1、智能信息處理讀書(shū)筆記在上了李興明老師的通信網(wǎng)絡(luò)中的智能信息處理這門(mén)課后，作為課程補(bǔ)充， 我初略的閱讀了清華大學(xué)出版社，孫紅編寫(xiě)智能信息處理導(dǎo)論一書(shū)。這本書(shū) 從智能信息處理產(chǎn)生的背景和發(fā)展歷史、基本理論和方法、應(yīng)用以及研究現(xiàn)狀和 發(fā)展趨勢(shì)等方面，介紹了模糊理論及其應(yīng)用、神經(jīng)網(wǎng)絡(luò)信息處理及其應(yīng)用、云信 息處理及其應(yīng)用、可拓信息處理及其應(yīng)用、粗集信息處理及其應(yīng)用，遺傳算法、 免疫算法、蟻群算法優(yōu)化處理、量子智能信息處理、多元信息融合和信息融合技 術(shù)及其應(yīng)用。從一開(kāi)始的概述中我了解到，智能信息處理是一種模擬人與自然界其他生物 處理信息的行為，建立處理復(fù)雜系統(tǒng)信息的理論、算法和系統(tǒng)的方法和技術(shù)，面 對(duì)不

2、確定性系統(tǒng)和不確定性現(xiàn)象的現(xiàn)象處理問(wèn)題。智能信息處理在復(fù)雜系統(tǒng)建模、 系統(tǒng)分析、系統(tǒng)決策、系統(tǒng)控制、系統(tǒng)優(yōu)化和系統(tǒng)設(shè)計(jì)等領(lǐng)域具有廣大的應(yīng)用前 景。對(duì)于這樣一個(gè)有著發(fā)展前景的學(xué)科，我對(duì)這本書(shū)進(jìn)行了進(jìn)一步閱讀。由于時(shí) 間有限，我僅選取幾章內(nèi)容進(jìn)行精讀。下面我就遺傳算法與蟻群算法來(lái)做一個(gè)讀 書(shū)筆記，談一些我在讀書(shū)時(shí)的感受與理解。遺傳算法(Genetic Algorithm)是一類(lèi)借鑒生物界的進(jìn)化規(guī)律(適者生存， 優(yōu)勝劣汰遺傳機(jī)制)演化而來(lái)的隨機(jī)化搜索方法。它是由美國(guó)的J.Holland教授 1975年首先提出，其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù) 連續(xù)性的限定；具有內(nèi)在的隱并行性和更

3、好的全局尋優(yōu)能力；采用概率化的尋優(yōu) 方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定 的規(guī)則。遺傳算法的這些性質(zhì)，已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信 號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域。它是現(xiàn)代有關(guān)智能計(jì)算中的關(guān)鍵技術(shù)。下面我根據(jù)自己的理解來(lái)寫(xiě)一下遺傳算法的基本運(yùn)算過(guò)程：第一步：初始化：設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t=0，設(shè)置最大進(jìn)化代數(shù)T，隨機(jī)生 成M個(gè)個(gè)體作為初始群體P(0)。第二步：個(gè)體評(píng)價(jià)：計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度。第三步：選擇運(yùn)算:將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立 在群

4、體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的。第四步：交叉運(yùn)算：將交叉算子作用于群體。遺傳算法中起核心作用的就是 交叉算子。第五步：變異運(yùn)算：將變異算子作用于群體。即是對(duì)群體中的個(gè)體串的某些 基因座上的基因值作變動(dòng)。群體P(t )經(jīng)過(guò)選擇、交叉、變異運(yùn)算之后得到下一代群體P(t+1)。第六步：終止條件判斷:若t=T,則以進(jìn)化過(guò)程中所得到的具有最大適應(yīng)度個(gè)體 作為最優(yōu)解輸出，終止計(jì)算。在了解了遺傳算法后，我對(duì)遺傳算法的有別于傳統(tǒng)算法的特點(diǎn)談一些自己的 理解。首先遺傳算法是從問(wèn)題解的串集開(kāi)始搜索，而不是從單個(gè)解開(kāi)始。我認(rèn)為這 是遺傳算法與傳統(tǒng)優(yōu)化算法的最大區(qū)別所在。傳統(tǒng)優(yōu)化算法是從單個(gè)初始值迭代 求最優(yōu)解的；容易

