群智能优化算法研究及其应用概要.docx

《群智能优化算法研究及其应用概要.docx》由会员分享，可在线阅读，更多相关《群智能优化算法研究及其应用概要.docx（26页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、广西民族大学硕士学位论文群智能优化算法研究及其应用姓名:陈建荣申请学位级别:硕士专业:计算机应用技术指导教师:王勇200903012mo. a；nai. i-t.(17)余事.-Ariiiitva 力SHU. 4;MI, 41-41Crtl 王”. ft*. BKPttkS Hrtaitlg). wwx；*iitta -M.(w； Knrajr k nwWrt C.*Y9mWM) Sm F(kUm MwnK*Hhm. jmi.(Ml IMIm4JKKTfVMK 1M2211 Bar B M. Hctctaaun Sk. tiftaot toKb kMHKfaJ nation by ijrcrf

2、ly fata vm C EEC Tw 3心.mJ 1VMetl1. IH2l m*2i4.C *-. Alt - ?传irKKAA工松*方雄U】,年中fix拿 2M4. lOlK VfCl. in-!2Bu(ul ,1*为人工值suit法靠m JI累tfLAX工 KOa K(Ml ，Wtv电台ttlt。的人工&盅MU】.11*大 L3UUG MCO. Pt(g.，9 rtnBTMoiAaenKxawttitirttiji.2U0&tkMtt：ini-lMl.(M) Ht*. R*. M*纣白心人工IJ】.予N. a9.MCDt t-Hkm k*. i S4mar)工 人工0k-，dtUc M

3、Bkvr. 4d 1.0 tkav-cpt:VrW99MA*wmX G MCtA I fv l-lm Ari 1,3“g l:D-fkMl；Ux7C0* XI：MrA*irL_f1g n/. Arltai Gam_*.BUu_alMnUf. r (MM-T-I Bl MMt.Ll if am_faflMaMlLOlVOM jajuiaa； lnf w.H1 3.1j5iwir *w_i tz 孙j-i*() sij1、M99fl*】If tat_x*l*Ua5 AlM.UT. 0(eanMur.ar Gri.e冷iLue”- zn)“：a% ：)：il：HN-vmMmxe；Z“vt. :I.Q

4、LNaetlan mvi 2.5，f1l，UV mtrla. I.Mlai s ”4_UdSJ;*vl0r4V IIC I:M_rFLrt4L :l;iZ Jl!If CMtrlaOM.I：rlF_Mcnaai-l.l:v-ll)riv-ll-1 v n7a*u il;3hn_qmAr，9M. -LI wUr-lh-一“a、rMijW3atH J. r1.:1: i fcr au_AMF_Mcrutl. 1； 1)； rw n U.ATIU九” - “e bwt jT. 9taur.*9M _ucru. I. trv.iMterlH IvlMUr.MirlL D;eti3尸mvImtCLEP;

5、JWU.:|);it J。9MMM”心E.rwHU.MIua_arll 3 l*.* w M-1 mi-iwiMlf UL2TI wrwvU. A-1ZL “Il AIX.iMirr：2yrt & ir:tar-wHwKl.A，”-tww n Mrtll.ll:tMrMU,Cll ;W1wrjw4li.cl-IHC1：Mi.im；rw UtME-X：HYoadlM ;fvnim AfeWW itWHS wl. A9Ni?LUU n串0L*了” 盯力依.日不TflSTOItA-M. iftnAWW. na（RirU9IA 21” * 我M*110懵在，方电fam年0, *1tni. Rtf. 履

6、en-充仔+，*+“”a *!予了a大力Hi*. 让. u了在。wwuicx，多 a文力0仍具上“Nn-一个子.w-tw. 母餐.A. 9k.。翼聆a的。an.代鼻旗力*rr）t-Mr无*Arn. CCrf）4!欢读学依照*发豪的学术论文ri M4*. t# tmratttttir-m.s-.（I： Wtt. &.人工检金N人“与”四.n. 34131, US H . 9.：. itfftLJ1. （BJUlir *. i w.4cnmwnHvj ttHM例义也工i。i*，* lIMrl N*. t，. A1电修MA支比方IT W 王0, Wi已！1）攻it*他联储参加的科审工程I. rAOM

