启发搜索之群体智能(1)

演化式计算是一种共享名词,系指达尔文进化论的”适者生存,不适者淘汰”,以此观念来实际模拟自然界演化过程所建立的演算方式,例如早期Holland教授的遗传算法(Genetic Algorithms)。然而,后进者开始将演化重心转移到动物的群体行为上,提出了群体智能优化算法,代表是意大利学者Dorigo、Maniezzo等人于20世纪90年代提出来一种蚁群算法(Ant Colony Algorithm)。他们在研究蚂蚁觅食的过程中,发现单个蚂蚁的行为比较简单,但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下,寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现,蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质,蚁群内的蚂蚁对“信息素”具有感知能力,它们会沿着“信息素”浓度较高路径行走,而每只路过的蚂蚁都会在路上留下“信息素”,这就形成一种类似正反馈的机制,这样经过一段时间后,整个蚁群就会沿着最短路径到达食物源了。
概括来说,群体智能Swarm Intelligence)优化算法主要模拟了在昆虫、兽群、鸟群和鱼群之中发现的通过合作方式寻找食物的群体行为。其核心思想就是若干个简单个体构成一个群体,通过合作、竞争、交互与学习等机制表现出高级和复杂的功能,所以群体智能可以在没有集中控制并且缺少全局信息和模型的前提下,仍能够完成复杂问题的求解。其求解过程为对求解变量进行随机初始化,经过迭代,计算目标函数的输出值。群体智能优化算法不依赖于梯度信息,对待求解问题无连续、可导等要求,使得该类算法既适应连续型数值优化,也适应离散型组合优化。

群体智能优化算法的原则

邻近原则:群体应能够实现简单的时空计算
品质原则:群体能够响应环境要素
多样性反应原则:群体不应把自己的活动限制在一狭小范围
稳定性原则:群体不应在每次环境变化时都改变自身的行为
适应性原则:在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为

常见的群体智能优化算法

群体智能优化算法出现后,可以说是非常的受欢迎,很多研究学者也都提出了一些自己的群体智能优化算法,但是,受到大家认可(应用较为广泛)的算法大致为:
蚁群算法—————1991年提出
粒子群算法————-1995年提出
菌群算法—————2002年提出
人工鱼群算法———–2002年提出
人工蜂群算法———–2005年提出
……

群体智能优化算法的应用

目前群体智能优化算法已经广泛的应用于图像处理、数据挖掘、智能控制、网络优化等领域。

0%