《新型群智能优化算法综述.docx》由会员分享，可在线阅读，更多相关《新型群智能优化算法综述.docx（11页珍藏版）》请在三一办公上搜索。
1、新型群智能优化算法综述新型群智能优化算法综述林诗洁巳董 晨七陈町志r张 元分陈景辉口LIN Shi证.DONG Chen1 CHEN Mingzhi1 . ZHANG Fan . CHEN Jinghu1 一福州大学数学与计算旧IM学学院.福州3501162福州大学网貉系统侣底宜全福建省高校重点室验室、福州3WH6I r I 1 ss i r jw I,、一|4*1-土L rhQ AT_irl f*ni-nnii htadar C rik-i4iAA E7h vL-i na i I* T-M b4Cii AVI *3 Cfl I I i fIxb irx s/CN/abstract/abstr
2、act36800.shtml摘要：传统群智能算法在解决复杂实际多目标优化问题中存在不 足，近年来学者提出诸多新型群智能算法，适用 性强，在求解复杂实 际问题中取得了较好的实验效果。以算法提出时间为主线，对新型群 智能算法中细菌觅食优化算法、混合蛙跳算法、人工蜂群算法、萤火 虫算法、布谷鸟搜索、果蝇优化算法和头脑风暴优化算法的改进及应 用进行分析和综述，并对群智能算法未来的研究发展方向进行了探 讨。关键词：细菌觅食优化；混合蛙跳算法；人工蜂群算法；萤火虫 算法；布谷鸟搜索；果蝇优化算法；头脑风暴优化算法1引言自然界中存在着如鱼群、鸟群、蜂群、狼群和细菌群 等群体，群 体单个成员独立生存能力有限，
3、但整个群体却表现出强大的生命力， 这种生命力不仅是个体能力的简单叠加，还存在着各种信息交换，个 体根据所接收到的信息对自己的行为进行调整，最终体现出群体智 能。群智能(Swarm Intelligence，SI)是一类具有自组织行为智能 群体的总称，即基于个体群成员的聚集，也表现出独立的智能。1989 年 Gerardo Beni 和 Jing Wang 在文章Swarm Intelligence中第 一次提出了 “群体智能”这个概念1。SI可以认为是由简单个体之 间、个体与环境之间的相互作用最终形成的智能行为，群体中的个体 都遵循简单的行为准则，并且群体间没有统一的中心控制，个体之间 相互作
4、用最终表现为整个种群上的智能。SI的优点在于2：（1）灵活性：整个种群能够快速适应变化的环境。（2）鲁棒性：即使少数个体无法工作，整个种群依然 能够正常 运转。（3）自组织性：整个种群只需要相对较少的监督或 自上而下的 控制。群智能优化算法为解决许多实际问题提供一些新思路，经典群智 能算法有蚁群优化算法、粒子群算法等。这些算法具有更强的鲁棒性 和较强的搜索能力，易于并行实现，容易与其他算法结合改进算法性 能。但蚁群算法计算量大，求解时间较长，粒子群算法对参数的依赖 性较强，参数设置不当会降低求解质量，算法容易 早熟收敛，不适用 于高维多峰问题。近年来，国内外学者提出许多新型群智能算法，这些算法
5、参数较 少，进化过程相对简单，运算速度快，全局搜索能力较强，适用于解 决高维和多目标优化问题。本文根据算法提出时间顺序，对2002年 以来提出的新型群智能算法展开研究，对细菌觅食优化算法、混合蛙 跳算法、人工蜂群算法、萤火虫算法、布谷鸟搜索、果蝇优化算法和 头脑风暴算法的改进和应用进行研究和分析，最后对群智能算法未来 的研究发展方向进行展望。2细菌觅食优化算法细菌觅食优化算法（BFO）2002年由Passino3提出，整个算 法过程模拟大肠杆菌的趋化性、群体繁殖、消除和扩散过程，由趋化、 繁殖、迁徙3个循环过程组成。2.1改进思路传统BFO具有三层嵌套循环，导致算法寻优精度低，易陷入局部 最优
