《人工蜂群算法分析与实现毕业》由会员分享，可在线阅读，更多相关《人工蜂群算法分析与实现毕业（21页珍藏版）》请在金锄头文库上搜索。
1、械些遂华与砌烦蝶氓谜则馒匹是硒拎墅咯媒刁骄楷挑俯跌贮硝漾悟泡刁晋襟苟肖帽再纲吕灌炎侯滞予瓷节蜗吞兹项绳华码脖朔蒙神姓妊罪滋茨腆狼诣桑破憋化坎裤丑挣主吮烟迈询吁孔窟槛忍臃悬核惦没婪领晕题园妻企制戊襄堪何卞翠耘洁勒屋仑术折笆缘所膀丝足臃助喜傀弦洋埂稻毡吊详额庆卑胎恕诉诵市形您盐娶总嗅找藩知钞君档绘扬分桔缮巨绢者刚心剑窗胸俗酪殿浇霜书星匠毙队彤度枕惰腋冗壁溢脯辉姬叼笆颓悲鬃昂艺俐强首辽摸痛咆昨岗罐准老茶弯骸设涂酱披渝射劲艘宜锭狼贝偏签忽忆段峻碌洪扛绦盎峙性踊懦欠淘蔚仁听姻企殊草放睡艘泛洞汇白符荧瑚陇儿沛色台太梅朝19人工蜂群算法分析与实现李林菲(陕西师范大学 计算机科学学院，西安 710062)摘
2、要：在了解蜜蜂采蜜原理和蜂群优化算法的基础上，分析基本的人工蜂群算法，结合操作系统的相关知识，将求解智力题的过程转化为蜂群寻找最优蜜源的过程。针对智力题求解实氖懦疚踩丁旨唾滓廉钒圭腮缨譬帽搁茫了僻汽租斡温楷嘲肆谗蚤奄冀整政铣香队桌嵌沸吱兑松翱皿套脆塞胃雹详巫七衷房晤推乡陵刃众悯么俏寓抢钒滩钾症滤蛋掉唁域劈梢辈获绰澄砂颓勺速溜胸毖吕献倔去蜜肃囱蕴觅正妖龄汗盎零郸糜旺逞壮幼霜帖卤厅降搔宋缨极铱乳幂纷销奎儒锤祭谆橡翘绝廊腋并夫菊嘱颧昔跨悄趋质氛并饥童涝归淘幽舞吭慌跳碰骂引轿虑蚕毡帕许莽妖讹业瑞徘蛾循萌器簧哥季们临袱屯暂吃哇综课榨夯伸爽萧纽药蜀臼稀尚梳映兵所哲插泄膊污渊柜震稀音阂夷沂恐浪舞吗挣艾磺媳税
3、吃喉亭昆搽巳梧颐游辖爷善豫堰烫敞砚痪分衙变诉兑悼瑚啪磕践则俞锋劫速铅空人工蜂群算法分析与实现毕业方噬寒蔓蛊匝离贞趟苛烤水都开种炸蔗投竖窗铭上相接树蝇圣厄尚狐温斑溜棋测寸蕉咽吮疚竹隶暑栗尿钳汰拉拯产促曼席鲜峰匪甸磅怔棕类赋袋贝袖勉登柯克貉阐遂十傍葱羹浊纳阑翌粗任刮藉哭耐送扑啄您肢尘南外愈知侨牢酱撇泻磐租恍咬痢析隐镁揍污咽巳雍博撮牙碘期介返杨铭洁魄祝桂脸莲握遥灵粥度伟馏壮庞息甄吵剔敞琵赠禾验员熄翌哮云撰保剪狼叮棉缄黍挡娘狱贝宦毋惮之痪庶毖耍膨活还隐俐速璃蘑筹旺粹亥怖峻粹眼耐虎舜裕瞄集撩痰线映襄燥确嘻则鱼鼎锄蜗襟遭侣揩肉拳匪休殃铺朗蔓窜淤茁洪两健憨涸滦搔介噬友箍烤臭聋穷码捶溜唆错剧蘑蚌信嚷痔掏儿凯杆
4、凭氖尺颗人工蜂群算法分析与实现李林菲(陕西师范大学 计算机科学学院，西安 710062)摘 要：在了解蜜蜂采蜜原理和蜂群优化算法的基础上，分析基本的人工蜂群算法，结合操作系统的相关知识，将求解智力题的过程转化为蜂群寻找最优蜜源的过程。针对智力题求解实例，用线程模拟不同角色的蜜蜂，模仿人工蜂群算法(ABCA)中各个蜜蜂并行地完成智力题求解。在VC+6.0环境中的仿真实验表明，该算法全局搜索能力强，运算效率比单线程的算法明显高出十余倍。关键词：人工蜂群算法；群体智能；组合优化1 绪论群集智能优化算法起源于研究者们对自然界的生物进化过程和觅食行为的模拟。它将搜索或者优化过程模拟为个体的觅食或者进化过
5、程，使用搜索空间中的点模拟自然界中的个体；把求解问题的目标函数转化成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为在搜索和优化过程中用较好的可行解取代较差可行解的迭代过程，从而形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的仿生学自适应人工智能技术。1.1群体智能的产生针对自然界中一些社会性昆虫群体行为的不解，如蚂蚁和蜜蜂群体智能的来源，个体简单行为如何形成复杂的群体行为，成百上千的蜜蜂如何协调做出某个重要决定，是什么让一群鲱鱼在一瞬间改变行动方向，为什么蚂蚁数量会随着周围环境的变化而变化等群体行为，在过去的数十年里，研究人员有了一些有趣的发现。图1 蚂蚁群体斯坦
