仿生智能优化算法

在仿生智能优化算法中每一个个体都是具有经验和智慧的智能体,个体之间存在互相作用机制,通过相互作用形成强大的群体智慧来解决复杂的问题。仿生智能优化优化算法本质上是一种概率搜索算法,它不需要问题的梯度信息,具有以下不同于传统优化算法的特点:

①群体中相互作用的个体是分布式的,不存在直接的中心主体,不会因为个别个体出现故障而影响群体对问题的求解,具有较强的鲁棒性;

②每个个体只能感知局部信息,个体的能力或遵循规则非常简单,所以群体智能的实现简单、方便;

③系统用于通信的开销较少,易于扩充;

④自组织性,即群体表现出来的复杂行为是通过简单个体的交互表现出高度的智能。仿生智能优化算法的这些特点为克服优化设计领域所面临的困难提供了有力的支持。

仿生智能优化算法共同点分析

几种仿生智能优化算法都是模拟自然界生物系统、完全依赖生物体自身的本能、通过无意识的寻优行为来优化其生存状态以适应环境的一类新型最优化方法,因而在结构和行为上具有许多相似的特点:

1)都是一类不确定的算法,这种不确定性体现了自然界的生理机制,是伴随其随机性而来的,在求解某些特定问题时要优于确定性方法;

2)都是一类概率型的算法,其主要步骤都含有随机因素,能有更多的机会获取全局最优解;

3)在优化过程中都不依赖于优化问题本身的严格数学性质以及目标函数和约束条件的精确数学描述;

4)都是一种基于群体的智能优化算法;

5)都具有隐含并行性,能以较少的计算获得较大的收益;

6)都具有突现性,其总目标的完成是在群体中个体的进化过程中突现出来的;

7)都具有进化性,其个体在复杂的、随机的、时变的环境中,通过自学习不断提高其适应性;

8)都具有稳健性,在不同的条件和环境下,体现出强大的适应性和有效性。

当然,由于自然界中生物系统的多样性和复杂性,这些算法也表现出了巨大的差异。而差异的存在,也正好为探讨这些仿生智能优化算法的本质属性,进而得出仿生智能算法的统一框架模式,设计出性能更好的算法提供了丰富的资料。

仿生智能优化算法统一框架模式

仿生智能优化算法在结构、研究内容和方法及运行模式等方面体现出了较大的相似性,为建立仿生智能优化算法的统一框架模式提供了可能。

由个体组成群体,依据特定的进化规则,迭代产生更新群体(如遗传算法蚁群算法)或个体位置(如粒子群算法人工鱼群算法混合蛙跳算法),最优解随着群体的不断进化或移动而突现出来,该框架模式可描述为:

1)设置各参数,产生初始群体并计算适应值;

2)根据设定规则,更新群体或其位置,产生一组解,计算个体适应值;

3)由个体适应值比较获得群体的最优适应值并作纪录;

4)判断终止条件是否满足,如满足,结束迭代;否则,转2)。

在该框架模式中,决定算法性能的是群体的更新规则,这些设定规则决定了个体的行为规范,具有直接的生物学基础,构成了算法不同于其他同类的独特本质和鲜明特色。

仿生智能优化算法一般设立一块公告板,用以记录最优个体的历史状态。在算法执行的每一次迭代中,每个个体比较都自身状态与公告板状态,并在自身状态较优时与之置换,使得公告板始终记录历史最优状态。在算法迭代结束之后,就可以从公告板状态中读出最优解并获取相关信息。



前一篇:人工免疫算法

后一篇:三角进化算法

发表评论

You must be logged in to post a comment.