7、T 事山裂展会W中偈昌悔文 Co031Ml.i rflRRxr mm McrvmHf y我受力s方正重 (ur.rn RRsviB群智能优化算法研究及其应用作者:陈建荣学位授予单位:广西民族大学相似文献(8条1 .学位论文张梅凤人工鱼群智能优化算法的改进及应用研究2008为能更有效地解决工业生产过程中大量存在的优化问题启20世纪80年代以 来,涌现出了一些智能优化算法，它们通过模拟某一自然现象或过程而开展起来，为解 决复杂系统的优化问题提供了新的思路和手段,自诞生就引起了国内外学者的广泛 关注并被应用于许多领域。人工鱼群算法(Artificial Fish Swarm Algorithm,AF

8、SA是 源于对鱼群觅食行为研究而提出的一种新型群体智能优化算法。该算法具有对初值 和参数选择不敏感、鲁棒性强、简单、易于实现，且具备并行处理能力和全局搜索 能力等方面的特点。但AFSA在应用过程中还有很多不完善的地方，如:算法后期收 敛速度慢,搜索精度不高，在多峰问题寻优时难以找到全部最优解等等。并且,AFSA 的应用还不够深入。为此，本文着重从AFSA的改进和应用方面进行了研究。主要 研究工作如下：(1针对AFSA在较大或变化平坦的区域寻优时,收敛于全局最优解的速度减 慢、搜索性能劣化，特别是在优化后期往往收敛较慢的问题，提出了一种基于变异算 子与模拟退火混合的人工鱼群优化算法。该算法保持了

9、 AFSA简单、易实现的特 点，同时克服了人工鱼漫无目的随机游动或在非全局极值点大量聚集的局限性，显著 提高了运行效率和求解质量，为解决复杂寻优问题提供了有效方法。通过函数和实 例测试验证，说明该算法是可行和有效的。(2针对AFSA在多峰问题寻优时难以找到全部最优解及精度不高的问题，提出 了一种基于生境人工鱼群算法的多峰问题优化算法。该算法融合了模拟退火、小生 境技术的思想，并加入了变异算子和自动生成合适小生境半径机制。通过对几种典 型多峰函数的测试，说明该算法不仅能有效、精确找出多峰问题的全局和局部所有最优解，而且无需预先设置小生境半径，实现了真正的自适应搜索，较好地解决了复杂 多峰优化问题

10、。(3针对连续属性样本分类挖掘时需离散化预处理,可能导致原始信息的缺失问 题，提出了基于人工鱼群算法的分类规那么挖掘算法，给出了适用于AFSA的分类规那么 编码方案、构造了新的准确提取规那么集的分类规那么适应值函数。该算法从优化的角 度来解决分类问题，自动实现连续属性样本分类规那么的挖掘，从而为连续属性样本提 供了一个不需要离散化处理而直接进行数据挖掘的新方法。实验结果说明，该算法 不仅能够挖掘出简洁、易于理解的规那么集,而且具有较强的鲁棒性和较高的准确率， 是一种可行和有效的分类规那么优化算法。(4针对神经网络需要依靠经验确定网络结构及其优化问题，设计了一种基于人 工鱼群算法的网络分类器。该

11、方法把输入属性选取和网络结构设计结合，通过人工 鱼群算法寻优，同时实现了输入属性选择、神经网络结构和参数的优化。实验说明， 该算法能够获得一个具有性能可靠、较好泛化能力的简单分类器，防止了一般神经 网络依靠经验确定网络结构的困难，拓宽了 AFSA的应用领域。(5在对AFSA研究和改进的基础上，结合国家863工程“太阳能生物制氢技术研 究”，在局部实验所获得的样本数据基础上，引入全局寻优人工鱼群优化算法，通过 AFSA优化神经网络结构，获得影响生物制氢的最相关因素，建立了基于优化神经网 络的光合细菌制氢过程模型;再用AFSA对已确定的主要工艺条件进行优化，获得了 最大制氢量的最正确工艺条件。实验

