包邮粒子群算法在优化选取问题中的应用研究

内容简介

第1章绪论
1.1群智能算法概述
通过对自然界生物群体的研究发现，群体系统所拥有的鲁棒和应对复杂问题的解决能力，往往是依靠一套在个体间和个体与环境间的交互规则完成的。例如，单只蚂蚁的能力有限，但当它们组成蚁群时，却能够完成筑巢、觅食、清扫蚁穴等复杂行为;一群看似盲目的蜂群，却能造出精美的蜂窝;鸟群在没有集中控制的情况下能够同步飞行等。
通过模拟生物在自然界中的优胜劣汰规则，便产生了仿生智能优化算法的群智能优化算法[1,3](简称群智能算法)，这是一种基于生物群体行为规律的计算技术。群体指的是“一组相互之间可行直接通信或间接通信(通过改变局部环境)的主体，这些主体能够通过合行分布式问题的求解”。群智能指的是“无智能的主体通过合作表现出智能行为的特”，如蜜蜂采蜜、筑巢和蚂蚁觅食、筑巢等行为都需要依靠群体的协作。这种自然系统解决问题的能力，要优于彼此分离的个体所组成的系统。群智能在没有集中控制且不提供全局模型的前提下，为寻找复杂分布式问题的解决方案提供了一种新途径。与传统算法相比，群智能算简单、易于实现、适应强且鲁棒强，因此，该算法受到越来越多研究者的关注。群智能算法的优点可归纳如下。
(1)鲁棒强:由于智能系统的控制是分布式的，因此它的适应力强，对于某些个体的故障，其群体仍能维持整体的能。
(2)并行好:由于种群中的个体是分布式的，因此可更好地利用多处理器，使算法更加适合网络环境下的工作，
(3)要求低:对问题所对应的目标函数是否具有连续、可导和可微无要求，算法的适用广。
(4)通信花费少:个体通过对环境的感知自适应调节个体的信息交流方式，使系统具有良好的扩展和。
(5)简单易行:系统中个体行为简单，执行时间短，易于实现。
(6)自组织强:个体在协同合作中使群体显示出复杂且智能的行为，使系统具有自调节。
群智能算法中主要模拟了生物行为的四个过程:一是将生物群体化和觅食行为看作优化和搜索的过程;二是将生物个体看作搜索空间中的点;三是将待求解问题的目标函数看作个体适应环境的能力;四是化过程中的优胜劣汰看作搜索和优化过程中用好的可行解替换较差解的迭代过程。群智能算法的缺点是早熟、收敛速度慢。目前，基于群智能算法的仿生算法主要有以下几种。
(1)粒子群算法[4:模拟鸟群在空中合作找到食物的觅食过程，