各种算法的设计来源与比较分析(共11页)

1、 布谷鸟算法设计(shj)来源布谷鸟孵卵的寄生性布谷鸟最为人知的特性就是孵卵的寄生性，即产卵于某些种鸟的巢中，靠养父母孵化和育雏，不同种类的布谷鸟有着他们不同的适应性以增加幼雏的成活率，例如，托卵寄生性布谷鸟会将自己的卵产在别的鸟巢里，其卵形似寄主的卵，因此，减少了寄主将其卵抛弃的机会，且杜鹃成鸟会移走寄主的一个或更多的卵，以免被寄主发现卵数的增加，而且这样还减少了寄主幼雏的竞争，因为此类布谷鸟一般比别的鸟类早出生，所以(suy)只要此类布谷鸟一出生就会将同巢的寄主的卵和幼雏推出巢外，它们则由养父母喂养长大。 人工(rngng)蜂群算法的设计来源与算法简介人工蜂群算法是模拟蜜蜂行为而提出的一种

2、优化算法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各个人工蜂个体的局部寻优行为最终在群体中使全局最优值突现出来，有着较快的收敛速度，这种算法是为了解决多变量函数优化问题而提出的一个算法模型。蜜蜂采蜜原理蜜蜂是一种群居昆虫，虽然单个昆虫的行为及其简单，但是由单个简单的个体所组成的群体却表现出极其复杂的行为。真实的蜜蜂种群能够在任何环境下，以极高的效率从食物源（花朵）中采集花蜜，同时，它们能适应环境的变化。蜂群产生群体智慧的最小搜索模型包含基本的三个组成要素(yo s)：食物源、被雇佣的蜜蜂（employed foragers）和未被雇

3、佣的蜜蜂（unemployed foragers）;两种最为基本的行为模型：为食物源招募（recruit）蜜蜂、放弃（abandon）某个食物源。食物源：食物源的价值由多方面的因素决定，如，它离蜂巢的远近、包含花蜜(hum)的丰富程度和获得花蜜的难易程度。对此，我们常使用单一的参数，即食物源的“收益率”（profitability）来代表(dibio)以上各个因素。被雇佣的蜜蜂：也称为引领蜂（leader），其与所采集的食物源一一对应。引领蜂储存有某一食物源的相关信息（相对于蜂巢的距离、方向、食物源的丰富程度等）并且将这些信息以一定的概率与其他蜜蜂分享。未被雇佣的蜜蜂：其主要任务是寻找和开采食

4、物源。未被雇佣的蜜蜂可分为两种：侦查蜂（Scouter）和跟随蜂（Follower）。侦查蜂负责搜索蜂巢附近的新食物源；跟随蜂等在蜂巢里面并通过引领蜂分享的相关信息找到食物源。一般情况下，侦查蜂的平均数目是蜂群的5%20%。在群体智慧形成的过程中，蜜蜂间交换信息是最为重要的一环。舞蹈区是蜂巢中最为重要的信息交换地。蜜蜂的舞蹈叫做摇摆舞。食物源的信息在舞蹈区通过摇摆舞的形式与其他蜜蜂共享，引领蜂通过摇摆舞的持续时间等来表现食物源的收益率，所以跟随蜂可以观察到大量的舞蹈并依据收益率来选择到哪个食物源来采蜜。收益率与食物源被选择的可能性成正比。因而，蜜蜂被招募到某一食物源的概率与食物源的收益成正比。

5、初始时刻，蜜蜂以侦查蜂的身份搜索，其搜索可以由系统提供的先验知识决定，也可以完全随机，经过一轮侦查后，若蜜蜂找到食物(shw)源，蜜蜂则利用它本身的存储能力记录位置信息并开始采蜜，此时，蜜蜂将成为“被雇佣(gyng)者”。蜜蜂在食物源采蜜后回到蜂巢卸下蜂蜜然后有如下(rxi)选择：放弃食物源而成为非雇佣蜂。跳摇摆舞为所对应的食物源招募更多的蜜蜂，然后回到食物源采蜜。继续在同一食物源采蜜而不进行招募。而对于非雇佣蜂则有如下选择：转变为侦查蜂并搜索蜂巢附近的食物源，其搜索可以由先验知识决定，也可以完全随机。在观察完摇摆舞后被雇佣成为跟随蜂，开始搜索对应食物源邻域并采蜜。量子人工蜂群算法人工蜂群算法