12、结果说明所提出的优化计算方案可行，此项研究 为太阳能光合细菌制氢工艺技术优化探索了一条新的途径。本论文是在国家“十五”863计划工程“太阳能生物制氢技术研究”(编号:2004AA515010和国家自然科学基金工程“光合生物制氢体系的热效应及其产氢 机理研究”(编号：50676029资助下开展的科学研究。2 .学位论文孙建英粒子群优化算法的分析及改进2007粒子群优化算法（Particle Swarm Optimization,PSO 是 1995 年 Kenndy 和 Eberhart提出的，源于对鸟群运动行为的研究，是一种基于群智能优化算法的演化计 算技术.由于它的较强的全局搜索能力，较少的

13、参数设置,简单容易实现，所以从一提出, 就引起了许多学者的关注,并得到了迅速的开展，并被应用到了各个领域，如函数优 化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域.本文的主要研究成果与贡献如下：1简要的回顾了群集智能算法理论产生的背景.总结了三种群集智能算法一蚁群 算法、粒子群算法、人工鱼群算法的基本理论和开展现状.2对于粒子群算法进行了详细的分析.粒子群优化算法是一种新兴的仿生学算法, 在介绍了原始的PSO算法的基本原理、数学描述、算法参数和流程的基础上，又介 绍了标准的PSO算法.3通过对十年来粒子群改进算法的研究,提出了四种改进思路，并介绍了几个典 型的改进模型.4提出了一种引

14、入平均极值的改进的粒子群算法（MPSO,使得粒子在进化的过 程中追随个体极值、平均极值、全局极值三个极值，与标准的粒子群算法相比，该算 法在防止过早的陷入局部最优等方面有比拟好的效果.3 .学位论文王一改进的生物群智能优化算法及在滤波器设计中的应用2007优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。 对优化策略及算法的研究成为近年来备受科学工作者关注的研究目标之一。受到具 有社会性的动物，如蚁群、蜂群、鸟群、鱼群等的自组织行为的启发，不少学者对这 种行为进行数学建模并用计算机对其进行仿真，随之产生了“群智能” （Swarm Intelligence,SI,或称“群集智能

15、”，主要包括遗传算法、蚁群算法、粒子群算法和人工 鱼群算法等。本文在对现有的群智能理论领域主要算法的基本理论、系统模型、参 数设置和实验仿真进行分析研究的基础上，提出了一种粒子群与蚁群及遗传和模拟 退火算法相混合的算法,并将其应用于HR数字滤波器、陷波器的设计应用上，从实 验分析上看，取得了一定的效果，通过仿真实验说明，该方法设计的滤波器在通带和阻 带内具有较好的特性，较好地防止了算法易陷入局部最优等问题,且计算简单、计算 量小，有较好的应用前景，进而验证了该混,合算法的适用性和有效性。4 .学位论文冯春时群智能优化算法及其应用2009群智能优化算法是一种近年来新兴的优化方法，是受到关注最多的

16、优化研究领 域之一,其模拟社会性动物的各种群体行为，利用群体中的个体之间的信息交互和合 作来实现寻优的目的。与其它类型的优化方法相比，其实现较为简单、效率较高。 尽管对群智能优化的研究已经取得了一定的成果，但是从整体上来说，这一新兴的领 域仍然处于开放状态淌有大量的问题需要解决，如怎样进一步提高寻优效率,怎样将 其它优秀的社会性动物系统应用于优化算法中等等。本论文对群智能优化算法的算法改进及应用进行了研究。第二章至第五章从参 数选取、参数更新策略、多算法混合设计、新算法的提出等算法层面进行了研究， 第六章和第七章以二自由度并联机构的标定为应用平台，对群智能算法的应用进行 了研究，标定出了二自由

