粒群優(yōu)化與蟻群算法

《粒群優(yōu)化與蟻群算法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、群智能（SwarmIntelligence）什么是群？蟻群魚群鳥群蜂群“群”的特征相互影響的相鄰的個體個體的行為簡單既有競爭又有協(xié)作智能化的集體行為個體之間不僅可以交換信息,而且可以處理信息，根據(jù)信息來改變自身行為沒有一個集中控制中心，分布式，自組織。作為群體協(xié)作工作時，能夠突顯出非常復(fù)雜的行為特征-智能行為，群智能群智能（SwarmIntelligence）的提出和發(fā)展1989年加利福尼亞大學(xué)的Beni（貝尼）、Hackwood教授在其細胞自動機中首次提出群智能的概念。細胞自動機中的主體在一維或二維網(wǎng)格空間

2、中與相鄰個體相互作用，從而實現(xiàn)自組織。任何一種由昆蟲群體或其它動物社會行為機制而激發(fā)設(shè)計出的算法或分布式解決問題的策略均屬于群智能。1999年，Bonabeau（伯納堡）、Dorigo和Theraulaz在他們的著作“SwarmIntelligence:FromNaturaltoArtificialSystems,群智能：從自然到人工系統(tǒng)”Beni（貝尼）Bonabeau（伯納堡）群智能（SwarmIntelligence）的提出和發(fā)展2001年肯尼迪和艾伯哈特合寫了一本書“群智能”群智能發(fā)展的歷程碑贊同伯納

3、堡關(guān)于群智能的基本定義精神最重要的觀點：智能源于社會性的相互作用---群智能發(fā)展的基石。認為暫時無法給出合適的定義群智能已經(jīng)成為有別于傳統(tǒng)人工智能中符號主義和鏈接主義的一種新的關(guān)于人工智能的研究路線SwarmIntelligence目前，已有的群智能理論和應(yīng)用研究證明群智能方法是一種能夠有效解決大多數(shù)優(yōu)化問題的新方法，更重要是,群智能潛在的并行性和分布式特點為處理大量的以數(shù)據(jù)庫形式存在的數(shù)據(jù)提供了技術(shù)保證。無論是從理論研究還是應(yīng)用研究的角度分析,群智能理論及應(yīng)用研究都是具有重要學(xué)術(shù)意義和現(xiàn)實價值的。Swarm

4、Intelligence由于SI的理論依據(jù)是源于對生物群社會性的模擬，因此其相關(guān)數(shù)學(xué)分析還比較薄弱，這就導(dǎo)致了現(xiàn)有研究還存在一些問題。數(shù)學(xué)理論基礎(chǔ)薄弱：群智能算法的數(shù)學(xué)理論基礎(chǔ)相對薄弱，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)置一直沒有確切的理論依據(jù)，通常都是按照經(jīng)驗型方法確定，對具體問題和應(yīng)用環(huán)境的依賴性比較大。結(jié)果的可信性：同其它的自適應(yīng)問題處理方法一樣，群智能也不具備絕對的可信性，當(dāng)處理突發(fā)事件時,系統(tǒng)的反應(yīng)可能是不可測的,這在一定程度上增加了其應(yīng)用風(fēng)險。另外,群智能與其它各種先進技術(shù)(如:

5、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、支持向量機等)的融合還不足。無智能或簡單智能的主體通過任何形式的聚集協(xié)同而表現(xiàn)出智能行為的特性。這里關(guān)心的不是個體之間的競爭，而是它們之間的協(xié)同（獲取并共享信息）。螞蟻：信息素魚群：速度、方向、位置等，群體最佳和個體最佳位置鳥群：速度、方向、位置等。SwarmIntelligence(續(xù))基于群智能的優(yōu)化算法典型算法蟻群算法（螞蟻覓食）粒子群算法（蜂群或鳥群覓食）魚群算法（魚群覓食）優(yōu)點靈活性穩(wěn)健性自組織潛在的并行和分布已有的群智能理論的研究和應(yīng)用證明群智能方法是一種能夠有效解決大多數(shù)優(yōu)化

6、問題的新方法。粒子群優(yōu)化算法（ParticleSwarmOptimization,PSO）由JamesKenney（社會心理學(xué)博士）肯尼迪和RussEberhart（電子工程學(xué)博士）艾伯哈特，1995年提出模擬鳥群或蜂群的覓食行為基本思想：通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解,肯尼迪鳥類的覓食一群鳥在隨機的搜索食物，在一塊區(qū)域里只有一塊食物，所有的鳥都不知道食物在哪。但是它們知道自己的當(dāng)前位置距離食物有多遠。那么這群鳥找到食物的最優(yōu)策略是什么？群體協(xié)作-獲取信息、共享信息粒子群優(yōu)化算法粒子群優(yōu)化算法

7、每個鳥抽象為一個無質(zhì)量，無體積的“粒子”每個粒子有一個適應(yīng)度函數(shù)以模擬每只鳥與食物的距離每個粒子有一個速度決定它的飛行方向和距離，初始值可以隨機確定每一次單位時間的飛行后，所有粒子分享信息，下一步將飛向自身最佳位置和全局最優(yōu)位置的加權(quán)中心粒子群優(yōu)化算法流程PSO算法初始化為一群隨機粒子，通過迭代找到最優(yōu)。每次迭代中，粒子通過跟蹤“個體極值（pbest）”和“全局極值(gbest)”來更新自己的位置。粒子群優(yōu)化算法粒子速度和位置的更新假設(shè)在D維搜索空間中，有m個粒子；其中第i個粒子的位置為矢量其飛翔速度也是一個

8、矢量，記為第i個粒子搜索到的最優(yōu)位置為整個粒子群搜索到的最優(yōu)位置為第i個粒子的位置和速度更新為：粒子群優(yōu)化算法粒子速度和位置的更新其中，w稱為慣性權(quán)重，c1和c2為兩個正常系數(shù)，稱為加速因子。將vidk限制在一個最大速度vmax內(nèi)。“慣性部分”，對自身運動狀態(tài)的信任“認知部分”，對粒子本身的思考，即來源于自己經(jīng)驗的部分“社會部分”，粒間子的信息共享，來源于群體中的其它優(yōu)秀微粒的經(jīng)驗粒子群優(yōu)化算法算法