1、- PAGE 18 -智能算法綜綜述摘要：隨著著計算機技技術(shù)的飛速速發(fā)展，智智能計算方方法的應(yīng)用用領(lǐng)域也越越來越廣泛泛，本文介介紹了當前前存在的一一些智能計計算方法，闡闡述了其工工作原理和和特點，同同時對智能能計算方法法的發(fā)展進進行了展望望。 關(guān)鍵詞：人人工神經(jīng)網(wǎng)網(wǎng)絡(luò) 遺傳傳算法 模模擬退火算算法 群集集智能 蟻蟻群算法 粒子群算算 1 什么么是智能算算法 智能計算也也有人稱之之為“軟計算”，是們受受自然（生生物界）規(guī)規(guī)律的啟迪迪，根據(jù)其其原理，模模仿求解問問題的算法法。從自然然界得到啟啟迪，模仿仿其結(jié)構(gòu)進進行發(fā)明創(chuàng)創(chuàng)造，這就就是仿生學學。這是我我們向自然然界學習的的一個方面面。另一方方面，我

2、們們還可以利利用仿生原原理進行設(shè)設(shè)計(包括括設(shè)計算法法)，這就就是智能計計算的思想想。這方面面的內(nèi)容很很多，如人人工神經(jīng)網(wǎng)網(wǎng)絡(luò)技術(shù)、遺傳算法法、模擬退退火算法、模擬退火火技術(shù)和群群集智能技技術(shù)等。 2 人工神神經(jīng)網(wǎng)絡(luò)算算法 “人工神經(jīng)經(jīng)網(wǎng)絡(luò)”(ARTTIFICCIAL NEURRAL NNETWOORK，簡簡稱ANNN)是在對對人腦組織織結(jié)構(gòu)和運運行機制的的認識理解解基礎(chǔ)之上上模擬其結(jié)結(jié)構(gòu)和智能能行為的一一種工程系系統(tǒng)。早在在本世紀440年代初初期，心理理學家MccCullloch、數(shù)學家PPittss就提出了了人工神經(jīng)經(jīng)網(wǎng)絡(luò)的第第一個數(shù)學學模型，從從此開創(chuàng)了了神經(jīng)科學學理論的研研究時代。其后

3、，F(xiàn)F Rossenbllatt、Widrrow和JJ. J .Hoppfielld等學者者又先后提提出了感知知模型，使使得人工神神經(jīng)網(wǎng)絡(luò)技技術(shù)得以蓬蓬勃發(fā)展。 神經(jīng)系統(tǒng)的的基本構(gòu)造造是神經(jīng)元元(神經(jīng)細細胞)，它它是處理人人體內(nèi)各部部分之間相相互信息傳傳遞的基本本單元。據(jù)據(jù)神經(jīng)生物物學家研究究的結(jié)果表表明，人的的一個大腦腦一般有1101010111個神經(jīng)元元。每個神神經(jīng)元都由由一個細胞胞體，一個個連接其他他神經(jīng)元的的軸突和一一些向外伸伸出的其它它較短分支支樹突組組成。軸突突的功能是是將本神經(jīng)經(jīng)元的輸出出信號(興興奮)傳遞遞給別的神神經(jīng)元。其其末端的許許多神經(jīng)末末梢使得興興奮可以同同時傳送給給多

4、個神經(jīng)經(jīng)元。樹突突的功能是是接受來自自其它神經(jīng)經(jīng)元的興奮奮。神經(jīng)元元細胞體將將接受到的的所有信號號進行簡單單處理(如如：加權(quán)求求和，即對對所有的輸輸入信號都都加以考慮慮且對每個個信號的重重視程度體現(xiàn)在在權(quán)值上有所不不同)后由由軸突輸出出。神經(jīng)元元的樹突與與另外的神神經(jīng)元的神神經(jīng)末梢相相連的部分分稱為突觸觸。 2.1 人人工神經(jīng)網(wǎng)網(wǎng)絡(luò)的特點點 人工神經(jīng)網(wǎng)網(wǎng)絡(luò)是由大大量的神經(jīng)經(jīng)元廣泛互互連而成的的系統(tǒng)，它它的這一結(jié)結(jié)構(gòu)特點決決定著人工工神經(jīng)網(wǎng)絡(luò)絡(luò)具有高速速信息處理理的能力。人腦的每每個神經(jīng)元元大約有11031104個樹樹突及相應(yīng)應(yīng)的突觸，一一個人的大大腦總計約約形成1001411015個個突觸。用