17、度并联机构的全部运动学参数。第二章针对蚁群算法的参数选取主要依靠经验和试凑而导致的算法性能不稳定 的缺乏，将正交试验的方法引入到蚁群算法的参数选取中，以典型的组合优化问题- TSP问题为例，对蚁群算法最主要的四个参数进行了两次逐级的三水平正交试验，实 验说明，这种参数选取方法能够以较少的实验次数较为准确地优选参数;接着,针对蚁 群算法信息素正反应抑制了群体多样性的问题，引入了信息素负反应更新策略，路径 较好的蚂蚁留下正信息素,而路径较差的蚂蚁留下负信息素,TSP实验结果说明弓|入 了负反应的信息素更新策略比一般的蚁群算法能更好地保持多样性。第三章针对在典型的粒子群算法中惯性权重因子仅是迭代次数

18、的函数，忽略了 个体本身的搜索状态（包括当前位置和速度这一问题,基于力学的基本原理，提出了一 种自适应惯性权重策略，这一策略根据粒子当前的搜索状态来调整个体在不同方向 的惯性权重的大小。基于这一策略，结合巴特沃兹滤波函数设计了个体在不同方向上的惯性权重函数。连续优化标准测试函数实验证明了提出的自适应惯性权重策略 可以提高搜索的速度和精度。接着，将粒子群算法搜索步长较大而进化策略搜索步长较小的特点结合起来,提出了 基于这两种算法的混合优化算法,即对群体中较优的个体进行进化策略式的个体变 异操作，而对群体中较差的个体进行粒子群式的更新操作。优化实验证明，混合设计 可以改进算法性能。为了提高差分演化

19、算法的多模优化能力，第四章在处理多模优化的拥挤聚类方 法的基础上，弓I入了不稳定全局最小值的概念，在拥挤聚类方法中加入精英策略，提出 了改进的拥挤聚类方法，在理论上证明了在此改进的方法下不稳定全局最小值不会 被任何父代个体所清除并且会进入下一代、局部稳定最小值将有更大概率进入下一 代这两个性质。将此改进的拥挤聚类方法与差分演化算法结合，提出了改进拥挤聚 类差分演化算法，并对所提出的算法在多模函数优化上的性能进行了实验研究，结果证明了改进拥挤聚类差分演化 算法能够更好地找到多模函数的多个极值。第五章首先总结了前面三章研究的各种群智能算法的整体框架，总结了设计群 智能算法时应该遵循的一些原那么。在

20、此基础上,将生物行为学家所研究的鱼群行为 特征应用于群智能连续优化算法的设计，提出了一种新鱼群算法。该算法模拟鱼群 在空间的游动行为，以个体鱼之间的实空间欧式距离为量度，将个体鱼感知范围内的 邻域空间分为吸引、排斥和中性区域，使对应区域中的其它个体分别对此个体鱼有 吸引、排斥及随机的吸引或排斥作用，并同时考虑所有个体鱼都有向食物源运动的趋势。通过标准测试函数实验对 所提出的新鱼群算法和人工鱼群算法以及粒子群算法进行了比照分析。实验结果表 明了新鱼群算法的优越性。最后,在基本算法的基础上提出了线性变化权重因子策 略，测试函数的实验证明此策略可以进一步提升算法性能。第六章基于平面二自由 度并联机构

21、的闭链约束方程，构造了一个误差函数。进一步通过运动学推导,消除了 其中的被动关节角度参数,给出了形式更为简洁的表达，并且减少了参数个数。接着, 利用变量替换，将误差函数中的相乘项分开，使误差函数变得简单。在固定三个基座 坐标以固定坐标系的基础上，将粒子群算法、差分演化算法等群智能优化算法应用 于优化误差函数，对平面二自由度并联机构的自标定进行了仿真研究。在仿真研究 确定了最适合的误差函数和优化算法之后，对实际平面二自由度并联机构系统标定 进行了实际实验研究，标定出了实际系统的12个运动学参数。第七章以标定第六章中所研究的二自由度并联机构的所有参数为目的,基于平 面几何分析方法,提出了系统在没有

