第一章绪论
1.1微粒群算法的起源
1.1.1群智能算法的提出
20世纪50年代中期创立了仿生学，人们从生物进化的机理中是受到启发，提出了许多用以解决复杂优化问题的新方法——进化算法，如遗传算法(Genetic
Algorithm，GA)、遗传编程(Genetic Programming，GP)、进化策略(Evolution
Strategies，ES)以及进化规划(Evolutionary Programming,EP)等。虽然这几方法在实现手段上各有特点、互不相同，但它们所遵循的进化原则是一致的。它们主要是模仿生物学中进化和遗传过程，遵循达尔文的“适者生存、优胜劣汰”的竞争原则，从一组随机生成的初始可行解群体出发，借助复制、重组、选择以及突变等遗传操作，在搜索过程中自动获取并积累解空间的有关知识，逐步向问题的最优解逼近。因此从实质上来说，进化算法是一类具有自适应调节功能的搜索寻优技术，目前它己经被广泛地应用到组合优化问题、机器学习、人工生命、自动控制以及动态系统的故障诊断等领域中本文来自辣%文,论'文.网，
毕业论文 www.751com.cn 加7位QQ324~9114找原文。
20世纪80年代，群智能算法作为一种新兴的演化计算技术已成为越来越多
研究者关注的焦点，它与ES和GA有着极为特殊的关系。在没有集中控制且不
提供全局模型的前提下，群体智能为寻找复杂的分布式问题的解决方案提供了基
础。群体智能的概念源于对蜜蜂、蚂蚁、大雁等群居生物群体行为的观察和研究。
通常将这样一种模拟群居性生物中的集体智能行为的智能计算或优化方法称为群体智能算法。严格来讲，群体智能是一种在自然界生物群体所表现出的智能现
象启发下提出的人工智能模式，是对简单生物群体的智能现象的具体模式研究，
即“简单智能的主体通过合作表现出复杂智能行为的特性”。该智能模式需要以
相当数目的智能个体实现对某类问题的求解功能。作为智能个体本身，在没有
得到智能群体的总体信息反馈时，它在解空间中的运动方式是完全没有规律的。
只有在受到整个智能群体在解空间中运动效果的影响之后，智能个体在解空间中
能体现出具有总体合理寻优特征的运动模式。
最早关于群体智能的研究是Craig Reynolds在1986年所提出的一个用于模
拟鸟类聚集飞行行为的仿真模型Boid，该模型通过对现实世界中这些群体运动 的观察，在计算机中复制和重建了这些运动轨迹，并实现了对这种运动进行抽象 建模，以发现新的运动模式。意大利学者Colorni A、Dorigo M和Maniezzo V于1992年首先提出了蚁群算法，它是对蚂蚁群体采集食物过程的模拟，已成功用于许多离散优化问题。
Millonas在1994年提出了群体智能应该遵循的五条基本原则：
(1)相似性原则(Proximity Principle)：群体能够进行简单相似的空间和时问计算；
(2)品质响应原则(Quality Principle)：群体能够对环境中的各类品质因子作出响应；
(3)多样性反应原则(Principle of Diverse Response)：群体的行动和响应范围
不应太窄；
(4)稳定性原则(Stability Principle)：群体不应在每次环境变化时都改变自身的行为；
(5)适应性原则(Adaptability Principle)：在能够接受的计算代价内，群体必须能够在适当的时候合理改变自身的行为。
以上原则说明，实现群体智能的智能个体必须能够在环境中表现自主性、反应性、学习性和自适应性等智能特性。但是，这并不代表群体中的每个个体都相当复杂，事实恰恰相反，群体智能的核心就是由众多简单个体组成的，群体能够通过相互之间的简单合作来实现某一较复杂的功能，完成某一较复杂的任务。其中，“简单个体”是指只具有简单能力或智能的单个个体，而“简单合作”是指个体与其邻近个体进行某种简单的直接通讯或通过改变环境因素间接与其他个体通讯，从而实现相互影响 和协同合作。
1.1.2微粒群算法的提出
微粒群算法最初是为了图形化的模拟鸟群优美而不可预测的运动。而通过对动物社会行为的观察，发现在群体中对信息的社会共享提供一个演化的优势，并以此作为开发算法的基础。通过加入近邻的速度匹配、并考虑了多文搜索和根据距离的加速，形成了PSO的最初版本。之后引入了惯性权重w来更好的控制开发（exploitation）和探索（exploration），形成了标准版本。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>
matlab微粒群算法研究与仿真 第2页下载如图片无法显示或论文不完整，请联系qq752018766