5、用神經(jīng)網(wǎng)絡(luò)絡(luò)的術(shù)語來來說，即是是人腦具有有1014410115個互相相連接的存存儲潛力。雖然每個個神經(jīng)元的的運算功能能十分簡單單，且信號號傳輸速率率也較低(大約1000次/秒秒)，但由由于各神經(jīng)經(jīng)元之間的的極度并行行互連功能能，最終使使得一個普普通人的大大腦在約11秒內(nèi)就能能完成現(xiàn)行行計算機至至少需要數(shù)數(shù)10億次次處理步驟驟才能完成成的任務(wù)。 人工神經(jīng)網(wǎng)網(wǎng)絡(luò)的知識識存儲容量量很大。在在神經(jīng)網(wǎng)絡(luò)絡(luò)中，知識識與信息的的存儲表現(xiàn)現(xiàn)為神經(jīng)元元之間分布布式的物理理聯(lián)系。它它分散地表表示和存儲儲于整個網(wǎng)網(wǎng)絡(luò)內(nèi)的各各神經(jīng)元及及其連線上上。每個神神經(jīng)元及其其連線只表表示一部分分信息，而而不是一個個完整具體體概

6、念。只只有通過各各神經(jīng)元的的分布式綜綜合效果才才能表達出出特定的概概念和知識識。 由于人工神神經(jīng)網(wǎng)絡(luò)中中神經(jīng)元個個數(shù)眾多以以及整個網(wǎng)網(wǎng)絡(luò)存儲信信息容量的的巨大，使使得它具有有很強的不不確定性信信息處理能能力。即使使輸入信息息不完全、不準確或或模糊不清清，神經(jīng)網(wǎng)網(wǎng)絡(luò)仍然能能夠聯(lián)想思思維存在于于記憶中的的事物的完完整圖象。只要輸入入的模式接接近于訓練練樣本，系系統(tǒng)就能給給出正確的的推理結(jié)論論。 正是因為人人工神經(jīng)網(wǎng)網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)特點和其其信息存儲儲的分布式式特點，使使得它相對對于其它的的判斷識別別系統(tǒng)，如如：專家系系統(tǒng)等，具具有另一個個顯著的優(yōu)優(yōu)點：健壯壯性。生物物神經(jīng)網(wǎng)絡(luò)絡(luò)不會因為為個別神經(jīng)經(jīng)元的

7、損失失而失去對對原有模式式的記憶。最有力的的證明是，當當一個人的的大腦因意意外事故受受輕微損傷傷之后，并并不會失去去原有事物物的全部記記憶。人工工神經(jīng)網(wǎng)絡(luò)絡(luò)也有類似似的情況。因某些原原因，無論論是網(wǎng)絡(luò)的的硬件實現(xiàn)現(xiàn)還是軟件件實現(xiàn)中的的某個或某某些神經(jīng)元元失效，整整個網(wǎng)絡(luò)仍仍然能繼續(xù)續(xù)工作。 人工神經(jīng)網(wǎng)網(wǎng)絡(luò)是一種種非線性的的處理單元元。只有當當神經(jīng)元對對所有的輸輸入信號的的綜合處理理結(jié)果超過過某一門限限值后才輸輸出一個信信號。因此此神經(jīng)網(wǎng)絡(luò)絡(luò)是一種具具有高度非非線性的超超大規(guī)模連連續(xù)時間動動力學系統(tǒng)統(tǒng)。它突破破了傳統(tǒng)的的以線性處處理為基礎(chǔ)礎(chǔ)的數(shù)字電電子計算機機的局限，標標志著人們們智能信息息處理

8、能力力和模擬人人腦智能行行為能力的的一大飛躍躍。 2.2 幾幾種典型神神經(jīng)網(wǎng)絡(luò)簡簡介 2.2.11 多層感感知網(wǎng)絡(luò)(誤差逆?zhèn)鱾鞑ド窠?jīng)網(wǎng)網(wǎng)絡(luò)) 在19866年以Ruumelhhart和和McCeellannd為首的的科學家出出版的PParalllel Disttribuuted Proccessiing一一書中，完完整地提出出了誤差逆逆?zhèn)鞑W習習算法，并并被廣泛接接受。多層層感知網(wǎng)絡(luò)絡(luò)是一種具具有三層或或三層以上上的階層型型神經(jīng)網(wǎng)絡(luò)絡(luò)。典型的的多層感知知網(wǎng)絡(luò)是三三層、前饋饋的階層網(wǎng)網(wǎng)絡(luò)，即：輸入層II、隱含層層(也稱中中間層)JJ和輸出層層K。相鄰鄰層之間的的各神經(jīng)元元實現(xiàn)全連連接，即下下一層的

