文化算法融合傳統(tǒng)智能優(yōu)化算法的研究綜述

摘 要：本文介紹了文化算法的基本原理，總結(jié)了文化算法與遺傳算法、粒子群算法、差分進(jìn)化算法、免疫克隆選擇算法等智能算法的融合技術(shù)及其應(yīng)用，為進(jìn)一步深入研究文化算法與其他智能算法融合，以及多個智能算法相結(jié)合的研究和應(yīng)用提供了參考和借鑒。

關(guān)鍵詞：文化算法；遺傳算法；粒子群算法；差分進(jìn)化；免疫克隆選擇算法

中圖分類號：TP301.6 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9599 （2013） 09-0000-02

1 引言

Reynolds于1994年提出文化算法，該算法的雙層進(jìn)化機(jī)制為進(jìn)化計算中的知識引導(dǎo)提供了通用框架，具有許多優(yōu)良特性。文化算法不僅克服了其他進(jìn)化算法的局限性，而且還克服了其他進(jìn)化算法產(chǎn)生的退化現(xiàn)象，文化算法能根據(jù)具體情況設(shè)計種群空間、信仰空間、接受函數(shù)和影響函數(shù)，有很強(qiáng)的可擴(kuò)充性，易于與其他方法結(jié)合，能夠使其以一定的速度進(jìn)化和適應(yīng)環(huán)境，并互相彌補(bǔ)各傳統(tǒng)算法的不足，提高算法的全局搜索能力、收斂速度、收斂性、計算精度等，適用范圍廣泛。

文化算法及其與傳統(tǒng)智能算法相結(jié)合的研究剛剛興起，本文在介紹文化算法基本原理的基礎(chǔ)上，對國內(nèi)近五年文化算法與遺傳算法、粒子群算法、差分進(jìn)化算法、免疫克隆選擇算法等相結(jié)合的研究進(jìn)行了綜述，為進(jìn)一步深入研究文化算法與其他智能算法相融合以及多個智能算法相結(jié)合的應(yīng)用提供了借鑒和參考。

2 文化算法基本原理

文化算法（CA）是由種群空間和信仰空間構(gòu)成的雙層進(jìn)化機(jī)制，主要包括三部分：種群空間、信仰空間和通信協(xié)議。文化算法的基本框架如圖：

種群空間是生物個體根據(jù)一定的行為準(zhǔn)則進(jìn)化而組成的。信仰空間是文化形成、存儲、更新、傳遞的進(jìn)化過程。兩個相對獨立的進(jìn)化過程，但又由通信協(xié)議將二者聯(lián)系在一起，相互影響和促進(jìn)，通信協(xié)議主要包括接受函數(shù)和影響函數(shù)。

3 文化-遺傳算法

遺傳算法（GA）是一種基于自然選擇和基因遺傳學(xué)原理的隨機(jī)并行搜索算法。遺傳算法隨著算法的進(jìn)行其種群多樣性逐漸消失，很容易于陷入早熟收斂，引入隨機(jī)種群可以改善種群的多樣性問題，但是又影響到算法的效率。目前，一些學(xué)者通過文化算法和遺傳算法結(jié)合，將遺傳算法納入文化算法的框架，形成基于遺傳算法的主群體空間和信念空間兩大空間，從收斂速度、收斂效率兩方面來提高遺傳算法的性能。文獻(xiàn)[1]提出一種基于模式學(xué)習(xí)的文化遺傳算法，該方法充分利用了優(yōu)秀個體所包含的特征信息起引導(dǎo)作用，算例表明，文化-遺傳算法可提高算法收斂速度。文獻(xiàn)[2]為解決函數(shù)優(yōu)化問題，針對遺傳算法的不足之處，將文化-遺傳算法用于函數(shù)優(yōu)化，實驗結(jié)果表明，新算法能夠提高效率和精確度。文獻(xiàn)[3，4]將遺傳算法中交叉和變異算子嵌入文化算法的主群體空間進(jìn)行傳統(tǒng)的遺傳算法操作，形成一種雙層進(jìn)化結(jié)構(gòu)，該算法在計算效率和求解質(zhì)量上均具有較好的效果。文獻(xiàn)[5]和文獻(xiàn)[6]分別針對DNA編碼問題和裝載機(jī)的連桿機(jī)構(gòu)傳動比問題，采用文化遺傳算法克服了遺傳算法進(jìn)化效率不高的問題，從而提高計算速度。文獻(xiàn)[7]提出了一種基于文化算法的雙層機(jī)制結(jié)構(gòu)的知識遷移多用戶交互式遺傳算法模型，該模型有效提高各用戶的進(jìn)化收斂速度，減輕用戶疲勞。