22、基座坐标固定情况下会产生的三种位形变换，分 析了由这些位形变换所产生的多解问题,解释了在完全依靠内部信息的自标定下固 定三个基座坐标的必要性。接着，基于外部测量手段，提出了去除多解的策略和基于 自标定和外部标定的混合标定方法。利用差分演化算法通过仿真实验对平面二自由 度并联机构无基座坐标同定下的混合标定进行了研究。针对无基座坐标固定下的误 差函数是一个典型的含有多个全局极值的多模函数的特点，将改进拥挤聚类差分演 化方法应用于误差函数的优化，并通过仿真实验对平面二自由度并联机构的混合标 定进行了研究,结果说明可以标定出二自由度并联机构的所有运动学参数。5 .学位论文任彦君基于改进人工鱼群算法的生

23、产调度研究与应用2009本文以流程工业过程的调度问题为研究对象,并设计求解该类问题的数学模型， 以及解决该类问题的高效优化算法，即人工鱼群算法（Artificial fish swarmalgorithm-AFSAo由于,人工鱼群算法具有系统性、自组织性、分布式计算等 特点，使得它在理论上求解调度问题时具用有更大的优越性。但在实际应用中，人工 鱼群算法也出现了运算时间较长、容易陷入局部极小值等缺点。因此本文提出了进一步 改进人工鱼群算法性能的策略与技术，然后应用改进的人工鱼群算法来求解各种情况的 生产调度问题。具体说来，本论文主要包括以下几个方面的内容。首先,人工鱼群算法（AFSA是一种新型的

24、集群智能优化算法，为求解生产调度问题引入了一种新的智能算法。本文在分析AFSA存在的缺乏之后，在保持了 AFSA算法的基本行为上，提出了在觅食行为过程中采用基于交换列表的排序法，在随机移 动行为中采用自适应的小范围移动行为的改进人工鱼群算法。根据置换Flow Shop调 度问题的数学模型，给出了基于改进的人工鱼群算法的置换Flow Shop调度问题的求解 策略，详细讨论了求解步骤，实验仿真结果说明该算法具有较强的全局搜索能力与更高 的搜索效率,验证了该算法的可行性和有效性。其次，本论文将改进的人工鱼群算法应用于零等待Flow Shop调度问题,根据零 等待Flow Shop调度问题的数学模型，

25、给出了基于改进的人工鱼群算法的零等待 Flow Shop调度问题的求解策略，详细讨论了求解步骤,实验仿真结果说明该算法具有较强 的全局搜索能力与更高的搜索效率，验证了该算法的可行性和有效性Q优化算送一门47为“电玲.用家京“各“工/月M量度*的谛H “由川楂京.惯化法凯mMR0怠之.体力优化法的 内11之一的。牙除工女Jhtmt曼列K内伊生的大法.并己ft为相关 *N5黯启出优内容.EC件1TW“口党鼻优化森出与而幻H完A*一定的 %tAX.口贪和复*内Nint，睢段匕下，(0X -述了If /ttfUK法”式的目的、介的了9民义化Ihl的 H贪状.蛤附$1.嫌支的tn汽修构mis犬内s口)第

26、二K：fe 了 干!0大缶行为3,的口及此化法一- ，横抬火捕，的3伏值&0小。小集优孽儿移而重京.做电授上期“速 It”三舲等按*初贴H密，中贴1价电口/个个口个式住一 个1夫二今“大通武移够.曾靖如为送三，残食方式在重未空1中 卷在开版J仪至小.“擅目公编的仪!(4(3)三做5了一冷干人工负胃,冰匕机。人加工m校艘也标方法. 5E法擅拿外本岛.信左0I8时网内419，M al，&R3A.fit工的支X(4最15根$了 A Qd与SRM相而今的罐会偃.憧法塞愎代初 期使用*“rr&伏化Gm推用ska在优化所初出的型优域中*uitwaAwttitwK收速度快的箝 A关调，twit优化法 梅大金