6、是解决优化问题的一种有效方法，但实际应用中也存在着收敛速度慢、早熟等问题。借鉴量子计算技术，我们将量子进化算法和人工蜂群算法结合，提出一种新的量子人工蜂群算法。算法直接用量子位的概率幅作为蜜源位置的编码，旋转角的大小和方向由蜜源当前位置和在其附近搜索得到的新位置共同确定，蜜源的更新用量子旋转门实现，蜜源的变异用量子非门来完成，对蜜蜂的随机行为同样用量子旋转门实现，并规定旋转角调整范围，针对不同的优化问题设计了不同的解空间变换模型，算法总体思想保持不变，蜜蜂采蜜时采用贪婪原则，蜜蜂采蜜的过程也就是搜索最优解的过程，从而实现了目标的优化求解，并分别以函数极值和TSP问题为例进行了仿真，结果表明该算

7、法能够克服早熟现象且迭代次数少、收敛速度快、通用性强，比标准人工蜂群算法具有优势。进化(jnhu)算法进化算法，或称演化(ynhu)算法（evolutionary algorithms, EAs）是一个“算法(sun f)簇”，尽管它有很多的变化，有不同的遗产基因表达方式，不同的交叉和变异算子，特殊算子的引用，以及不同的再生和选择方法，但它们产生的灵感都来自于大自然的生物进化。与传统的基于微积分的方法和穷举法等优化算法相比，进化算法是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，具有自组织、自适应、自学习的特性，能够不受问题性质的限制，有效的处理传统优化算法难以解决的复杂问题。1.进化过程

8、的基本框架如下：进化算法是以达尔文的进化论思想为基础，通过模拟生物进化过程与机制求解问题的自组织、自适应的人工智能技术。生物进化是通过繁殖、变异(biny)、竞争和选择实现的，而进化算法则主要通过选择、重组和变异这三种操作实现优化问题的求解，其过程如下：t=0初始化群体(qnt)p(0)评估(pn )初始化群体p(0)While 终止不满足do 重组操作：p(t)=r(p(t)变异操作：p(t)=m(p(t)评估操作：p(t)选择操作：p(t+1)=s(p(t)UQ)t=t+1end（其中r、m、s分别表示重组算子、变异算子、选择算子）进化算法的简单介绍进化算法包括遗传算法、遗传规划、进化规划

9、、进化策略等。进化算法的基本框架还是简单遗传算法所描述的框架，但在进化方式上有较大的差异，选择、交叉、变异、种群控制等有很多变化，（大致框图如上）同遗传算法一样，进化算法的收敛性也有一些结果，文献证明了在保存最优个体(gt)时通用的进化算法是收敛的，但进化算法的很多结果是从遗传算法推过去的。遗传算法对交叉操作要看重一些，认为变异操作是算法的辅助操作，而进化规划(guhu)和进化策略认为在一般意义上说交叉并不优于变异，甚至可以不要交叉操作。进化(jnhu)算法的发展起源计划算法的基本步骤计划算法的基本特点进化算法是一种具有鲁棒性的方法，能适应不同的环境不同的问题，而且在大多数情况下都能得到比较满

10、意的有效解。它对问题的整个参数空间给出了一种编码方案，而不是直接对问题的具体参数进行处理，不是从某个单一的初始点开始搜索，而是从一组初始点搜索。搜索中用到的是目标函数值得信息，可以不必用到目标函数的倒数信息爱，或与具体问题有关的特俗知识。因而进化算法具有广泛的应用性、高度的非线性、易修改性和可并行性。此外，算法本身也可以采用动态自适应技术，在进化算法过程中自动调整算法控制参数和编码精度，比如使用模糊自适应法。差分算法差分进化算法（differential evolution ,DE）是一种新兴的进化算法技术，或称差分演化算法、微分进化算法、微分演化算法、差异演化算法。其最初(zuch)的设想是