9、每每一個神經(jīng)經(jīng)元與上一一層的每個個神經(jīng)元都都實現(xiàn)全連連接，而且且每層各神神經(jīng)元之間間無連接。 但BP網(wǎng)并并不是十分分的完善，它它存在以下下一些主要要缺陷：學學習收斂速速度太慢、網(wǎng)絡(luò)的學學習記憶具具有不穩(wěn)定定性，即：當給一個個訓練好的的網(wǎng)提供新新的學習記記憶模式時時，將使已已有的連接接權(quán)值被打打亂，導(dǎo)致致已記憶的的學習模式式的信息的的消失。 2.2.22 競爭型型(KOHHONENN)神經(jīng)網(wǎng)網(wǎng)絡(luò) 它是基于人人的視網(wǎng)膜膜及大腦皮皮層對剌激激的反應(yīng)而而引出的。神經(jīng)生物物學的研究究結(jié)果表明明：生物視視網(wǎng)膜中，有有許多特定定的細胞，對對特定的圖圖形(輸入入模式)比比較敏感，并并使得大腦腦皮層中的的特定細

10、胞胞產(chǎn)生大的的興奮，而而其相鄰的的神經(jīng)細胞胞的興奮程程度被抑制制。對于某某一個輸入入模式，通通過競爭在在輸出層中中只激活一一個相應(yīng)的的輸出神經(jīng)經(jīng)元。許多多輸入模式式，在輸出出層中將激激活許多個個神經(jīng)元，從從而形成一一個反映輸輸入數(shù)據(jù)的的“特征圖形形”。競爭型型神經(jīng)網(wǎng)絡(luò)絡(luò)是一種以以無教師方方式進行網(wǎng)網(wǎng)絡(luò)訓練的的網(wǎng)絡(luò)。它它通過自身身訓練，自自動對輸入入模式進行行分類。競競爭型神經(jīng)經(jīng)網(wǎng)絡(luò)及其其學習規(guī)則則與其它類類型的神經(jīng)經(jīng)網(wǎng)絡(luò)和學學習規(guī)則相相比，有其其自己的鮮鮮明特點。在網(wǎng)絡(luò)結(jié)結(jié)構(gòu)上，它它既不象階階層型神經(jīng)經(jīng)網(wǎng)絡(luò)那樣樣各層神經(jīng)經(jīng)元之間只只有單向連連接，也不不象全連接接型網(wǎng)絡(luò)那那樣在網(wǎng)絡(luò)絡(luò)結(jié)構(gòu)上沒沒有

11、明顯的的層次界限限。它一般般是由輸入入層(模擬擬視網(wǎng)膜神神經(jīng)元)和和競爭層(模擬大腦腦皮層神經(jīng)經(jīng)元，也叫叫輸出層)構(gòu)成的兩兩層網(wǎng)絡(luò)。兩層之間間的各神經(jīng)經(jīng)元實現(xiàn)雙雙向全連接接，而且網(wǎng)網(wǎng)絡(luò)中沒有有隱含層。有時競爭爭層各神經(jīng)經(jīng)元之間還還存在橫向向連接。競競爭型神經(jīng)經(jīng)網(wǎng)絡(luò)的基基本思想是是網(wǎng)絡(luò)競爭爭層各神經(jīng)經(jīng)元競爭對對輸入模式式的響應(yīng)機機會，最后后僅有一個個神經(jīng)元成成為競爭的的勝者，并并且只將與與獲勝神經(jīng)經(jīng)元有關(guān)的的各連接權(quán)權(quán)值進行修修正，使之之朝著更有有利于它競競爭的方向向調(diào)整。神神經(jīng)網(wǎng)絡(luò)工工作時，對對于某一輸輸入模式，網(wǎng)網(wǎng)絡(luò)中與該該模式最相相近的學習習輸入模式式相對應(yīng)的的競爭層神神經(jīng)元將有有最大的輸