4 文化-粒子群算法

粒子群算法（PSO）是在研究鳥類的群體行為時提出來的一種群智能算法。該算法雖簡單，計算速度快，但收斂性、均勻性和局部搜索能力差。為了解決上述問題，并提高粒子群優(yōu)化算法的精度與計算的效率，運用文化算法的并行計算能力及PSO的優(yōu)點，將文化算法和PSO結(jié)合形成一種新型的智能算法，該算法利用優(yōu)秀個體所包含的信息提高算法的收斂性，同時在局部最優(yōu)問題上有一定的優(yōu)越性，而且避免了群體早熟的發(fā)生。文化-粒子群算法的融合主要是將粒子群算法納入文化算法的框架。

文獻(xiàn)[8]將文化粒子群算法用于求解置換流水車間調(diào)度問題中的最小化最大完成時間，通過不斷與信念空間中的優(yōu)秀個體交互，加快群體收斂速度，該算法具有較快的收斂速度。文獻(xiàn)[9]基于粒子群算法的改進(jìn)多目標(biāo)文化算法用于求解多目標(biāo)優(yōu)化問題，測試結(jié)果表明，改進(jìn)多目標(biāo)文化算法能夠在保持Pareto解集多樣性的同時具有較好的均勻性和收斂性。文獻(xiàn)[10]提出以隨機(jī)粒子群作為信念空間，以粒子群作為種群空間的進(jìn)化算法，集成了rPSO大范圍、高效率搜索和PSO局部精細(xì)化搜索的優(yōu)點，較好地克服了PSO易“早熟”和收斂速度緩慢等問題。[11]利用文化粒子群算法的優(yōu)點，設(shè)計了一種可快速進(jìn)行多維搜索求解所提的基于模式空間的測向算法。

5 文化-差分進(jìn)化算法

差分進(jìn)化算法（DE）是一種采用實數(shù)矢量編碼的并行搜索算法，其原理簡單，受控參數(shù)少，易于編碼與實現(xiàn)。但在收斂速度和搜索魯棒性之間發(fā)生沖突，且后期收斂速度變慢， 容易陷入局部最優(yōu)。無法有效的求解工程中復(fù)雜的高維非線性優(yōu)化問題等缺點。文化-差分進(jìn)化算法有效解決復(fù)雜度問題、提高全局搜索能力和到達(dá)收斂速度快的效果。文化-差分進(jìn)化算法的融合主要是將差分進(jìn)化算法納入文化算法的種群空間。文獻(xiàn)[12]提出一種混沌差分文化算法，測試結(jié)果表明，該算法能有效的避免早熟收斂，搜索到全局最優(yōu)解的能力得到顯著提高。文獻(xiàn)[13]提出的差分文化算法是一種求解實數(shù)優(yōu)化問題的新算法，具有收斂速度快和優(yōu)化效果好的顯著特點，并把差分文化算法推廣應(yīng)用到其他高維參數(shù)優(yōu)化問題。文獻(xiàn)[14]將改進(jìn)差分進(jìn)化算法引入文化算法的種群空間，并應(yīng)用于約束求解問題。通過對基準(zhǔn)函數(shù)和丁烯烷化生產(chǎn)調(diào)度問題進(jìn)行仿真，結(jié)果表明這一算法有比較好的全局搜索能力，加快了收斂速度，并降低了計算量。

6 文化-免疫克隆算法

免疫克隆選擇算法模擬生物學(xué)中的抗體克隆選擇機(jī)理，通過克隆操作、免疫基因操作以及選擇操作等新型算子，實現(xiàn)高效的搜索方法。免疫克隆選擇算法有全局收斂能力差，選擇機(jī)制又容易早熟收斂的缺點。文化-免疫克隆算法可兼顧全局探索和局部搜索能力，提高免疫克隆選擇算法的收斂速度和進(jìn)化性能，該算法主要將免疫克隆選擇算法嵌入文化算法的種群空間，其應(yīng)用前景廣泛。文獻(xiàn)[15]提出一種自適應(yīng)免疫克隆選擇文化算法，實驗結(jié)果表明，該算法在整體上具有較好的全局尋優(yōu)能力和解穩(wěn)定性，且收斂速度較快。文獻(xiàn)[16]提出了基于免疫文化算法的加熱爐優(yōu)化調(diào)度方法，通過利用免疫克隆的較強(qiáng)的搜索能力和文化算法信念知識的指導(dǎo)，使加熱爐調(diào)度得到顯著優(yōu)化，不僅提高了軋制生產(chǎn)線的利用率，還縮短了加熱爐的運行時間，減少了燃料消耗。文獻(xiàn)[17]提出了一種基于免疫文化算法的封裝式特征選擇方法，實驗表明該方法在降低數(shù)據(jù)維度和提高分類準(zhǔn)確率上有著良好的效果。文獻(xiàn)[18]采用文化算法的框架結(jié)構(gòu)，將免疫克隆算法嵌入其中，利用免疫克隆算法的全局收斂性在數(shù)據(jù)庫中迅速搜索關(guān)聯(lián)規(guī)則，實驗表明，該模型具有較快的收斂速度和所得關(guān)聯(lián)規(guī)則的準(zhǔn)確率較高。

