象象和學習現(xiàn)象象：遺傳算法法可以用來研研究個體是如如何學習生存存技巧的，一一個物種的進進化對其他物物種會產(chǎn)生何何種影響等等等。 社會經(jīng)濟濟問題

22、：遺傳傳算法可以用用來研究社會會系統(tǒng)中的各各種演化現(xiàn)象象，例如在一一個多主體系系統(tǒng)中，協(xié)作作與交流是如如何演化出來來的。 4 模擬退火算算法 模擬退火算法來來源于固體退退火原理，將將固體加溫至至充分高，再再讓其徐徐冷冷卻，加溫時時，固體內(nèi)部部粒子隨溫升升變?yōu)闊o序狀狀，內(nèi)能增大大，而徐徐冷冷卻時粒子漸漸趨有序，在在每個溫度都都達到平衡態(tài)態(tài)，最后在常常溫時達到基基態(tài)，內(nèi)能減減為最小。根根據(jù)Metrropoliis準則，粒粒子在溫度TT時趨于平衡衡的概率為ee-E/(kTT)，其中EE為溫度T時時的內(nèi)能，E為其改變變量，k為BBoltzmmann常數(shù)數(shù)。用固體退退火模擬組合合優(yōu)化問題，將將內(nèi)能E模擬

23、擬為目標函數(shù)數(shù)值f ，溫溫度T演化成成控制參數(shù)tt，即得到解解組合優(yōu)化問問題的模擬退退火算法：由由初始解i和和控制參數(shù)初初值t開始，對對當前解重復復“產(chǎn)生新解計算目標函函數(shù)差接受或舍棄棄”的迭代，并并逐步衰減tt值，算法終終止時的當前前解即為所得得近似最優(yōu)解解，這是基于于蒙特卡羅迭迭代求解法的的一種啟發(fā)式式隨機搜索過過程。退火過過程由冷卻進進度表(Cooolingg Scheedule)控制，包括括控制參數(shù)的的初值t及其其衰減因子t、每個tt值時的迭代代次數(shù)L和停停止條件S。 5 群體（群集集）智能（SSwarm Intellligennce） 受社會性昆蟲行行為的啟發(fā)，計計算機工作者者通過對

24、社會會性昆蟲的模模擬產(chǎn)生了一一系列對于傳傳統(tǒng)問題的新新的解決方法法，這些研究究就是群集智智能的研究。群群集智能(SSwarm Intellligennce)中的的群體(Swwarm)指指的是“一組相互之之間可以進行行直接通信或或者間接通信信(通過改變變局部環(huán)境)的主體，這這組主體能夠夠合作進行分分布問題求解解”。而所謂群群集智能指的的是“無智能的主主體通過合作作表現(xiàn)出智能能行為的特性性”。群集智能能在沒有集中中控制并且不不提供全局模模型的前提下下，為尋找復復雜的分布式式問題的解決決方案提供了了基礎。 群集智能的特點點和優(yōu)點：群群體中相互合合作的個體是是分布式的(Distrributeed)，這

25、樣樣更能夠適應應當前網(wǎng)絡環(huán)環(huán)境下的工作作狀態(tài); 沒沒有中心的控控制與數(shù)據(jù)，這這樣的系統(tǒng)更更具有魯棒性性(Robuust)，不不會由于某一一個或者某幾幾個個體的故故障而影響整整個問題的求求解?？梢圆徊煌ㄟ^個體之之間直接通信信而是通過非非直接通信(Stimeergy)進進行合作，這這樣的系統(tǒng)具具有更好的可可擴充性(SScalabbilityy)。由于系系統(tǒng)中個體的的增加而增加加的系統(tǒng)的通通信開銷在這這里十分小。系系統(tǒng)中每個個個體的能力十十分簡單，這這樣每個個體體的執(zhí)行時間間比較短，并并且實現(xiàn)也比比較簡單，具具有簡單性(Simpllicityy)。因為具具有這些優(yōu)點點，雖說群集集智能的研究究還處于初

26、級級階段，并且且存在許多困困難，但是可可以預言群集集智能的研究究代表了以后后計算機研究究發(fā)展的一個個重要方向。 在計算智能(CComputtationnal Inntelliigencee)領域有兩兩種基于群智智能的算法，蟻蟻群算法(AAnt Coolony Optimmizatiion)和粒粒子群算法(Partiicle SSwarm Optimmizatiion)，前前者是對螞蟻蟻群落食物采采集過程的模模擬，已經(jīng)成成功運用在很很多離散優(yōu)化化問題上。 5.1 蟻群優(yōu)優(yōu)化算法 受螞蟻覓食時的的通信機制的的啟發(fā)，900年代Dorrigo提出出了蟻群優(yōu)化化算法(Annt Collony OOpti