12、輸出值，即即以競爭層層獲勝神經(jīng)經(jīng)元來表示示分類結(jié)果果。這是通通過競爭得得以實現(xiàn)的的，實際上上也就是網(wǎng)網(wǎng)絡(luò)回憶聯(lián)聯(lián)想的過程程。 除了競爭的的方法外，還還有通過抑抑制手段獲獲取勝利的的方法，即即網(wǎng)絡(luò)競爭爭層各神經(jīng)經(jīng)元抑制所所有其它神神經(jīng)元對輸輸入模式的的響應(yīng)機會會，從而使使自己“脫穎而出出”，成為獲獲勝神經(jīng)元元。除此之之外還有一一種稱為側(cè)側(cè)抑制的方方法，即每每個神經(jīng)元元只抑制與與自己鄰近近的神經(jīng)元元，而對遠遠離自己的的神經(jīng)元不不抑制。這這種方法常常常用于圖圖象邊緣處處理，解決決圖象邊緣緣的缺陷問問題。 競爭型神經(jīng)經(jīng)網(wǎng)絡(luò)的缺缺點和不足足：因為它它僅以輸出出層中的單單個神經(jīng)元元代表某一一類模式。所以一

13、旦旦輸出層中中的某個輸輸出神經(jīng)元元損壞，則則導(dǎo)致該神神經(jīng)元所代代表的該模模式信息全全部丟失。 2.2.33 Hoppfielld神經(jīng)網(wǎng)網(wǎng)絡(luò) 1986年年美國物理理學家J.J.Hoopfieeld陸續(xù)續(xù)發(fā)表幾篇篇論文，提提出了Hoopfieeld神經(jīng)經(jīng)網(wǎng)絡(luò)。他他利用非線線性動力學學系統(tǒng)理論論中的能量量函數(shù)方法法研究反饋饋人工神經(jīng)經(jīng)網(wǎng)絡(luò)的穩(wěn)穩(wěn)定性，并并利用此方方法建立求求解優(yōu)化計計算問題的的系統(tǒng)方程程式?；颈镜腍oppfielld神經(jīng)網(wǎng)網(wǎng)絡(luò)是一個個由非線性性元件構(gòu)成成的全連接接型單層反反饋系統(tǒng)。 網(wǎng)絡(luò)中的每每一個神經(jīng)經(jīng)元都將自自己的輸出出通過連接接權(quán)傳送給給所有其它它神經(jīng)元，同同時又都接接收所有

14、其其它神經(jīng)元元傳遞過來來的信息。即：網(wǎng)絡(luò)絡(luò)中的神經(jīng)經(jīng)元t時刻刻的輸出狀狀態(tài)實際上上間接地與與自己的tt-1時刻刻的輸出狀狀態(tài)有關(guān)。所以Hoopfieeld神經(jīng)經(jīng)網(wǎng)絡(luò)是一一個反饋型型的網(wǎng)絡(luò)。其狀態(tài)變變化可以用用差分方程程來表征。反饋型網(wǎng)網(wǎng)絡(luò)的一個個重要特點點就是它具具有穩(wěn)定狀狀態(tài)。當網(wǎng)網(wǎng)絡(luò)達到穩(wěn)穩(wěn)定狀態(tài)的的時候，也也就是它的的能量函數(shù)數(shù)達到最小小的時候。這里的能能量函數(shù)不不是物理意意義上的能能量函數(shù)，而而是在表達達形式上與與物理意義義上的能量量概念一致致，表征網(wǎng)網(wǎng)絡(luò)狀態(tài)的的變化趨勢勢，并可以以依據(jù)Hoopfieeld工作作運行規(guī)則則不斷進行行狀態(tài)變化化，最終能能夠達到的的某個極小小值的目標標函數(shù)

15、。網(wǎng)網(wǎng)絡(luò)收斂就就是指能量量函數(shù)達到到極小值。如果把一一個最優(yōu)化化問題的目目標函數(shù)轉(zhuǎn)轉(zhuǎn)換成網(wǎng)絡(luò)絡(luò)的能量函函數(shù)，把問問題的變量量對應(yīng)于網(wǎng)網(wǎng)絡(luò)的狀態(tài)態(tài)，那么HHopfiield神神經(jīng)網(wǎng)絡(luò)就就能夠用于于解決優(yōu)化化組合問題題。 對于同樣結(jié)結(jié)構(gòu)的網(wǎng)絡(luò)絡(luò)，當網(wǎng)絡(luò)絡(luò)參數(shù)(指指連接權(quán)值值和閥值)有所變化化時，網(wǎng)絡(luò)絡(luò)能量函數(shù)數(shù)的極小點點(稱為網(wǎng)網(wǎng)絡(luò)的穩(wěn)定定平衡點)的個數(shù)和和極小值的的大小也將將變化。因因此，可以以把所需記記憶的模式式設(shè)計成某某個確定網(wǎng)網(wǎng)絡(luò)狀態(tài)的的一個穩(wěn)定定平衡點。若網(wǎng)絡(luò)有有M個平衡衡點，則可可以記憶MM個記憶模模式。 當網(wǎng)絡(luò)從與與記憶模式式較靠近的的某個初始始狀態(tài)(相相當于發(fā)生生了某些變變形或含有

