《2022年2022年几种典型仿生优化算法的比较及混沌蚁群算法介绍 .pdf》由会员分享，可在线阅读，更多相关《2022年2022年几种典型仿生优化算法的比较及混沌蚁群算法介绍 .pdf（4页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、几种典型仿生优化算法的比较及混沌蚁群算法介绍1、几种典型仿生优化算法的比较自上世纪 50 年代以来，人们从生物进化的机理中受到启发，构造和设计出许多仿生优化算法， 如遗传算法、蚁群算法、粒子群算法、捕食搜索算法等， 它们都属于一类模拟自然界生物系统、完全依赖生物体自身体能、 通过无意识寻优行为来优化其生存状态以适应环境需要的最优化智能算法。 它们都有着自已的特点， 适合不同类型的实际问题。1.1 共同点1、都是一类不确定的概率型全局优化算法。仿生优化算法的不确定性是伴随其随机性而来的，其主要步骤含有随机因素， 有更多的机会求得全局最优解，比较灵活。2、都不依赖于优化问题本身的严格数学性质，都具
2、有稳健性。在优化过程中都不依赖于优化问题本身的严格数学性质以及目标函数和约束条件的精确数学描述。因此在求解许多不同问题时， 只需要设计相应的评价函数， 基本无需修改算法的其它部分，在不同条件和环境下算法的适用性和有效性很强。3、都是一种基于多个智能体的仿生算法，表现出与环境交互的能力。仿生优化算法中的各个智能体之间通过相互协作来更好地适应环境，表现出与环境交互的能力。4、都具有本质并行性。一是仿生优化的内在并行性，即非常适合大规模并行； 二是仿生优化计算的内含并行性，能使其以较少的计算获得较大的收益。5、都具有突现性。即仿生算法总目标的完成是在多个智能体个体行为运动过程中突现出来的。6、都具有
3、自组织性和进化性。在不确定的环境中，可通过自学习不断提高算法中个体的适应性。1.2 不同点1、遗传算法：以决策变量的编码作为运算对象，借鉴了生物学名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 4 页 - - - - - - - - - 的染色体概念， 模拟自然界中生物遗传和进化的精英策略，采用个体评价函数进行选择操作，并采用交叉、变异算子产生新的个体，使算法具有较大的灵活性和可扩展性。缺点：求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低。2、蚁群算法：采用正反
4、馈机制或称是一种增强性学习系统，通过不断更新信息素达到最终收敛于最优路径的目的，这是其不同于其它仿生优化算法的显著特点。缺点：需要较长的搜索时间，且容易出现停滞现象，其收敛性能对初始化参数的设置比较敏感。3、粒子群算法：一种简单容易实现又具有深刻智能背景的启发式算法，与其它仿生算法相比，该算法所需代码和参数较少，且受所求问题维数的影响较小。缺点：粒子群算法的数学基础相对薄弱，缺少深刻的数学理论分析。4、捕食搜索算法：不是一种具体的寻优计算方法，本质上是一种平衡局域搜索和全局搜索的策略。其全局搜索负责对解空间进行广度探索，局域搜索负责对较好区域进行深度开发。二者结合起来具有搜索速度快，搜索质量高
5、，有效避免陷入局优等优点。2、混沌蚁群算法2.1 引言混沌是自然界广泛存在的一种非线性现象，它看似混沌，却有着精致的内在结构， 具有“随机性” 、 “遍历性”及“规律性”等特点，对初始条件极度敏感， 能在一定范围内按其自身规律不重复地遍历所有状态，利用混沌运动的性质可以进行优化搜索。根据混沌特性，本文将混沌融入蚁群算法， 提出混沌蚁群（Chaos Ant Colony Optimization, 简称 CACO ）算法，利用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值。2.2 混沌及动运特性目前对混沌尚无严格的定义， 一般将由确定性方程得到的具有随机性的运动状态称为混沌。L
6、ogistic 映射就是一个典型的混沌系统，名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 4 页 - - - - - - - - - 迭代公式如下：Zi+1= Zi1 - Zi,i = 0,1,2, , 2,4（1.1）式中 为控制参量，当 =4，0Z01，Logistic 完全处于混沌状态。利用混沌运动特性可以进行优化搜索，其基本思想是首先产生一组与优化变量相同数目的混沌变量，用类似载波的方式将混沌引入优化变量使其呈现混沌状态， 同时把混沌运动的遍历范围放大到优化变量
7、的取值范围， 然后直接利用混沌变量搜索。 由于混沌运动具有随机性、遍历性、对初始条件的敏感性等特点，基于混沌的搜索技术无疑会比其它随机搜索更具优越性。现利用 =4 时的沌特性，取1.1 式的Logistic映射为混沌信号发生器。2.3 基本蚁群算法改进2.3.1 混沌初始化蚁群算法初始化时， 各路径的信息素取相同值，让蚂蚁以等概率选择路径，这样使蚂蚁很难在短时间内从大量的杂乱无章的路径中，找出一条较好的路径， 所以收敛速度较慢。 假如初始化时就给出启发性的信息量， 可以加快收敛速度。 改进的方法是利用混沌运动的遍历性，进行混沌初始化， 每个混沌量对应于一条路径，产生大量的路径（如 100 条）
8、 ，从中选择比较优的（如30 条） ，使这些路径留下信息素（与路径长度和成反比） ，各路径的信息量就不同，以此引导蚂蚁进行选择路径。2.3.2 选择较优解蚂蚁每次周游结束后， 不论蚂蚁搜索到的解如何， 都将赋予相应的信息增量， 比较差的解也将留下信息素， 这样就干扰后续的蚂蚁进行寻优，造成大量的无效的搜索。改进的方法是，只有比较好的解才留下信息素，即只有当路径长度小于给定的值才留下信息素。2.3.3 混沌扰动蚁群利用了正反馈原理， 在一定程度上加快了进化进程，但也存在一些缺陷，如出现停滞现象，陷入局部最优解。改进的措施加入混沌扰动，调整信息量，再加入混沌扰量，以使解跳出局部极值区间。更新方程修
9、改为 : ij(t+n)=?ijt + ?ij+ qZij1-2 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 4 页 - - - - - - - - - 其中， Zij为混沌变量，由公式1.1 迭代得到； q 为系统。2.4 混沌蚁群算法改进后的解 TSP问题的混沌蚁群算法如下：步骤 1 nc0， （nc 为迭代步数或搜索次数） ，混沌初始化，调整各路径信息素，将 m 个蚂蚁置于 n 个顶点上；步骤2 将各蚂蚁的初始出发点置于当前解集中，对每个蚂蚁k（K=1,2, .m） ，按概率 pijk对移至下一顶点j，将顶点 j 置于当前解集 ; 步骤 3 计算各蚂蚁的路径长度Lk（K=1，2，, ， m） ，记录当前的最好解；步骤 4 对路径长度Lk小于给定值的路径，按更新方程(1-2)修改轨迹强度；步骤 5 nc nc + 1; 步骤 6 若 nc 预定的迭代次数且无退化行为 （即找到的都是相同解） ，则转步骤 2；步骤 7 输出目前最好解。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 4 页 - - - - - - - - -