11、用于解决切比雪夫多项式问题，后来则发现其也是解决复杂优化问题的有效技术。DE与人工生命，特别是进化算法有着极为特殊的联系。差分进化算法是基于群体智慧理论的优化算法，通过群体内个体间的合作与竞争产生的群体智能优化搜索，但相比于进化算法，DE保留了基于种群的全局搜索策略，采用实数编码基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要不需要借助问题的特征信息，适于求解一些利用常规的数学方法所无法求解的复杂环境中的优化问题。差分进化算法是一种基于群体进化的算法，具有记忆

12、(jy)个体最优解和种群内信息共享的特点，即通过中群内个体间的合作与竞争来实现对优化问题的求解，其本质是一种基于实数编码的具有保优思想的贪婪遗传算法。DE是一种用于优化问题的启发式算法。本质上说，它是一种基于实数编码的具有保优思想的贪婪遗传算法。同遗传算法一样，DE包含变异和交叉操作，但同时相较于遗传算法的选择操作，DE采用一对一的淘汰机制来更新种群。DE在连续域优化问题的优势已获得(hud)广泛应用，并引发进化算法研究领域的热潮。差分进化算法的原理采用对个体进行方向扰动，以达到对个体的函数值进行下降的目的，同其他进化算法一样，DE不利用目标函数的梯度信息，因此对目标的可导性甚至连续性没有要，

13、其算法适应性很强。同时，算法与粒子群算法有相通之处，但因为DE在一定程度上考虑了多变量间的相关性，因此相较于粒子群优化算法在变量耦合问题上有很大的优势，从算法的实现(shxin)需参考实现代码部分。遗传算法遗传算法（genetic algorithm）是模拟达尔文生物进化的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，其基本运算为初始化，最典型的特征就是通用与各种问题的使用。它是一类借鉴(jijin)生物界的进化规律（适者生存、优胜劣汰、）和遗传机制演化而来的随机化搜索方法。，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定，具有内在

14、的隐并行性和更好的全局寻优能力，采用概率化的寻优方法，能自动获取和指导优化的搜索空间，能自适应的调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛的应用于组合优化、机器学习(xux)、信号处理、自适应控制和人工生命的领域，它是现代有关智能计算中的关键技术。同样，遗传算法也是计算机科学人工智能领域中用于解决最优化的一种(y zhn)搜索启发式算法，是进化算法的一种，这种启发式算法通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优解，而

15、不能达到全局最优。遗传算法的基本(jbn)运算如下：遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体（individual）组成，每个个体实际上是染色体（chromosome）带有特征的实体，染色体作为遗传物质的主要载体，即多个基因的组合，其内部表现（即基因型）是某个基因组合，它决定了个体的外部表现，如黑色眼球是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射，即编码工作。由于仿照基因编码的工作很复杂，所以我们往往进行简化，如二进制编码，初代种群产生后，按照适者生存，优胜劣

16、汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小来选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比以前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。上文也曾提到过遗传算法的特点，现在加以具体说明，遗传算法是解决搜索问题(wnt)的一种通用算法，对于各种通用问题都可以使用，搜索算法的共同特征为:首

17、先组成(z chn)一组候选解依据(yj)某些适应性条件测算这些候选解的适应度根据适应度保留某些候选解，放弃其他候选解对保留的候选解进行某些操作，生成新的候选解在遗传算法中，上述几个特征以一种特殊的方式组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其他搜索算法区别开来。同时，遗传算法还具有以下几个方面的特点：遗传算法从问题解的串集开始(kish)搜索，而不是从单个解开始，这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求解最优解的，容易误入局部最优解，遗传算法从串集开始搜索，覆盖面大，利于全局择优。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入(xinr)局部最优解的风险，同时算法本身易于实现并行化。遗传算法基本上不用搜索空间的知识或其他辅助信息，而仅用适应度函数值来评估个体(gt)，在此基础上进行遗传操作，适应度函数不仅不受连续可微的约束