27、法 人工法 机hamj TAHA4THE RESEARCH OF THE SWaRM INTELUGEVTTHE RESEARCH OF THE SWaRM INTELUGEVTOPTIMIZATION ALGORITHM AND ITS APPLICATIONSpmcstMi Th m*gj rf t*i aomhvi Mths 4w AF5A 卜 iMrd . March thf loul pmyum doaain in Z bciifuigs * Miraun pnxcdiBt, sad the &FQA Analy uv of 4vMfmnnt ih gMl cpcEgE to the

28、 load acdHifn 4Mm luuad by AFSA. TW hybrid *eviUtn tn cffkiaBt quality in rtvn4 0Ml ofintMt9e pr9NrvARSTfUCTARSTfUCTMnoaM(m dfentin It a 6npir apf4MBmhud wiMi Ma(t fine of 4n IrrfKCanr pom of iM cpcmoMim*m drw tte KiMimailentu*: ia the cenpjlcr attaa. So mke a ilady tn K u9eel ef (he twarn 加Tb optmt

29、nocn afgorHkf* It a pwacal tcn(fKanoTW taain wuA acd (he 3t of tflte dMerMiai tre MMWuriMd u 期*M9KEWOHDSl Swim if*dli|gcnXL efinialMi *Utrhn; an cftirujtaton tgMithm m imthiitf fttfilag. Apiai ftah “inn aJ(prMii; mad)tabu path plsam/nctuirm MMfl9MlaptMlitan b MnvMnMd. and the himiImi ofthe trm irtri

30、lifrrtf uinuMkm dtpriihn： b dcMUMed. FauD7 the MnjdMe W Z 8fMm 6 93 anmattem ar* 尸1.2|h the ctM0er 2. (M*d e ire vaMed sg icwh. redscic* tetrth tnl pMdia Kitt of Zn b rtiM u . FQer*. TWn ever? fhw* 9( thwi k uwd b Mrch f iMtC 叩值 wn pctrti or gtotal cfonua wljlMn 命naqh mvk crth *yg toawh wd kfcctfnn

31、K*dh MtpMderviy(3)in iK ciaftfjcr 1. tbc paik phn3M achene twed an AttxAoai FtflMMvr* AWhm ! prawmM. Tlito crhm Is etfKWMt 皿 * c4a Q*v Uc cfMstW duim acr a cd pcrotf of UtM. So * css rwcl Ike NMbevM“ C proMptnw In iW arMm pWi Haaring.(4)in Z cMer 4. 帖 1 dxilUi cwAtehc AFSA and SFOA b最后,针对实际生产过程中存在的产

32、品处理时间等的不确定性，采用灰色规划理 论描述这种不确定性;分析了处理时间不确定条件下置换产品调度问题的特点，利 用结合水平截集的灰色规划理论对上述调度问题进行建模;结合基于灰色模拟的改进 的人工鱼群算法求解上述调度问题;通过对所建立的模型的调度问题进行的大量的仿真 研究，验证了所提出调度模型及算法的有效性。关键词:生产调度;人工鱼群算法，自适应;不确定性;水平截集;灰色不确定规划6 .学位论文张蕾基于生物群智能算法的多用户检测2008在CDMA通信系统中,由于多个用户信号扩频码字的非零互相关产生了多址干 扰（MAI,而且随着用户数的增多或信号功率的增大，多址干扰会成为影响CDMA通 信质量的

33、一个主要因素，严重制约着系统容量。多用户检测技术（MUD是有效解决 多址干扰问题的方法之一，它不同于传统匹配滤波器将其他用户的信号看作干扰，而 是利用所有用户信号对单个用户信号进行检测，从而具有优良的抗干扰性能,解决了 远近效应问题，降低了系统对功率控制精度的要求，这样可以更加有效地利用上行链 路频谱资源,显著提高系统容量。多用户信号的最正确检测是典型的组合优化问题，所以近年来人们开始将遗传算 法、粒子群算法和人工鱼群算法等一些生物群智能优化算法用于最优多用户检测代 价函数的求解，为多用户检测的研究开辟了一条新的道路。传统离散粒子群算法 （DPSO收敛速度快、计算复杂度低，但局部空间的搜索能力