5、誤入局部最優(yōu)解。遺傳算法從串集開(kāi)始搜索，覆蓋面大，利于 全局擇優(yōu)。同時(shí)處理群體中的多個(gè)個(gè)體，即對(duì)搜索空間中的多個(gè)解進(jìn)行評(píng)估，減 少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，同時(shí)算法本身易于實(shí)現(xiàn)并行化。其次遺傳算法基本上不用搜索空間的知識(shí)或其它輔助信息，而僅用適應(yīng)度函 數(shù)值來(lái)評(píng)估個(gè)體，在此基礎(chǔ)上進(jìn)行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約 束，而且其定義域可以任意設(shè)定。而且遺傳算法不是采用確定性規(guī)則，而是采用 概率的變遷規(guī)則來(lái)指導(dǎo)他的搜索方向。我認(rèn)為這一特點(diǎn)使得遺傳算法的應(yīng)用范圍 大大擴(kuò)展。最后遺傳算法具有自組織、自適應(yīng)和自學(xué)習(xí)性的特點(diǎn)。遺傳算法利用進(jìn)化過(guò) 程獲得的信息自行組織搜索時(shí)，適應(yīng)度大的個(gè)體具有較高的生存

6、概率，并獲得更 適應(yīng)環(huán)境的基因結(jié)構(gòu)。在對(duì)遺傳算法做了進(jìn)一步的了解后，可以看出遺傳算法也存在一些明顯的缺 點(diǎn)，比如由于算法本身是在模擬生物界的一個(gè)遺傳進(jìn)化過(guò)程，那么這樣的方式就 會(huì)讓算法在后期由于空間較大，搜索速度會(huì)很慢，而且我覺(jué)得這樣的算法對(duì)一開(kāi) 始的種群選擇要求比較高，而且存在很大的不確定性，穩(wěn)定性不佳。對(duì)此書(shū)中有 提到的是可以將遺傳算法與一些啟發(fā)式算法相結(jié)合，來(lái)解決這些問(wèn)題。那么由于 蟻群算法也是一種啟發(fā)式算法，所以我下面先閱讀蟻群算法。蟻群算法(ant colony optimization, ACO)，又稱(chēng)螞蟻算法，是一種用來(lái)在圖中 尋找優(yōu)化路徑的機(jī)率型算法。它由Marco Dorig

7、o于1992年在他的博士論文中提 出，其靈感來(lái)源于螞蟻在尋找食物過(guò)程中發(fā)現(xiàn)路徑的行為。這個(gè)算法的原理就是 螞蟻在運(yùn)動(dòng)過(guò)程中，會(huì)留下一種稱(chēng)為信息素的東西，并且會(huì)隨著移動(dòng)的距離，播 散的信息素越來(lái)越少，所以往往在家或者食物的周?chē)?，信息素的濃度是最?qiáng)的， 而螞蟻?zhàn)陨頃?huì)根據(jù)信息素去選擇方向，當(dāng)然信息素越濃，被選擇的概率也就越大， 并且信息素本身具有一定的揮發(fā)作用。螞蟻的運(yùn)動(dòng)的一個(gè)規(guī)則可以簡(jiǎn)單歸納如 下：1、當(dāng)周?chē)鷽](méi)有信息素指引時(shí)，螞蟻的運(yùn)動(dòng)具有一定的慣性，并有一定的概 率選擇其他方向2、當(dāng)周?chē)行畔⑺氐闹敢龝r(shí)，按照信息素的濃度強(qiáng)度概率性的選擇運(yùn)動(dòng)方 向3、找食物時(shí)，螞蟻留下家相關(guān)的A信息素，找家時(shí)，螞

8、蟻留下食物相關(guān)的 B信息素，并隨著移動(dòng)距離的增加，灑播的信息素越來(lái)越少4、隨著時(shí)間推移，信息素會(huì)自行揮發(fā)下面我對(duì)這樣一個(gè)算法根據(jù)自己的理解構(gòu)建一個(gè)簡(jiǎn)單的例子，如果現(xiàn)在有兩 條通往食物的路徑，一條較長(zhǎng)路徑A,一條較短路徑B,雖然剛開(kāi)始A,B路徑上都有 螞蟻，又因?yàn)锽比A短，螞蟻通過(guò)B花費(fèi)的時(shí)間較短，隨著時(shí)間的推移和信息 素的揮發(fā)，逐漸的B上的信息素濃度會(huì)強(qiáng)于A，這時(shí)候因?yàn)锽的濃度比A強(qiáng)，越 來(lái)越多多螞蟻會(huì)選擇B，而這時(shí)候B上的濃度只會(huì)越來(lái)越強(qiáng)。如果螞蟻一開(kāi)始只 在A上呢，由于螞蟻的移動(dòng)具有一定小概率的隨機(jī)性，所以當(dāng)一部分螞蟻找到B 時(shí)，隨著時(shí)間的推移，螞蟻會(huì)收斂到B上。對(duì)于蟻群算法這樣一個(gè)元啟發(fā)