27、miizatioon，ACOO)來解決計計算機算法學學中經(jīng)典的“貨郎擔問題題”。如果有nn個城市，需需要對所有nn個城市進行行訪問且只訪訪問一次的最最短距離。 在解決貨郎擔問問題時，蟻群群優(yōu)化算法設設計虛擬的“螞蟻”將摸索不同同路線，并留留下會隨時間間逐漸消失的的虛擬“信息素”。虛擬的“信息素”也會揮發(fā)，每每只螞蟻每次次隨機選擇要要走的路徑，它它們傾向于選選擇路徑比較較短的、信息息素比較濃的的路徑。根據(jù)據(jù)“信息素較濃濃的路線更近近的原則，即即可選擇出最最佳路線。由由于這個算法法利用了正反反饋機制，使使得較短的路路徑能夠有較較大的機會得得到選擇，并并且由于采用用了概率算法法，所以它能能夠不局限于

28、于局部最優(yōu)解解。 蟻群優(yōu)化算法對對于解決貨郎郎擔問題并不不是目前最好好的方法，但但首先，它提提出了一種解解決貨郎擔問問題的新思路路；其次由于于這種算法特特有的解決方方法，它已經(jīng)經(jīng)被成功用于于解決其他組組合優(yōu)化問題題，例如圖的的著色(Grraph CColoriing)以及及最短超串(Shorttest CCommonn Supeersequuence)等問題。 5.2 粒子群群優(yōu)化算法 粒子群優(yōu)化算法法(PSO)是一種進化化計算技術(Evoluutionaary Coomputaation)，有Ebeerhartt博士和Keennedyy博士發(fā)明。源源于對鳥群捕捕食的行為研研究。 PSO同遺傳

29、算算法類似，是是一種基于疊疊代的優(yōu)化工工具。系統(tǒng)初初始化為一組組隨機解，通通過疊代搜尋尋最優(yōu)值。但但是并沒有遺遺傳算法用的的交叉(crrossovver)以及及變異(muutatioon)。而是是粒子在解空空間追隨最優(yōu)優(yōu)的粒子進行行搜索。 同遺傳算法比較較，PSO的的優(yōu)勢在于簡簡單容易實現(xiàn)現(xiàn)并且沒有許許多參數(shù)需要要調(diào)整。目前前已廣泛應用用于函數(shù)優(yōu)化化，神經(jīng)網(wǎng)絡絡訓練，模糊糊系統(tǒng)控制以以及其他遺傳傳算法的應用用領域。 粒子群優(yōu)化算法法(PSO) 也是起源源對簡單社會會系統(tǒng)的模擬擬，最初設想想是模擬鳥群群覓食的過程程，但后來發(fā)發(fā)現(xiàn)PSO是是一種很好的的優(yōu)化工具。 5.2.1 算算法介紹 PSO模擬

30、鳥群群的捕食行為為。一群鳥在在隨機搜索食食物，在這個個區(qū)域里只有有一塊食物。所所有的鳥都不不知道食物在在那里。但是是他們知道當當前的位置離離食物還有多多遠。那么找找到食物的最最優(yōu)策略是什什么呢。最簡簡單有效的就就是搜尋目前前離食物最近近的鳥的周圍圍區(qū)域。 PSO從這種模模型中得到啟啟示并用于解解決優(yōu)化問題題。PSO中中，每個優(yōu)化化問題的解都都是搜索空間間中的一只鳥鳥。我們稱之之為“粒子”。所有的粒粒子都有一個個由被優(yōu)化的的函數(shù)決定的的適應值(ffitnesss vallue)，每每個粒子還有有一個速度決決定他們飛翔翔的方向和距距離。然后粒粒子們就追隨隨當前的最優(yōu)優(yōu)粒子在解空空間中搜索。 PSO

31、初始化為為一群隨機粒粒子(隨機解解)，然后通通過疊代找到到最優(yōu)解，在在每一次疊代代中，粒子通通過跟蹤兩個個“極值”來更新自己己。第一個就就是粒子本身身所找到的最最優(yōu)解，這個個解叫做個體體極值pBeest，另一一個極值是整整個種群目前前找到的最優(yōu)優(yōu)解，這個極極值是全局極極值gBesst。另外也也可以不用整整個種群而只只是用其中一一部分最優(yōu)粒粒子的鄰居，那那么在所有鄰鄰居中的極值值就是局部極極值。 5.2.2 PPSO算法過過程 種群隨機初初始化。 對種群內(nèi)的的每一個個體體計算適應值值(fitnness vvalue)。適應值與與最優(yōu)解的距距離直接有關關。 種群根據(jù)適適應值進行復復制 。 如果終止條條件滿足的話話，就停止，否否則轉(zhuǎn)步驟 。 從以上步驟，我我們可以看到到PSO和遺遺傳算法有很很多共同之處處。兩者都隨隨機初始化種種群，而且都都使用適應值值來評價系統(tǒng)統(tǒng)，而且都根根據(jù)適應值來來進行一定的的隨機搜索。兩兩個系統(tǒng)都不不是保證