34、不强,在进化过程中，粒子 容易“早熟”，在迭代后期收敛速度缓慢,本文在DPSO的基础上引入了克隆选择算法 （CS和改进的自适应算子，提出了自适应克隆选择粒子群算法（ACSPSO,并将其用于多用户检测。MATLAB仿真分析说明,ACSPSO在误码率和收敛速度上都比DPSO 得到明显改善。此外,本文还分析了自适应人工鱼群算法（AAFSA,它收敛速度较 快、使用灵活,但在解决离散优化问题时,AAFSA保持探索与开发平衡的能力较差， 算法后期搜索的盲目性较大，从而影响了搜索的质量和效率。本文又将CS和改进的 自适应算子弓I入两种自适应人工鱼群算法（AAFSA-FP和AAFSA-SP,提出了两种新 的自

35、适应克隆选择人工鱼群算法（IAFSA-FP和IAFSA-SP。仿真实验证明，这两种新 的多用户检测器和AAFSA-FP和AAFSA SP相比,在一定程度上降低了误码率，并 且收敛速度也有所提高。7 .期刊论文胡中功.李静.HU Zhong-gong.Li Jing群智能算法的研究进展-自动化 技术与应用2008,27（2群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术.目前主 要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法.本文介绍了群智能 算法的产生，开展和优点，并着力阐述了上述三种典型算法的基本原理,同时概述了各 算法的应用现状，最后提出了算法将来有待研究的内容.8 .

36、学位论文张青群智能算法及应用研究2009群智能算法是一种模拟生物群体集体智慧的计算智能算法。因为它也是一种仿 生的、随机的概率搜索算法，一般也将它归结为一种新兴的演化计算方法。群智能算 法的概念最早是由Beni,Hackwood和Wang在分子自动机系统中提出的。群智能算法中的 群体是指一组相互之间可以进行通信的主体，这组主体能够进行分布式问题的求解,这些无 智能或只有简单智能的主体通过聚集合作表现出智能性。群智能优化算法研究的是个体 与个体之间的关系以及个体与群体之间的关系。与一般意义上的演化计算最大的区别在于: 演化计算模拟的是生物系统的进化过程，它靠基因世代相传，它强调的是“个体竞争，适

37、者生存”，其基本操作是选择(复制、交叉重组和变异;群智能算法模拟的是社会系统，它是 靠“敏因”(Meme传播，它强调的是个体与个体之间、个体与群体之间的相互协作和相 互促进，是适应度差的个体向好的学习、靠拢和聚集,而非纯粹的优胜劣汰，它的操作中 隐含了选择、交叉和变异,但主要表现是学习、调整、聚集等行为。在群智能算法中，少数个体的行为对整个群体的表现影响不太大，即使有个别个 体出现故障，也不会影响群体对问题的求解，这种算法鲁棒性较强;群智能算法中，个 体行为的改变一般都追随附近个体的变化，对于单个个体而言，它需要的信息量少，只需 要接受局部信息，而且它能够采取的动作也较简单，这些因素将使群智能

38、算法扩展性好 且易于实现;另外，生物群体之所以能完成复杂的行为、具有智能，是因为个体之间有相互 联系和影响，这种联系和影响是自发的且具有一定的规律性，模拟生物群体的这一特 点群智能算法因而也具有较强的自组织性;群智能算法中，群体中的个体位置是随 机分布的，搜索空间是全局性的，因而群智能算法具有潜在的并行性和分布式特 点。群智能优化算法的基本思想是模拟实际生物群体生活中个体与个体之间的相 互交流与合作，利用简单、有限的个体行为与智能，通过相互作用形成整个群体 巨大的整体能力，来解决复杂的实际问题。在群智能优化算法中，人们对各个生 物体都进行了人工处理，使之更科学、合理，更适合解决实际问题。群智能

