几种仿生优化算法的比较

摘 要：仿生优化算法是通过模拟自然生物进化或者社会行为的随机搜索方法而提出的一种算法。这些算法能够解决许多传统方法难以解决的复杂问题，因此被广泛的应用。文章主要介绍了三种仿生优化算，即法蚁群算法、人工鱼群算法、人工免疫算法。介绍了这几种算法的基本原理、实用范围，以及这三种算法的优缺点及未来的展望。

关键词：仿生优化；蚁群算法；人工鱼群算法；人工免疫算法

引言

随着社会的飞速发展，传统的方法已经不能解决我们遇到的许多问题，如指派问题，车间生产问题，旅行路径问题。如果采用传统的方法来解决这类问题将会大大的增加计算机的负担，同时不能够找出最优的解决方案。这就不得不使我们寻找其他的方法。为了能够解决这些问题，科学家们从生物系统的进化和自适应现象找到了灵感，提出了解决问题的最优方案-仿生优化算法。

1 蚁群算法

蚁群算法又称为蚂蚁算法。这种算法是由意大利研究者Dorigo在1991年提出的一种新型算法。它主要是模拟蚂蚁的觅食行为，通过观察蚂蚁如何能在最短的时间寻到一条食物到巢穴的最短路径。生物学家观察和研究发现，蚂蚁觅食是一种群体行为，并不是各自寻找食物。蚂蚁在寻找食物的过程中，每只蚂蚁都会在它行过的路径上分泌一种化学物质，这种化学物质叫作信息素。但是每一条道路上的信息素浓度不一，每条道路上信息素的多少会影响蚂蚁的选择。信息素的浓度越高，这条道路被选择的可能性就越大。蚂蚁就是通过这种信息素来传递信息的，从而寻找到最近的那条道路[2]。从而能够更快的将食物搬入巢穴，也能够减少搬食蚂蚁的数量。蚂蚁算法就是从该模型中受到启发 ，并且用于寻找最优解。

2 人工鱼群算法

人工鱼群算法是李晓磊博士等在对动物群体智能行为研究的基础上提出的一种新型仿生优化算法，这种算法是根据“水域中鱼生存数目的多少来判断这一水域中营养物质较多的地方”，通过模仿鱼群的觅食行来寻找营养物质较多的地方。

这种现象在日常生活中也可以经常看见，比如钓鱼的时候，通常我们在某个地方钓鱼，首先要撒鱼饵或者鱼料，然后过一阵便会有成群结队的鱼游过来。鱼群算法就是根据鱼的多少来找出水域中营养物质较高的地方。人工鱼群就是用人鱼来模仿鱼群的觅食、聚集、追尾，从而实现最优解。

觅食行为：日常生活中，水中的鱼儿在没有人为作用的条件下，在水中自由自在的游动，但当人为投入食物时，便会向食物增多的那一方游去。

聚集行为：鱼在水中自然而然的聚集成群，是为了保证群体的安全而形成的一种生活习惯。

追尾行为：在鱼群的游动过程中，当某一条或几条鱼发现食物的时候，它们附近的鱼群也会紧随他们而来，从而快速到达食物。

人工鱼群的基本步骤如下：

（1）产生初始鱼群：随机产生n条人工鱼，组成初始化人工鱼群。

（2）记录初始浓度：分别计算各人工鱼的食物浓度，最终将浓度最大的人工鱼记录到公告栏。

（3）公告栏比较：各个人工鱼在寻找最优的过程中，行动完成，将自身的状态与公告栏上的状态进行比较，如果自身的状态优于公告栏的状态，则将公告栏上的最优状态改成自身状态。反之，则不修改。

（4）经过多条鱼的状态的修改从而找到水域中浓度最高的那条道。

3 人工免疫算法

免疫系统对人体是至关重要的。免疫系统是由淋巴细胞把自身细胞与抗原识别出来，并产生抗体来对付入侵人体的抗原，从而消灭抗原。免疫系统具有免疫能力，能够抑制过多抗体的产生，事实上免疫系统只需要根据侵入人体的抗原产生相应的抗体，从而消灭抗原即可，而不需要产生其他不必要的抗体。

人工免疫算法将抗原和抗体分别对应优化问题的目标函数和可行解。把抗体和抗原的亲和力看作可行解和目标函数的匹配程度。通过计算抗体期望生存率来促进较优抗体的遗传和变异，用记忆细胞单元保存择优后的可行解来抑制相似可行解的继续产生，并加速搜索到全局最优解，同时，当相似问题在此出现时，能够较快产生该问题的较优解甚至最优解。

人工免疫算法的基本步骤如下：（1）输入抗原；（2）产生抗体；（3）分析抗原与抗体的关系；（4）将与抗原具有最大亲和力的抗体大量分解；（5）抗体的选择。计算当前抗体群中抗体浓度，浓度高的则减小，反之，增加；（6）得到最优的抗体抑制抗原；（7）终止。

4 上述几种算法的比较

以上几种算法都是模拟自然界生物系统，通过生物的寻优行为找到一种最优的算法，因此仿生优化算法有许多相同的特点：

（1）不确定的算法：仿生优化算法的不确定性主要体现在随机性。它们的搜索过程都具有非确定性，都是利用仿生理论的记忆机制加强局部搜索或抑制早熟收敛，从而使算法快速收敛到全局最优解。

（2）概率型的优化算法：不确定算法的优点在于有更多的机会求得全局的最优解。

（3）相互作用：各个个体通过相互作用来更好的适应环境，同时与环境互相交互。

（4）突显性：最终的最优目标，总是在各个个体行为的运动中脱颖而出。

5 仿生优化算法的发展与展望

文章阐述了三种仿生优化算法，它们已经在各自适应的环境下取得了很好的成绩，在某些领域体现了强大的潜力，但是还是存在一些不足。为了能够更好的解决这些不足，提出了以下几种方法。

（1）将仿生优化算法同其他算法结合起来产生一种新的算法，分析各种算法的优缺点，取长补短，寻求最适应的一种新算法，从而功能更加强大，能够更好的解决寻优问题。

（2）仿生优化算法的理论基础有待加强，建立新的模型，这对解决不同优化问题的收敛性，局部最优解，以及鲁棒性有很重要的作用。目前的应用都是通过反复实验而得到的，将会大大的影响实验速度，因此提出一套切实有用的方案，将会大大促进仿生优化的发展。

（3）扩大仿生优化算法的应用领域，将仿生优化算法应用在更多的领域，帮助解决更多的优化问题。仿生优化算法是一类很好的算法，能够帮助我们解决许多传统方法不能够解决的问题，因此大大的扩大仿生优化算法的应用，将会为我们提供更多的简便方法。

参考文献

[1]于佳，等.仿生优化算法在变电站选址中的应用[J].工程技术，2012.

[2]熊伟平，等.几种仿生优化算法的比较研究[J].计算机技术与发展，2010.

作者简介：何超君（1989，4-），女，汉族，四川省南充市西充县，硕士研究生，研究方向：工业过程监控与故障诊断、计算机控制技术。