7 文化算法與其他智能算法結(jié)合

文化算法除了與遺傳算法、粒子群算法、差分進(jìn)化算法、免疫克隆選擇算法融合外，還可以與其他智能算法相結(jié)合，如文化算法融合神經(jīng)網(wǎng)絡(luò)[19]，文化算法融合蟻群算法[20-21]。此外，文化與兩種以上的智能算法融合研究也逐步興起，但研究相對較少。

8 結(jié)束語

文化算法是一種基于種群多進(jìn)化過程的全局優(yōu)化算法，通過文化算法與傳統(tǒng)智能算法相結(jié)合可以提高算法的收斂速度、計算精度等，文化算法與傳統(tǒng)智能算法的結(jié)合為解決復(fù)雜優(yōu)化問題提供了新的途徑，具有較好的應(yīng)用前景。

參考文獻(xiàn)：

[1]高麗麗.基于模式學(xué)習(xí)的文化遺傳算法研究[J].計算機(jī)工程與應(yīng)用，2007，43（22）.

[2]張敏.文化遺傳算法的研究及其在函數(shù)優(yōu)化中的應(yīng)用[J].計算機(jī)工程與應(yīng)用，2009，45（18）.

[3]李鐵克.基于文化遺傳算法求解柔性作業(yè)車間調(diào)度問題[J].計算機(jī)集成制造系統(tǒng).2010，16（4）.

[4]王偉玲.一種求解作業(yè)車間調(diào)度問題的文化遺傳算法[J].中國機(jī)械工程，2010，21（3）.

[5]王延峰.基于文化遺傳算法的DNA編碼序列設(shè)計[J].計算機(jī)工程與應(yīng)用，2008，44（36）.

[6]齊建家.文化遺傳算法用于裝載機(jī)工作裝置優(yōu)化計算研究[J].設(shè)備管理與維修技術(shù)，2009，07-0071-03.

[7]張紹娟.基于知識遷移的多用戶交互式遺傳算法[J].控制理論與應(yīng)用，2007，26（10）.

[8]朱霞.一種求解作業(yè)車間調(diào)度的文化粒子群算法[J].計算機(jī)應(yīng)用研究，2012，29（4）.

[9]吳亞麗.一種基于粒子群算法的改進(jìn)多目標(biāo)文化算法[J].控制與決策，2012，27（8）.

[10]王正帥.基于文化框架的隨機(jī)粒子群優(yōu)化算法[J].計算機(jī)科學(xué)，2012，39（6）.

[11]李興華.圓陣模式空間的文化粒子群極大似然測向算法[J].應(yīng)用能源技術(shù)，2012（3）.

[12]盧有麟.混沌差分文化算法及其仿真應(yīng)用研究[J].系統(tǒng)仿真學(xué)報，2009，21（16）.

[13]蘭成章.基于差分文化算法的FIR數(shù)字濾波器設(shè)計[J].自動化技術(shù)與應(yīng)用，2010，29（6）.

[14]黃福令.基于文化算法和改進(jìn)差分進(jìn)化算法的混合算法[J].計算機(jī)應(yīng)用，2009，29（5）.

[15]郭一楠.自適應(yīng)免疫克隆選擇文化算法[J].電子學(xué)報，2010，38（4）.

[16]孫學(xué)剛.基免文化算法的特鋼加熱爐調(diào)度優(yōu)化[J].控制理論與應(yīng)用，2010，27（8）.

[17]宋辰，黃海燕.基于免疫文化算法的故障特征選擇方法[J].計算機(jī)應(yīng)用研究，2012，29（11）.

[18]楊光軍.基于免疫克隆文化算法的關(guān)聯(lián)規(guī)則挖掘[J].計算機(jī)工程與科學(xué)，2012，34（3）.

[19]魏秀.用文化算法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用[J].科技情報開發(fā)與經(jīng)濟(jì)，2011，21（10）.

[20]薛小虎.基于改進(jìn)的文化蟻群算法求解最優(yōu)路徑問題研究[J].佳木斯大學(xué)學(xué)報，2011，29（1）.

[21]李艷紅.基于文化蟻群算法的過熱汽溫PID參數(shù)優(yōu)化仿真研究[J].咸陽師范學(xué)院學(xué)報，2012，27（4）.

[基金項目]云南省教育廳科學(xué)研究基金項目，項目名稱：“文化算法理論及其應(yīng)用研究”，項目編號：2012Y162。

[作者簡介]賈麗麗（1982-），女，黑龍江齊齊哈爾人，云南大學(xué)滇池學(xué)院，講師，碩士，應(yīng)用數(shù)學(xué)。