几种常规群体智能算法的研究进展

摘 要 本文主要针对智能优化算法，阐述了其典型算法和最新优化算法的发展情况。

【关键词】计算机智能 群体智能 算法

计算机技术不断发展，算法技术也在不断更新。群体智能（Swarm Intelligent，SI）算法始于20世纪90年代初，主要是受自然界生物群体智能现象的启发，通过模仿社会性动物的行为，而提出的一种随机优化算法。群体智能是基于种群行为对给定的目标进行寻优的启发式搜索算法，其的核心是由众多简单个体组成的群体能够通过相互之间的简单合作来实现某一较复杂的功能。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，为寻找复杂的分布式问题的解决方案提供了基础。

1 传统群体智能算法

1.1 蚁群算法（ACO）

1991年意大利学者Dorigo M等受到自然界中蚁群觅食行为启发而提出了蚁群算法（Ant Colony Optimization，ACO）。蚁群算法的基本理念是蚁群生物性的利用最短路径的根据局部信息调整路径上的信息素找寻的特征，这个算法的优势非常的明显，而且具有较为突出的应用性，在这个过程中蚂蚁可以逐步地构造问题的可行解，在解的构造期间，每只蚂蚁可以使用概率方式向下一个节点跳转，而且由于这个节点是具有较强信息素和较高启发式因子的方向，直至无法进一步移动。此时，蚂蚁所走路径对应于待求解问题的一个可行解。蚁群算法目前已成功地用于解决旅行商TSP问题、数据挖掘、二次指派问题、网络路由优化、机器人路径规划、图着色、物流配送车辆调度、PID控制参数优化及无线传感器网络等问题。

1.2 人工鱼群算法（AFO）

2002年由我国的李晓磊等受鱼群运动行为的启发而提出了人工鱼群算法（Artificial Fish-Swarm Algorithm，AFSA）。人工鱼群算法的思想主要是利用鱼个体的四种行为（觅食、聚群、追尾和随机）的特征，通过技术应用将人工鱼随机地分布于解空间中，解空间中包含着若干局部最优值和一个全局最优值。在进行应用时，可以有效的利用相关特点进行，特别是应用的寻优期间，每次迭代执行完，人工鱼都将对比自身状态和公告板状态，如自身具有优势，则更新公告板状态，确保公告板为最优状态。 人工鱼群算法已在参数估计、组合优化、前向神经网络优化、电力系统无功优化、输电网规划、边坡稳定、非线性方程求解等方面得到应用，且取得了较好的效果。

1.3 蜂群算法（ABC）

人工蜂群算法（ABC）是一种非数值优化计算方法。人工蜂群算法的思想是：将虚拟蜜蜂群初始时随机分布在解空间中，将食物源的位置抽象成解空间中的点（可行解）。蜂群算法由3个基本要素构成：蜜源、采蜜蜂和待工蜂。在蜜蜂与外部环境的交流中蜜蜂通过自身的反应阀值（threshold）和外界的激励信号（stimulation）来自行安排工作。

1.4 粒子群算法（PSO）

PSO（粒子群算法）是一种新兴的基于群体智能的启发式全局搜索算法，具有易理解、易实现、全局搜索能力强等特点。粒子群算法模拟鸟群的捕食行为，通过群聚而有效的觅食和逃避追捕。在鸟群的捕食过程中，个体之间存在着信息的交换与协作，整个群体中信息是共享，每个个体的行为是建立在群体行为的基础之上。可以设想这样一个场景：一群鸟在随机搜索食物，每只鸟在初始状态下处于随机位置，且朝各个方向随机飞行，在这个区域里只有一块食物，所有的鸟都不知道食物在那里，但随着时间推移，处于随机状态的鸟通过搜寻目前离食物最近的鸟的周围区域，聚集成一个个小的群落，并最终将整个群落聚集在食源的位置。受到这种模型的启示，在PSO算法中，优化问题的解都是被称为“粒子”。通过类似于鸟群捕食的方式，追随当前的最优粒子在解空间中搜索，并最终找到最优解。

2 混合群体智能优化方法

2.1 基于PSO的混合优化算法

传统的粒子群算法在低维空间上，可以快速高效寻找最优解，但随着函数维数的增加，容易陷入局部极值，导致收敛精度低。而混合粒子群算法是在标准粒子群算法中加入进化算法，保证了群体的多样性，快速收敛效果和避免陷入局部极值的能力。混合粒子群算法利用选择机制改进的算法将每个个体的适应度，并与几个其它个体进行比较，记下最差的一个点，通过这种方式排序之后，最高的得分出现在群体最前面，逐步淘汰掉较差的区域，因此可以更加合理地分配有限的资源。在杂交算子改进的PSO中，将粒子群算法与杂交算子的结合，在该种算法运行过程中根据适应度的大小，粒子之间可以两两杂交，这个杂交概率是随机的。经过杂交操作，将随机产生粒子的最新位置。这种杂交操作只改变了粒子的方向，而没有改变粒子的数量，保证群体的多样性，避免陷入局部极值。因此应用了杂交算子的粒子群算法比传统粒子群算法效率更高。

2.2 基于BFO的混合优化算法

BFO（细菌觅食算法）来源于细菌的群体行为特性，是近年来研究提出的一种新的算法。BFO搜索通过群体细菌之间的竞争和协作，实现搜索的优化。关于BFO混合算法目前的研究结果基本是加入PSO的机理来解决函数优化问题，通过对分析各种算子的步长以及细菌的生存期的过滤，从而实现算法性能的提高。近年来，Kim和Abraham又将遗传算法引入BFO，该算法结合了BFO算法中大肠杆菌的觅食机制菌和PSO算法中的鸟类云集模式。基于BFO和PSO提出一种混合优化算法，解决了多模态高维函数的优化，提高了对高维函数优化的收敛速度和局部搜索能力。

2.3 自适应菌群约束优化算法

自适应菌群约束优化算法是基于BFO提出了一种处理约束优化问题新方法。该算法引入Tent混沌方法对符合迁徙条件的细菌进行位置初始化，并加入了基于佳点集的交叉算子，使得迁徙后的新菌群具有随机性的特点，使群体均匀的分布在搜索空间中，有跳出局部最优的可能；同时选择精英细菌作为混沌映射的初始解，趋药性步长的自适应变化使得算法避免了在最优值附近的振荡，并能够在维持菌群总数不变的同时得到质量更优的细菌新个体，扩大精英群体的规模。

3 结束语

由于科学技术不断进步，许多应用领域涉及因素、规模以及难度也越来越高，面对的优化问题日益复杂化，这些常规的优化算法都远不能满足要求。而混合智能优化方法，计算简单，易于实现，能够在复杂的问题中快速有效的得到最优解。鉴于智能算法的混合结构很多，关于群体智能优化算法的混合算法还有待进一步研究。

参考文献

[1]李俊.群体智能融合算法研究及其应用[D].南昌航空大学，2013.

[2]向万里.混合群体智能优化算法及应用研究[D].天津大学，2014.

[3]冯月华，陈州吉.基于群体智能的蚁群算法原理及应用研究[J].兰州文理学院学报（自然科学版），2014，02期.

作者简介

刘利波（1983-），男，河南省济源市人。硕士学位。现为新疆轻工职业技术学院讲师。研究方向计算机软件技术。

作者单位

1.新疆轻工职业技术学院 新疆维吾尔自治区乌鲁木齐市 830021

2.新疆建设职业技术学院 新疆维吾尔自治区乌鲁木齐市 830054