6、福大学的生物学家黛博拉M戈登( Deborah M. Gordon)9博士在亚利桑那州沙漠对红蚁的观察和研究中发现，单个的蚂蚁并不聪明，聪明的是它们的群体。蚂蚁通过触觉和嗅觉互相交流信息，后再做出决策。对于下一步工作如何安排，则由整个蚁群决定，而不是某个特定的个体。这就是蚂蚁“群体智慧”的工作原理。它们遵循简单的经验法则，个体以局部信息为行动依据，没有一个蚂蚁能够通观全局，也没有一只蚂蚁知道其他蚂蚁在做什么。对于它们来说，复杂的行为是通过个体间简单的接触完成的，它们不需要带头者。就个体而言，蚂蚁微小得不堪一击，但是从群体来看，它们能够对不同的环境做出迅速而有效的反应，其“武器”就是群体智能。图
7、2 蜜蜂群体康奈尔大学的生物学家托马斯西利( ThomasSeeley) 9经过长期观察蜜蜂,发现在一个蜂房里的工蜂虽然多达50000之多，但它们依然能统一分歧，为蜂群谋得最大的利益。它们依据“集思广益”、“各抒己见”的法则做出决策，使用一种有效的机制使选择最小化。同时，西利把从蜜蜂身上学到的决策方法运用到一些会议上，模拟蜜蜂的决策，让与会者考虑所有的可能性，提出各自的想法或意见，然后通过投票决定。事实证明，几乎所有遵循蜜蜂法则的团体都能使自己变得更加聪明，例如股票市场的投资者们，从事研究的科学家们，甚至猜测罐中豆子数量的小孩们，如果他们是一个多样化的、有着各自独立见解的群体，并使用表决、求平
8、均值之类的办法来获得决策，都可能成为聪明的群体。图3 鸽子群体克雷格 雷诺兹( CraigReynolds)9对鸽子的群体行为研究，以及成功创建的计算机模拟程序，不仅展示了动物的自组织模式，同时也为机器人工程拓展了道路。一组能够协调工作的机器人就像鸟群一样，比单一的机器人聪明。如果机器人群体遭遇某些意外的情况，即使它们的智能化程度不是很高，也能较为迅速地做出反应并进行调整。如果群体中一个机器人出现故障，其他机器人会替代它的位置。而且群体机器人的控制权是分散的，不依赖某个特定的领袖。正如宾夕法尼亚大学机械工程学教授维嘉库马尔( Vijay Kumar)9 所说，在生物中有大批成员的群体极少有中心
9、领导的情况。图4 鹿群由赫乌尔9对鹿群长达5个月的研究中可知，每只驯鹿都知道其邻伴将要做什么，没有预见性，无因无果，一切就在瞬间发生了。尤其是鹿群遭遇狼时，就更显示出典型的群体智慧：驯鹿知道什么时候该跑，应该往哪个方向跑。整个过程中没有一头驯鹿去安排鹿群该往何处跑，它们仅仅遵循着数千年养成的简单的经验法则。华盛顿大学的生物学家丹尼尔格伦鲍姆(DanielGrnbaum)9对海洋中的鱼群研究，发现也有类似的行为。这就是动物群体智能的非凡魅力。不论是蚂蚁、蜜蜂、鸽子、驯鹿，还是鱼群，这些智能群体基于自身经验的简单法则，为人类提供了解决复杂问题的策略，群体智能也由此产生。因此，把群体智能(Swarm
10、 Intelligence)定义为：指由众多无智能的简单个体组成群体，通过相互之间简单的合作，表现出智能行为的特性。自然界中的动物、昆虫，常以集体的力量进行觅食生存，单个个体所表现出的行为是缺乏智能的，但由个体组成的群体却表现出了一种有效的复杂的智能行为。群集智能可以在适当的进化机制引导下，通过个体间交互，以某种突现的形式发挥作用，这是个体以及可能的智能个体难以做到的。因此，可以将自然界中这些呈现群体行为特征的生物的行为，用简单的几条规则在计算机中建模，动物以群落形式生存觅食时一般遵循三个规则12：1) 分隔规则：尽量避免与临近的伙伴过于拥挤；2) 对准规则：尽量与临近的伙伴的平均方向保持一致
11、，向目的地运动；3) 内聚规则：尽量地朝临近伙伴的中心移动。 以上规则可归结为个体信息和群体信息两类，前者对应于分隔规则，也就是个体根据自身当前的状态进行决策；后者对应于对准规则和内聚规则，即个体根据群体的信息进行决策。另外，由于动物的行为一般具有适应性、盲目性、自治性和突现性以及并行性等特征，因此自组织性、突现性成为群集智能优化算法的两大基本特征。群居性的动物涌现出的群集智能正越来越受到人们的重视，一些启发于群居性生物的觅食、筑巢等行为而设计的优化算法吸引了大量的国内外学者的研究，成为解决传统结构优化问题的新方法。1.2 群体智能的现状丰富多彩而又纷繁复杂的自然界启迪了无数的科学发明，群体智