16、有某些噪聲聲的記憶模模式，也即即：只提供供了某個模模式的部分分信息)出出發(fā)后，網(wǎng)網(wǎng)絡(luò)按Hoopfieeld工作作運行規(guī)則則進行狀態(tài)態(tài)更新，最最后網(wǎng)絡(luò)的的狀態(tài)將穩(wěn)穩(wěn)定在能量量函數(shù)的極極小點。這這樣就完成成了由部分分信息的聯(lián)聯(lián)想過程。 Hopfiield神神經(jīng)網(wǎng)絡(luò)的的能量函數(shù)數(shù)是朝著梯梯度減小的的方向變化化，但它仍仍然存在一一個問題，那那就是一旦旦能量函數(shù)數(shù)陷入到局局部極小值值，它將不不能自動跳跳出局部極極小點，到到達全局最最小點，因因而無法求求得網(wǎng)絡(luò)最最優(yōu)解。 3 遺傳算算法 遺傳算法（GGenettic AAlgorrithmms）是基基于生物進進化理論的的原理發(fā)展展起來的一一種廣為應(yīng)應(yīng)用的、

17、高高效的隨機機搜索與優(yōu)優(yōu)化的方法法。其主要要特點是群群體搜索策策略和群體體中個體之之間的信息息交換，搜搜索不依賴賴于梯度信信息。它是是在70年年代初期由由美國密執(zhí)執(zhí)根（Miichiggan）大大學的霍蘭蘭（Holllandd）教授發(fā)發(fā)展起來的的。19775年霍蘭蘭教授發(fā)表表了第一本本比較系統(tǒng)統(tǒng)論述遺傳傳算法的專專著自然然系統(tǒng)與人人工系統(tǒng)中中的適應(yīng)性性（AAdapttatioon inn Natturall andd Arttificcial Systtems）。遺傳傳算法最初初被研究的的出發(fā)點不不是為專門門解決最優(yōu)優(yōu)化問題而而設(shè)計的，它它與進化策策略、進化化規(guī)劃共同同構(gòu)成了進進化算法的的主要框

18、架架，都是為為當時人工工智能的發(fā)發(fā)展服務(wù)的的。迄今為為止，遺傳傳算法是進進化算法中中最廣為人人知的算法法。 近幾年來，遺遺傳算法主主要在復(fù)雜雜優(yōu)化問題題求解和工工業(yè)工程領(lǐng)領(lǐng)域應(yīng)用方方面，取得得了一些令令人信服的的結(jié)果，所所以引起了了很多人的的關(guān)注。在在發(fā)展過程程中，進化化策略、進進化規(guī)劃和和遺傳算法法之間差異異越來越小小。遺傳算算法成功的的應(yīng)用包括括：作業(yè)調(diào)調(diào)度與排序序、可靠性性設(shè)計、車車輛路徑選選擇與調(diào)度度、成組技技術(shù)、設(shè)備備布置與分分配、交通通問題等等等。 3.1 特特點 遺傳算法是是解決搜索索問題的一一種通用算算法，對于于各種通用用問題都可可以使用。搜索算法法的共同特特征為： 首先組組成

19、一組候候選解； 依據(jù)某某些適應(yīng)性性條件測算算這些候選選解的適應(yīng)應(yīng)度； 根據(jù)適適應(yīng)度保留留某些候選選解，放棄棄其他候選選解； 對保留留的候選解解進行某些些操作，生生成新的候候選解。在在遺傳算法法中，上述述幾個特征征以一種特特殊的方式式組合在一一起：基于于染色體群群的并行搜搜索，帶有有猜測性質(zhì)質(zhì)的選擇操操作、交換換操作和突突變操作。這種特殊殊的組合方方式將遺傳傳算法與其其它搜索算算法區(qū)別開開來。 遺傳算法還還具有以下下幾方面的的特點： (1)遺傳傳算法從問問題解的串串集開始嫂嫂索，而不不是從單個個解開始。這是遺傳傳算法與傳傳統(tǒng)優(yōu)化算算法的極大大區(qū)別。傳傳統(tǒng)優(yōu)化算算法是從單單個初始值值迭代求最最優(yōu)解