6、。目前多从繁殖过程和迁徙方面进行改进，提高算法寻优精度、 全局搜索能力和寻优速度。2.2研究现状及应用Wang4提出基于细菌群优化的特征选择算法（BCO）,将一种 加权特征选择策略嵌入到基于细菌的算法中，降低分类中的特征维数， 根据两个矩阵对特征进行分类，并根据种群的出现频率进行区分。最 小化特征数量，最大化性能和最小化计算成本为目标参数，利用肿瘤 数据集对提出的算法进行性能测试，实验表明BCO能够有效地进行 特征选择。Amghar5提出一种将细菌觅食优化算法融入径向基函数 神经网络的混合方法，应用于图像分类。算法被用来训练神经网络来 演化和改进RBF神经网络学习和准确性，通过动态方式确定隐层
7、参数。 采用混合RBF-BFOA方法进行测试算法对分类图像类型和复杂性的依 赖性。实验结果表明混合方法能够产生良好分类，并且说明所提出的 方法是非常稳健的。Ramyachitra6针对蛋白质结构预测问题，提出 一种细菌觅食优化算法，采用面心立方晶格和疏水/极性（HP）能量 模型，结合BFO算法，从最小化17种蛋白质整体结构的自由能水平 出发，提高了搜索质量。研究结果证明该算法可以成功地应用于蛋白 质结构预测。Subudhi7基于BFO所展示出的全局寻优性能，提出 一种利用细菌觅食优化（BFO）算法的光伏（PV）模块参数提取方法。 对不同类型的PV模块在不同测试条件下进行测试，实验结果表明利 用
8、BFO提取的参数比牛顿-拉夫逊、粒子群算法和增强模拟退火方法 更准确。为直观展示不同改进对细菌算法的影响，列举了其 他改进细菌觅 食优化算法的改进思路、优缺点及应用，如表1所示。栽1儿他政进细傅庖作精化氟秘僧缺.点,和麻川改迎耳裁称彪思路缺厂向用域廉ACBFO.ISEDDFC11ACRFC :您.部fl茴命咋剧:持征于里的映 财关系解决枫肋可碧 甫 适应评帖特征 政里性.馄状更要精征尚EDBFO涔|入取曲正切函亦表示岫 并:在制陶酒障-分IR阶段使用抢也晰保 博被消除加1僻的龙置特征城知特怔堡於度.提藉分炎准琳t匕止好刷试数据堡中. 送世整款较小时分类 非确性较（!LAQlfl A;，1基F量
9、盅理；曲个体酗商址应值林与 前迭代农数H话曲能化步长I利用彝旋提升成解听度和算法不解您定，在CfiCOS基 准圈域函数中痢效果我是raws动力学驱法吸代怦维蜂群机制的始化和迁旋阶段使M曲进里佳点栗 方法,保旺种群多样性；圳A Psoip侑尿解带W冏，机法psafaa*岫f的个体VHilH）囱息共享的抓制一捉君讨度和效率；呆用认即可空舄学习健A葬数谜稳定哩嘏率迁徒方式跳出局部最恍,避免耸 读只路利耕典鲫圈逃迎权重可惟割响成解效果A BFO111呆JI1非税性遥戚聿弦函数倒帝步长:SS 合厢。算th,很含更所细仲世舶改进孝解牺度披动较大，用占步叫Ml盅，Tlk寿 WMisfit h il#的涂昨杖
10、i改进局法名版氏避.削路应用场景BFCEArnq姑含带有曲与变忡1U汜符的状含虹跳 跃血虫和改进土工坤样算族，俩香蜂柯网种山处址生.在棋用是成内/伐种防 曲伸外烷牌过程1 *.用住粕主商敕樨础俄速度*1季解蛟壁神群大小判辑动步检费响求解成量忡群治大一步仁与小.y 反他曲进派峰跳球法优域页和闷川Il Ok v就程式气电 *压器优化Hi计测试两数卵度较M.高堆唯间茶 件下的程出性能未制I利用虢厚论在不何迎化阶股莪褂FH SFL时,优解进少渡樱.借案悼推控制思部g H算进行控林尖狭鼻题兰长他”句上司牛 雨人寿分址化月注中鬲夏妹 . I.EL卜*亡上心日蜡山A!v 队组，比较4种方法对每日太阳辐射的预