9、式的算法，我也從書(shū)中對(duì)其特點(diǎn)做一個(gè)歸納:1、采用正反饋機(jī)制，使得搜索過(guò)程不斷收斂，最終逼近最優(yōu)解。2、每個(gè)個(gè)體可以通過(guò)釋放信息素來(lái)改變周?chē)沫h(huán)境，且每個(gè)個(gè)體能夠感知周?chē)h(huán)境的實(shí)時(shí)變化，個(gè)體間通過(guò)環(huán)境進(jìn)行間接地通訊。3、搜索過(guò)程采用分布式計(jì)算方式，多個(gè)個(gè)體同時(shí)進(jìn)行并行計(jì)算，大大提高 了算法的計(jì)算能力和運(yùn)行效率。4、啟發(fā)式的概率搜索方式不容易陷入局部最優(yōu)，易于尋找到全局最優(yōu)解。但是同樣的，蟻群算法自然也有著自己的不足之處，比如蟻群很明顯在一開(kāi) 始的信息素是不足的，這樣子算法的收斂是比較慢的，而且開(kāi)銷(xiāo)也相對(duì)比較大。 同時(shí)我們也可以想象要是螞蟻一直去一個(gè)食物很多的地方，那么這個(gè)路徑上的信 息素濃度就會(huì)

10、很高，這樣子就算旁邊新出現(xiàn)了一個(gè)更好的食物源，那么螞蟻也可 以不會(huì)去，這樣子對(duì)應(yīng)在算法上就會(huì)出現(xiàn)局部最優(yōu)的情況。與之前的遺傳算法對(duì) 比一下我發(fā)現(xiàn)兩者在搜索速度上是互補(bǔ)的，遺傳算法是一開(kāi)始快，后面慢，而蟻 群算法是反過(guò)來(lái)的，所以這應(yīng)該就是之前書(shū)中提到的提出按雙方可以與啟發(fā)式算 法結(jié)合的原因。所以我下面又找了一篇關(guān)于遺傳算法與蟻群算法融合的論文，來(lái) 對(duì)這兩個(gè)算法的應(yīng)用做一個(gè)更深的了解。遺傳算法具有快速全局搜索能力，但是對(duì)于系統(tǒng)的反饋信息卻沒(méi)有利用，往 往導(dǎo)致大量無(wú)為的冗余迭代，求精確解效率低。蟻群算法具有并行，分布，全局 收斂能力，但是搜索初期信息素匱乏，導(dǎo)致搜索初期信息素積累時(shí)間較長(zhǎng)，求解 速度

11、慢。為了克服這兩種算法各自的缺陷，形成優(yōu)勢(shì)互補(bǔ)，我所研讀的兩篇文獻(xiàn) 所采用的方法并沒(méi)有太大的區(qū)別。都是首先利用遺傳算法的隨機(jī)搜索、快速、全 局收斂性產(chǎn)生有關(guān)問(wèn)題的初始解，并將其轉(zhuǎn)化為蟻群算法的初始信息素分布，然 后利用蟻群算法的并行性、正反饋機(jī)制以及求解效率高等特征尋求最優(yōu)解。在遺 傳算法運(yùn)行過(guò)程中動(dòng)態(tài)確定遺傳算法與蟻群算法的融合時(shí)機(jī)，避免由于遺傳算法 過(guò)早或過(guò)晚結(jié)束而影響算法的整體性能。通過(guò)這樣的方式讓兩種算法得到一定程 度的優(yōu)勢(shì)互補(bǔ)，在時(shí)間效率和求解效率上面得到比較好的結(jié)果。對(duì)于蟻群與遺傳算法具體的融合方式，兩篇論文采用的方式存在著些許的不 同，在此我僅對(duì)趙義武、牛慶銀所寫(xiě)的遺傳算法與蟻群算法的融合研究這篇論文 做一個(gè)關(guān)于其融合算法思想做一個(gè)簡(jiǎn)單的說(shuō)明。這個(gè)算法里面融入了遺傳算法中 的交叉算子與變異算子。算法的關(guān)鍵在于找到這樣兩條曲線(xiàn)，分別是蟻群與遺傳 算法的效率曲線(xiàn)，并從中找到遺傳算法效率顯著降低的點(diǎn)與蟻群算法后期效率顯 著提升的點(diǎn)，然后在合適的位置從遺傳算法進(jìn)入蟻群算法之中。通過(guò)這段