20、的；容易誤入入局部最優(yōu)優(yōu)解。遺傳傳算法從串串集開始搜搜索，覆蓋蓋面大，利利于全局擇擇優(yōu)。(22)許多傳傳統(tǒng)搜索算算法都是單單點搜索算算法，容易易陷入局部部的最優(yōu)解解。遺傳算算法同時處處理群體中中的多個個個體，即對對搜索空間間中的多個個解進行評評估，減少少了陷入局局部最優(yōu)解解的風險，同同時算法本本身易于實實現(xiàn)并行化化。 (3)遺傳傳算法基本本上不用搜搜索空間的的知識或其其它輔助信信息，而僅僅用適應(yīng)度度函數(shù)值來來評估個體體，在此基基礎(chǔ)上進行行遺傳操作作。適應(yīng)度度函數(shù)不僅僅不受連續(xù)續(xù)可微的約約束，而且且其定義域域可以任意意設(shè)定。這這一特點使使得遺傳算算法的應(yīng)用用范圍大大大擴展。 (4)遺傳傳算法不是

21、是采用確定定性規(guī)則，而而是采用概概率的變遷遷規(guī)則來指指導(dǎo)他的搜搜索方向。 (5)具有有自組織、自適應(yīng)和和自學習性性。遺傳算算法利用進進化過程獲獲得的信息息自行組織織搜索時，硬硬度大的個個體具有較較高的生存存概率，并并獲得更適適應(yīng)環(huán)境的的基因結(jié)構(gòu)構(gòu)。 3.2 運用領(lǐng)域域 前面描述是是簡單的遺遺傳算法模模型，可以以在這一基基本型上加加以改進，使使其在科學學和工程領(lǐng)領(lǐng)域得到廣廣泛應(yīng)用。下面列舉舉了一些遺遺傳算法的的應(yīng)用領(lǐng)域域： 優(yōu)化：遺傳算法法可用于各各種優(yōu)化問問題。既包包括數(shù)量優(yōu)優(yōu)化問題，也也包括組合合優(yōu)化問題題。 程序設(shè)設(shè)計：遺傳傳算法可以以用于某些些特殊任務(wù)務(wù)的計算機機程序設(shè)計計。 機器學學習

22、：遺傳傳算法可用用于許多機機器學習的的應(yīng)用，包包括分類問問題和預(yù)測測問題等。 經(jīng)濟學學：應(yīng)用遺遺傳算法對對經(jīng)濟創(chuàng)新新的過程建建立模型，可可以研究投投標的策略略，還可以以建立市場場競爭的模模型。 免疫系系統(tǒng)：應(yīng)用用遺傳算法法可以對自自然界中免免疫系統(tǒng)的的多個方面面建立模型型，研究個個體的生命命過程中的的突變現(xiàn)象象以及發(fā)掘掘進化過程程中的基因因資源。 進化現(xiàn)現(xiàn)象和學習習現(xiàn)象：遺遺傳算法可可以用來研研究個體是是如何學習習生存技巧巧的，一個個物種的進進化對其他他物種會產(chǎn)產(chǎn)生何種影影響等等。 社會經(jīng)經(jīng)濟問題：遺傳算法法可以用來來研究社會會系統(tǒng)中的的各種演化化現(xiàn)象，例例如在一個個多主體系系統(tǒng)中，協(xié)協(xié)作與交

23、流流是如何演演化出來的的。 4 模擬退退火算法 模擬退火算算法來源于于固體退火火原理，將將固體加溫溫至充分高高，再讓其其徐徐冷卻卻，加溫時時，固體內(nèi)內(nèi)部粒子隨隨溫升變?yōu)闉闊o序狀，內(nèi)內(nèi)能增大，而而徐徐冷卻卻時粒子漸漸趨有序，在在每個溫度度都達到平平衡態(tài)，最最后在常溫溫時達到基基態(tài)，內(nèi)能能減為最小小。根據(jù)MMetroopoliis準則，粒粒子在溫度度T時趨于于平衡的概概率為e-E/(kkT)，其其中E為溫溫度T時的的內(nèi)能，E為其改改變量，kk為Bolltzmaann常數(shù)數(shù)。用固體體退火模擬擬組合優(yōu)化化問題，將將內(nèi)能E模模擬為目標標函數(shù)值ff ，溫度度T演化成成控制參數(shù)數(shù)t，即得得到解組合合優(yōu)化問題