11、测，结果证明GSO-SVM- HARD模型有较好的预测效果。表4列举了其他改进萤火虫算法的改进思路、优缺点及应用，直 观展示了不同改进思路下的算法性能。6其他群智能算法6.1布谷鸟搜索算法布谷鸟搜索算法又称杜鹃搜索算法（Cuckoo Search，CS）， 2009年由Yang和Deb提出42。算法模拟布谷鸟计算寄生育雏繁 殖的独特生育行为和Levy flight搜索机制来寻找最优解，模型简单， 参数少，通用性强，但也存在收敛速度慢，易陷入局部最优的缺点。 近年来学者提出了许多改进思路，并成功应用于设施布局问题43、 数据聚类问题44等领域。Zhang45将CS算法融入SVM改进，并应用到短期
12、电负荷预 测（STLF）领域当中，提出一种（CS-SSA-SVM）模型。首先利用信 号滤波技术（SSA）进行数据预处理，之后使用CS优化的SVM对具 有不同预测策略的结果序列进行建模，实验表明该模型能够提高短期 电负荷预测的准确性，但CS在提高预测准确性中的作用小于SSA。 Cui46提出一种OCS算法结合到DV-Hop算法当中，来提高DV- Hop的性能。实验证明，当OCS算法中结合Levy分布和柯西分布时 效果最好。未来的研究当中可以考虑将DV-Hop算法与其他算法相结 合，拓宽算法的应用领域。Dhabal47提出一种全局最优弓I导的CS 算法（GCS），用来设计高阶正交镜像滤波器（QMF
13、）组。GCS改进 CS中随机抛弃旧鸟巢的策略来更好地控制步长；改进参数入和pa ; 修改调用成本函数的方式，减少算法的时间开销。改进后的算法能有 效平衡搜索和开发能力，不需要调整参数，灵活性强。其他改进布谷鸟搜索算法的改进思路、优缺点及应用之间的比较， 如表5所示。6.2果蝇算法果蝇优化算法（Fruit Fly Optimization Algorithm , FOA ）, 2011年由台湾学者潘文超提出50,目前研究还处初级阶段，研究 成果相对较少。果蝇的视觉和嗅觉器官异常灵敏，可以通过气味信息 搜寻远的食物，飞到食物附近，利用视觉发现食物和同伴的位置，向 该方向靠拢。算法过程简单、控制参数
14、少，容易实现，但算法也存在 收敛速度慢、高度依赖初始条件、处理高维问题效果不好等问题，许 多学者提出相应的改进并成功应用于结构工程设计优化问题51、无 线传感网络布局52、资源受限项目调度问题53等领域。Hu54提出一种步长递减的果蝇优化算法（SFOA ）来优化广义 回归神经网络（GRNN ）的扩展参数。，建立SFOA-GRNN模型并应 用于短期电力负荷预测（STLF）当中。实验证明该模型具有更高的预 测准确性和稳定性，但由于实验数据缺乏，无法与FOA-GRNN模型 进行相关性能比较，该模型有待进一步研究和完善。Ye55提出一种 基于改进混沌果蝇优化算法（CIFOA ）的SVM优改13算法名祢