39、算法 多用于目标优化问题、机器学习、模式识别、系统建模、决策支持和演化硬件等 方面。到目前为止，群智能算法主要包括粒子群优化算法、蚁群优化算法、人工 鱼群算法和混合蛙跳算法。在此学位论文中，主要是分析了粒子群优化算法和蚁 群优化算法。粒子群优化算法是1995年由Kennedy等人提出的。因其具有快速性 和易于实现等优点，其理论研究不断深入，应用范围也不断拓展，针对标准粒子 群算法的改进方法也层出不穷，粒子群算法目前已成为计算智能领域的一个新的 研究热点。在粒子群优化算法中，粒子群中的每个粒子相当于鸟群中的一只鸟， 它们都追踪当前的最优粒子，在解空间中搜索，这些粒子们不断更新自己的位置 和速度，

40、通过持续迭代，得到最优解。粒子群算法开展至今有基本粒子群算法、 标准粒子群算法和各种改进的粒子群算法。在综合分析了粒子群算法的优点和缺 陷后，本文提出了一种新的改进粒子群算法多群快速粒子群算法，它通过将 柯西变异、自然选择和交叉操作引入粒子群算法来提高粒子的多样性，从而提高 算法速度和收敛率，防止了粒子过早陷入局部最优。蚁群优化算法是1991年由意 大利学者 Marco Dorigo, Viuorio Mamezzo, Albert Coolorni 等人提出，该算法鲁棒 性强，具有正反应、并行性等特点，其应用范围很广，主要的应用领域有：旅行 商问题、二次分配问题、顺序排列问题、通讯网络路由问

41、题及大规模集成电路设 计等问题。蚁群算法不需要任何先验知识，蚂蚁们最初只是随机地选择搜索路 径，随着搜索过程的延续，对解空间的了解不断增多，搜索也渐渐变得有规律， 直至逼近或最终到达全局最优解。人们通过认真、仔细研究，发现了能导致这种 优化结果的原因，即：蚂蚁在寻找食物的过程中，会在它们经过的路径上释放一 种叫做信息素的化学物质，同一蚁群中的其它蚂蚁能感知到这种物质和它的强 度，后续蚂蚁会倾向于朝着信息素浓度高的方向移动，显然路径越短，信息素浓 度越大，而越是信息素浓度高的路径上，吸引的蚂蚁也会越多，留下的信息素也 会越来越多，形成一种正反应效应，在正反应效应的影响下，最终所有的蚂蚁都 会走到

42、最短的那条路径上。仿照蚁群算法在解决TSP问题上的应用，我们在逻辑 电路的设计中尝试使用了蚁群算法。本论文有两个着眼点，一是希望在系统分析 粒子群算法特点的基础上，提出一些新的解决问题的思路和方法；再就是希望通 过详细分析蚁群优化算法的特点，抓住它并行搜索的优势，并借助蚁群算法解决 TSP问题的方法，将之与演化硬件相结合，实现电路的优化设计。论文的主要研 究工作如下：1、在分析计算智能中几种算法的基础上，重点介绍了群智能算法中 的粒子群优化算法和蚁群优化算法。初步分析了这两种群智能算法的优点和缺 陷，详细了解它们的研究现状、存在的问题和应用状况，为论文后续的研究工作 奠定了背景基础。2、综合分

43、析了各种粒子群算法的特点，讨论了粒子群的拓朴结 构，粒子群中粒子的运动轨迹，并针对粒子群算法易于陷入局部最优这一缺陷， 探求提高粒子多样性的方法。3、分析基本的蚁群算法的特点，侧重分析蚁群算法 在TSP问题中的应用，分析演化硬件的结构和特点，为将蚁群算法用于电路设计 打下基础。4、提出了一种基于快速粒子群算法的多群粒子群算法。在研究改进的 粒子群算法时，针对粒子群算法易于陷入局部最优，以及算法搜索后期易于陷入 停滞等问题。将柯西变异引入粒子群算法，配合自然选择策略，并将遗传算法中 的交叉操作也嵌入进来，通过在八个测试函数上的实验，结果说明这种新的改进 粒子群算法比SPSO和FPSO更高效、准确，速度也更快。另外，