24、題的模擬退退火算法：由初始解解i和控制制參數(shù)初值值t開始，對對當前解重重復(fù)“產(chǎn)生新解解計算目標標函數(shù)差接受或舍舍棄”的迭代，并并逐步衰減減t值，算算法終止時時的當前解解即為所得得近似最優(yōu)優(yōu)解，這是是基于蒙特特卡羅迭代代求解法的的一種啟發(fā)發(fā)式隨機搜搜索過程。退火過程程由冷卻進進度表(CCooliing SScheddule)控制，包包括控制參參數(shù)的初值值t及其衰衰減因子t、每個個t值時的的迭代次數(shù)數(shù)L和停止止條件S。 5 群體（群群集）智能能（Swaarm IIntellligeence） 受社會性昆昆蟲行為的的啟發(fā)，計計算機工作作者通過對對社會性昆昆蟲的模擬擬產(chǎn)生了一一系列對于于傳統(tǒng)問題題的新

25、的解解決方法，這這些研究就就是群集智智能的研究究。群集智智能(Swwarm Inteelliggencee)中的群群體(Swwarm)指的是“一組相互互之間可以以進行直接接通信或者者間接通信信(通過改改變局部環(huán)環(huán)境)的主主體，這組組主體能夠夠合作進行行分布問題題求解”。而所謂謂群集智能能指的是“無智能的的主體通過過合作表現(xiàn)現(xiàn)出智能行行為的特性性”。群集智智能在沒有有集中控制制并且不提提供全局模模型的前提提下，為尋尋找復(fù)雜的的分布式問問題的解決決方案提供供了基礎(chǔ)。 群集智能的的特點和優(yōu)優(yōu)點：群體體中相互合合作的個體體是分布式式的(Diistriibuteed)，這這樣更能夠夠適應(yīng)當前前網(wǎng)絡(luò)環(huán)境境

26、下的工作作狀態(tài); 沒有中心心的控制與與數(shù)據(jù)，這這樣的系統(tǒng)統(tǒng)更具有魯魯棒性(RRobusst)，不不會由于某某一個或者者某幾個個個體的故障障而影響整整個問題的的求解?？煽梢圆煌ㄟ^過個體之間間直接通信信而是通過過非直接通通信(Sttimerrgy)進進行合作，這這樣的系統(tǒng)統(tǒng)具有更好好的可擴充充性(Sccalabbilitty)。由由于系統(tǒng)中中個體的增增加而增加加的系統(tǒng)的的通信開銷銷在這里十十分小。系系統(tǒng)中每個個個體的能能力十分簡簡單，這樣樣每個個體體的執(zhí)行時時間比較短短，并且實實現(xiàn)也比較較簡單，具具有簡單性性(Simmpliccity)。因為具具有這些優(yōu)優(yōu)點，雖說說群集智能能的研究還還處于初級級階

27、段，并并且存在許許多困難，但但是可以預(yù)預(yù)言群集智智能的研究究代表了以以后計算機機研究發(fā)展展的一個重重要方向。 在計算智能能(Commputaationnal IIntellligeence)領(lǐng)域有兩兩種基于群群智能的算算法，蟻群群算法(AAnt CColonny Opptimiizatiion)和和粒子群算算法(Paarticcle SSwarmm Opttimizzatioon)，前前者是對螞螞蟻群落食食物采集過過程的模擬擬，已經(jīng)成成功運用在在很多離散散優(yōu)化問題題上。 5.1 蟻蟻群優(yōu)化算算法 受螞蟻覓食食時的通信信機制的啟啟發(fā)，900年代Doorigoo提出了蟻蟻群優(yōu)化算算法(Annt C

28、oolonyy Opttimizzatioon，ACCO)來解解決計算機機算法學中中經(jīng)典的“貨郎擔問問題”。如果有有n個城市市，需要對對所有n個個城市進行行訪問且只只訪問一次次的最短距距離。 在解決貨郎郎擔問題時時，蟻群優(yōu)優(yōu)化算法設(shè)設(shè)計虛擬的的“螞蟻”將摸索不不同路線，并并留下會隨隨時間逐漸漸消失的虛虛擬“信息素”。虛擬的的“信息素”也會揮發(fā)發(fā)，每只螞螞蟻每次隨隨機選擇要要走的路徑徑，它們傾傾向于選擇擇路徑比較較短的、信信息素比較較濃的路徑徑。根據(jù)“信息素較較濃的路線線更近的的原則，即即可選擇出出最佳路線線。由于這這個算法利利用了正反反饋機制，使使得較短的的路徑能夠夠有較大的的機會得到到選擇，

