发布时间 : 星期五 文章浅谈几种智能优化算法更新完毕开始阅读f32f6879cec789eb172ded630b1c59eef8c79ad2
浅谈几种智能优化算法
摘要：该文首先介绍介绍了几种典型的群体智能算法，具体包括遗传算法、蚁群算法和粒子群算法，并对它们进行了详细的分析。
关键词：智能算法；蚁群算法；遗传算法；粒子群算法 中图分类号：TP301文献标识码：A 文章编号：1009-3044(2011)19-4628-03
Empirical Study on Several Typical Intelligence Algorithms Halqam?Ablat
(Sub Institute of Mathematics and Information Technology, Xinjiang Education Institute, Urumqi 830043, China)
Abstract: In this essay, the author introduce several typical swarm intelligence algorithms includes genetic algorithm, ant colony optimization algorithm and particle swarm optimization algorithm.
Key words: intelligence algorithm; genetic algorithm; ant colony algorithm; particle swarm algorithm 1 概述
为了使系统达到最优的目标所提出的各种求解方法称为最优化方法。最优化在运筹学和管理科学中起着核心作用。
最优化通常是极大或极小某个多变量的函数并满足一些等式或不等式约束。最优化技术对社会的影响日益增加，应用的种类和数量快速增加，丝毫没有减缓的趋势。近几年来，随着计算机的发展，一些过去无法解决的复杂优化问题已经能够通过计算机来求得近似解，所以，计算机求解优化问题的方法研究也就显得越来越重要了。
对于简单的函数优化问题，经典算法比较有效，且能获得函数的精确最优解。但是对于具有非线性、多极值等特点的复杂函数及组合优化问题而言，经典算法往往无能为力。基于系统动态演化的算法及基于此类算法而构成的混合型算法又可称为智能优化算法。
近年来 ，随着优化理论的发展，一些新的智能算法得到了迅速发展和广泛应用，成为解决传统优化问题的新方法，如遗传算法、蚁群算法、粒子群算法等。 2 蚁群算法
蚁群算法是受到对真实蚁群行为的研究的启发而提出的。生物学研究表明一群互相协作的蚂蚁能够找到食物源和巢穴之间的最短路径，而单只蚂蚁却不能。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种间接的通信机制达到协同搜索食物最短路径的目的。蚂蚁觅食协作方式的本质是：1）
路径概率选择机制：信息素踪迹越浓的路径，被选中的概率越大；2）信息素更新机制：路径越短，在上面的信息素踪迹浓度增长越快；3）协同工作机制：蚂蚁之间通过信息素进行通信。
在蚁群优化算法中，作为分布智能体(Distributed gent)的人工蚁(Artificial Ants)的行为可以如下描述：一群人工蚁相互协作在问题的解空间中搜索好的解，这些人工蚁按照人工信息素踪迹和基于问题的启发式信息的指引在问题空间移动以构造问题的解。在此，信息素(Pheromone)类似于一种分布式的长期记忆，这种记忆不是局部地存在于单个的人工蚁，而是全局地分布在整个问题空间。当人工蚁在问题空间中移动时，它们在其经过的路径上留下信息素踪迹，这些踪迹反映了人工蚁在问题空间觅食（即构造好的解）过程中的经历。换句话说，信息素在蚁群的协作和通信中起到一种间接媒介的作用。人工蚁在解空间中一步一步地移动从而构造问题的解，同时，它们根据解的质量在其路径上留下相应浓度的信息素，蚁群中其他蚂蚁倾向于沿着信息素浓的路径前进，同样这些蚂蚁也将在这段路径上留下自己的信息素，这就形成了一种自催化强化学习机制，也就是正反馈。这种正反馈机制将指引蚁群找到高质量的问题解。 3 遗传算法
遗传算法 (Genetic Agorithm)是模拟生物在自然环境中
优胜劣汰、适者生存的遗传和进化过程而形成的一种具有自适应能力的、全局性的概率搜索算法。遗传算法是从代表待优化问题潜在解集的一个种群开始，而种群则由经过基因编码的一定数目的个体组成。基因编码成染色体，每个个体由染色体构成，每个个体实际上是带有染色体特征的实体。染色体作为遗传物质的主要载体，是多个基因的集合，其内部表现（即基因型）是多个基因的某种组合，它决定了个体的形状的外部表现。因此，在一开始需要实现从表现型到基因型的映射即编码工作。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出活应冷越来越好的个体。在每一代中，根据问题域中个体的适应度的优劣，选择一些适应度高的个体，基于这些选出的适应度高的个体，并借助于自然遗传学的交叉、变异算子，产生出代表新解集的下一代种群。这个过程将导致种群像自然进化一样，使后生代种群比前代种群具有更高的适应度，更加适应于环境。在优化过程结束后，末代种群中的最优个体经过解码，即可以作为问题的近似最优解。
遗传算法是将问题的每一个可能性解看作是群体中的一个个体（染色体），并将每一个染色体编码成串的形式，再根据预定的目标函数对每个个体进行评价，给出一个适应值。算法将根据适应度值进行它的寻优过程，遗传算法的寻优过程是通过选择、杂交和变异三个遗传算子来具体实现的。