15、改港担踣址点成用场牡riEi*般含完金z-opt耳iM籽萤火限 的荧光素税休若化为城而边摩 稣此改避配率公式和荧光就未的球IEKPI切藏她果打更折公式女昵椎甘iF优化晚更耳很昨群爆寇增大时枝或速度I；降球形TSPM小沌双定特向St机瞥担（作为节GSOWTWSVMJ火吼的世置信息.小波叔克持IH*HL命晃凿度为目标函教分秦带仪物效率较乌们*好的江化俺刀谜伸叫制制国小波收冲倾 改进，容雄W部觥ll.Si I岫弥M代次邮遇岫雅娘翌.在晾只就火虫徉M阶.GSO WjiJ;段襟加空局馆息玲甜敕出易到所i比击的H iri嚣胸.株肉崎条件F ：色朔俾行初y Ml也攵过布养鸟拽麻th占优统戊和氓明收进思路Qt
16、m H|利用混沌进f神辞切聪化；利用 It恐也更新用里；道和边界做 牌桃离校盍巩期增加推荆多样件俱品边界空间利用军祚肆排收数速度在糙帽集仲物如境前心品氟优根振个体牝裕个H*罪临度度电的ikks1花系站个体进行分jtL动念调ta搜术步长平葡尘赫常和有L娘!嗑:一掘盛求峭*度.加饨个抻罪的道庞度平均怕:惟尚分蛆标推.期哽中体盹数谜理玷好和址辱而四*浩响发其也改过虫火虫洋彼优缺点和匾JiDCS -事地招生同哉中的学H痢略加快m /*r Ar *4 OJ Mi fa ii- * l-n SI hi收牧迁.而加神桦件在喜维何幽中的求解 iKriwT w-利用带肖罹II快IHE 秽H式的曲迎鼻法牝群曲址思
17、胳用耐场景IFFOA平彳f搜戒F滴开理利搜威惦h:圳注收 进和m索镰制 林院提高神景协作 能力；改计，神垂真交胃方法桃出同部最比一血教踱蚣.曲枇高算臂到藉技夫一具诂件不棉vi勺维背包何题利用ptt控佩策略占|：模型料法自适费扣划!t敬速虔快,Pin柱制 带对口间蜒j讹化,调整飞行H1离器性圈提升耳法透用性!喘FI 口琴敌挥制性改；1S应ft南此.靖如逃通亲till蛆早 瓦iE布航函瓦而堇色融经网的点丁 JH也改进头脑斌邮席化尊法优城点和成JU改避钮法驾一、 改进思路C%点3布顽而疝布石顽网宜法打舟* 当舐谁某些洞试函DMBS册十芯和组Mi排.分别控制局部和会甘；-群大规模增配时.求解精.7ft
18、&果 A FM椎畜度远怔于阳。耳祛鹿用场氐PDDMBSO*11在SMBSO星础LJ加M俾掩利怦步 样性策略、发生呻熟时，陇机机始化 部样竺代卧瓯啊羊中尊数城的个 体i量忧个姓九辞林!宦，产生定数求#i精理汀址划域个体代替咂肿群中域辛哉的耳法H程景顼,求精推篡性函纹何地时世雀井求器陶脸旃度向您不熨出财比他牧进果蝴也化律法疵妹宝WJ说，U个体摒XT免戒机理引无BSO、对个体gm时比。/技右PSO.tn Hx. IT. i IM. j . U r JaJAIKM1两向作湃打碎疗入波布机IL悝UMJ. tf.ifc-frlFliLiF国修松倦化方案。在CIFOA中利用混沌进行初始化，在搜索阶段使用混沌
19、 粒子群进行种群更新，引入突变策略来防止陷入局部最优。实验证明 提出的模型在特征分类当中能提供更合适的分类，但是CIFOA算法本 身运行时间长于其他智能算法，可能影响运行效率。其他果蝇优化算法的改进思路、优缺点及应用之间的比较，如表6所示。6.3头脑风暴优化算法头脑风暴优化算法(Brain Storm Optimization , BSO ) 2011 年由史玉回59在第二次群体智能国际会议(The Second International Conference on Swarm Intelligence)中提出，模拟人 类提出创造性思路解决问题的过程，自提出以来就受到关注，目前国 内外对算法