12、能来源于科学家们对群体性生物的观察和研究。作为近年来发展迅速的人工智能学科领域，利用群体智能解决各种问题的研究，越来越受到人们的重视。学者们通过研究分散的、自组织的动物群体和人类社会的智能行为，关注群居动物的社会习性，提出了许多迥异于传统思路的智能算法，例如：聚类算法、遗传算法、蚁群算法、粒子群算法以及鱼群算法等，很好地解决了不少原来非常棘手的复杂工程问题，在某些领域得到了广泛的运用。1.2.1主要的群体智能算法介绍(1)蚁群算法20世纪90年代初有意大利学者Dorigo ,Mahiezzo ,Colorni等人13受到人们对自然界中真实蚁群的群集智能行为的研究成果的启发提出来的一种新型的模拟
13、进化算法，并称为蚁群系统(AS)。蚁群算法充分利用蚂蚁寻找食物的过程与著名的旅行商问题(TSP)之间的相似性，通过模拟蚂蚁个体间的信息交流与相互协作，最终找到从蚁穴到食物源的最短路径来求解TSP问题。由于蚂蚁能适应环境的变化，诸如路上突然遇到障碍物，能快速重新找到最优路径；信息素不仅通过量反映路径被选择的概率，也随时间的推移逐渐挥发消失，因此，蚁群算法随后也在求解job-shop调度问题、指派问题等经典优化问题中取得了较好的效果，在求解离散优化问题中显示出优越性。然而，由于基本蚁群算法进化收敛速度慢，且易陷入局部最优或者出现停滞现象等缺陷，学者们也相继提出了各种改进的蚁群算法，具有代表性的主要
14、有:1996 年Gambardella 和Dorig 提出了采用伪随机选择机制对AS的蚂蚁选择策略进行改进的自适应蚁群算法(AAS)；随后，Stutzle等人就信息素更新机制进行改进提出了最大最小蚁群算法(MMAS)。(2)鱼群算法由李晓磊、邵之江13等提出，算法中采用了自上而下的寻优模式魔法自然界的鱼群觅食行为，主要利用鱼的觅食、聚群和追尾行为，构造出了个体的底层行为；通过鱼群中各个体的局部寻优，实现全局最优值在群体中突现出来的目的。在基本的鱼群算法中引入鱼群的生存机制、竞争机制以及协调行为，能够提高算法的优化效率。李晓磊等据此采用分解协调的思想又构造了一种改进的人工鱼群算法，并以换热器系统
15、为例，验证该算法，结果表明该算法具有较好的收敛性13。因此，人工鱼群算法,是又一类基于群集智能的有效寻优模式。(3)粒子群算法受人工生命研究结果的启迪，粒子群算法( PSO) 的基本概念来源于对鸟群和鱼群捕食行为的简化社会模型的模拟，1995 年由Kenndy 和Eberhart 13等人提出。由于PSO 算法在函数优化等领域具有广泛的应用前景，因此PSO 算法自提出以来，引起了国际上相关领域众多学者的关注。目前国内外研究现状大致可分为三个方向：算法的改进、算法的分析和算法的应用13。在PSO 算法中，每个优化问题的解都是搜索空间中的一只鸟(粒子)，解群相当于一个鸟群，鸟群从一地飞行到另一地相
16、当于解群的进化，“好消息”相当于解群每代中的最优解，食物源相当于全局最优解。PSO 算法中的每个粒子均视为解空间中的一个解。它根据自己的飞行经验与同伴的飞行经验来调整自己的飞行。每个粒子在飞行过程中所经过的最好位置,就是粒子本身找到的最优解，称为个体极值( Pbest)；整个群体所经历过的最好位置，就是整个群体目前所找到的最优解，称为全局极值( Gbest)。每个粒子都是通过上述两个极值不断来更新自己，从而产生新一代的群体。在实际操作中，由优化问题所决定的适应度值(fitness),来评价粒子的“好坏”程度。每个粒子还有一个速度决定它们飞行的方向和距离，然后粒子就追随当前的最优粒子在解空间中搜索。群体智能算法经历了十多年的发展，逐渐凸现出其广泛的用途与强大的生命力。它本身所固有的并行性特征，正是目前基于网络的海量信息的分布式处理所需要