29、并并且由于采采用了概率率算法，所所以它能夠夠不局限于于局部最優(yōu)優(yōu)解。 蟻群優(yōu)化算算法對于解解決貨郎擔擔問題并不不是目前最最好的方法法，但首先先，它提出出了一種解解決貨郎擔擔問題的新新思路；其其次由于這這種算法特特有的解決決方法，它它已經(jīng)被成成功用于解解決其他組組合優(yōu)化問問題，例如如圖的著色色(Graaph CColorring)以及最短短超串(SShorttest Commmon SSuperrsequuencee)等問題題。 5.2 粒粒子群優(yōu)化化算法 粒子群優(yōu)化化算法(PPSO)是是一種進化化計算技術(shù)術(shù)(Evoolutiionarry Coomputtatioon)，有有Eberrhart

30、t博士和KKenneedy博士士發(fā)明。源源于對鳥群群捕食的行行為研究。 PSO同遺遺傳算法類類似，是一一種基于疊疊代的優(yōu)化化工具。系系統(tǒng)初始化化為一組隨隨機解，通通過疊代搜搜尋最優(yōu)值值。但是并并沒有遺傳傳算法用的的交叉(ccrosssoverr)以及變變異(muutatiion)。而是粒子子在解空間間追隨最優(yōu)優(yōu)的粒子進進行搜索。 同遺傳算法法比較，PPSO的優(yōu)優(yōu)勢在于簡簡單容易實實現(xiàn)并且沒沒有許多參參數(shù)需要調(diào)調(diào)整。目前前已廣泛應(yīng)應(yīng)用于函數(shù)數(shù)優(yōu)化，神神經(jīng)網(wǎng)絡(luò)訓訓練，模糊糊系統(tǒng)控制制以及其他他遺傳算法法的應(yīng)用領(lǐng)領(lǐng)域。 粒子群優(yōu)化化算法(PPSO) 也是起源源對簡單社社會系統(tǒng)的的模擬，最最初設(shè)想是是

31、模擬鳥群群覓食的過過程，但后后來發(fā)現(xiàn)PPSO是一一種很好的的優(yōu)化工具具。 5.2.11 算法介介紹 PSO模擬擬鳥群的捕捕食行為。一群鳥在在隨機搜索索食物，在在這個區(qū)域域里只有一一塊食物。所有的鳥鳥都不知道道食物在那那里。但是是他們知道道當前的位位置離食物物還有多遠遠。那么找找到食物的的最優(yōu)策略略是什么呢呢。最簡單單有效的就就是搜尋目目前離食物物最近的鳥鳥的周圍區(qū)區(qū)域。 PSO從這這種模型中中得到啟示示并用于解解決優(yōu)化問問題。PSSO中，每每個優(yōu)化問問題的解都都是搜索空空間中的一一只鳥。我我們稱之為為“粒子”。所有的的粒子都有有一個由被被優(yōu)化的函函數(shù)決定的的適應(yīng)值(fitnness valuu

32、e)，每每個粒子還還有一個速速度決定他他們飛翔的的方向和距距離。然后后粒子們就就追隨當前前的最優(yōu)粒粒子在解空空間中搜索索。 PSO初始始化為一群群隨機粒子子(隨機解解)，然后后通過疊代代找到最優(yōu)優(yōu)解，在每每一次疊代代中，粒子子通過跟蹤蹤兩個“極值”來更新自自己。第一一個就是粒粒子本身所所找到的最最優(yōu)解，這這個解叫做做個體極值值pBesst，另一一個極值是是整個種群群目前找到到的最優(yōu)解解，這個極極值是全局局極值gBBest。另外也可可以不用整整個種群而而只是用其其中一部分分最優(yōu)粒子子的鄰居，那那么在所有有鄰居中的的極值就是是局部極值值。 5.2.22 PSOO算法過程程 種群隨隨機初始化化。 對種群群內(nèi)的每一一個個體計計算適應(yīng)值值(fittnesss vallue)。適應(yīng)值與與最優(yōu)解的的距離直接接有關(guān)。 種群根根據(jù)適應(yīng)值值進行復(fù)制制 。 如果終終止條件滿滿足的話，就就停止，否否則轉(zhuǎn)步驟驟 。 從以上步驟驟，我們可可以看到PPSO和遺遺傳算法有有很多共同同之處。兩兩者都隨機機初始化種種群，而且且都使用適適應(yīng)值來評評價系統(tǒng)，而而且都根據(jù)據(jù)適應(yīng)值來來進行一定定的隨機搜搜索。兩個個系統(tǒng)都