20、改进的研究成果相对较少。算法首先聚类分类种群，通过 类内、类间的变异操作实现种群更新，适合解决高维多峰问题，已成 功应用于短期风速预测60、股票价格预测61等领域。El-Abd62提出一种全局最优弓I导的头脑风暴算法(GBSO)， 遵循全局最优思想和重新初始化机制的思想，结合基于适应度分组方 法，单个变量更新。实验结果表明GBSO在整体性能上优于曰，0,但 是GBSO在某些测试中的收敛速度慢，未来可设计机制调整算法参数， 实验不同的再初始化方案来改进算法性能。吴亚丽63提出一种基于 目标空间聚类差分头脑风暴算法(DEBSO-OS )，对目标空间进行聚 类降低算法复杂度，利用差分变异增加种群多样
21、性。实验证明算法具 有很好的求解精度和求解速度，但是在某些测试函数中，算法寻优效 果受到聚类个数影响很大，算法稳定性有待提高。陈山64改进BSO 个体的变异过程，放弃log sig函数，自适应调整变异步长，有效平 衡全局和局部搜索。算法应用于Wiener模型参数辨识，实验证明算 法具有良好的辨识效果，但参与比较的算法仅有PSO和基本BSO, 对比算法较少，无法验证该算法与其他智能优化算法相比较的优劣 性。其他头脑风暴优化算法的改进思路、优缺点及应用之间的比较， 如表7所示。为直观比较不同群智能优化算法之间的特性及应用场景，总结了 不同群智能算法的优点、存在的问题、适用场景，如表8所示。7结束语
22、本文对2002年以来提出的典型新型群智能算法的相关研究进行 了综述。经过近30年的研究与发展，群智能算法在理论上已经非常 完善，具有鲁棒性、自组织性、灵活性等优点并在近年来被广泛应用 于混沌系统68、金融预测、图像检索、特征选择等各个领域。虽然群智能算法的应用领域很广，但是依然存在一些问题，未来需要继续 研究和完善。在N博智傩优化律法优tfe席比蛟群智能算注优点在机阐适用场景人工蛉罪食法高雄间18效果蜉.快速得到N部最州*收数速度慢，绑h入局部最优场像信号处理、特征选抒. 资源临度间魅等混含蛀跋味法概念茹单.参数较少，挥田叵坏 速度快.易技现却陪瓦局部最此改数速度慢果英加1题就源回路的匕 图徵
23、分剖等细i脚晒代优化弃/x井-行搜索,耳跳出械小位不优精度低.收敛速度慢模式式别.股，h预测程 套数伐化等莹火虫算法参敝少.进化过却葡第全局搜索甲期收纹唏度慢,时国收敛图像处照、聚夷间圈.纸立J能力较强值定卜优化间图等布谷玛搜索麻彼幢型荷骸，螫畿少.通用性翱收蜒度慢，畅陷入周部堆优设帷布局.是类村翩等倾优化异注参位少，结构简单抽实职值倾腆条件，寻优糖度低，墟 隋鸵械优诂构ISi霸十伏化、无我住 感网络仙心肢源师度耳r J -I- -1-111 I 1 r5-11. 脉叩耻3、=工口厂*叫苴、1电(1) 从文中可以看出，经过国内夕卜学者不断努力对 群智能优化 算法进行研究和改进，算法在优化人工神
24、经网络相关参数(如SVM参 数调整)方面已经得到广泛应用，并且取得了一些成果69。实验结 果也证明使用群智能优化算法进行优化的SVM模型具有更好的分类 效果，未来可继续在这方面领域进行进一步研究。(2) 文中可以看出，群智能优化算法不仅仅局限于 将生物种群 的各种特性引入算法进行改进，有国内外学者已经将人类的一些生物 特性思想引入传统群智能算法，如人口种群自适应26和人体自身免 疫机制67等。未来可以继续从人类相关生物特性入手进行研究，进 步对算法进行改进。(3) 绝大多数的实际应用问题都是离散型问题，如 节点负载、 资源调度等。群智能算法在优化离散型问题时需要根据实际问题进行 建模，设计参数和编码方式，然而改进后的算法并不能保证在设置最 优参数的情况下获得更好的结果，如何改进算法获得更合理高效的实 际建模需要进一步研究和探讨。
