群體智能優(yōu)化算法

程 適， 王 銳， 伍國華， 郭一楠， 馬連博， 史玉回

(1.陜西師范大學 計算機科學學院， 陜西 西安 710119； 2.國防科技大學 系統(tǒng)工程學院, 湖南 長沙 410073； 3.中南大學 交通運輸工程學院, 湖南 長沙 410075； 4.中國礦業(yè)大學 信息與控制工程學院, 江蘇 徐州 221116； 5.東北大學 軟件學院， 沈陽 遼寧 110819； 6.南方科技大學 計算機科學與工程系， 廣東 深圳 518055)

0 引言

群體智能(swarm intelligence)的核心思想就是若干個簡單個體構(gòu)成一個群體，通過合作、競爭、交互與學習等機制表現(xiàn)出高級和復(fù)雜的功能，在缺少局部信息和模型的情況下，仍能夠完成復(fù)雜問題的求解[1].其求解過程為對求解變量進行隨機初始化，經(jīng)過迭代求解，計算目標函數(shù)的輸出值.群體智能優(yōu)化算法不依賴于梯度信息，對待求解問題無連續(xù)、可導等要求，使得該類算法既適應(yīng)連續(xù)型數(shù)值優(yōu)化，也適應(yīng)離散型組合優(yōu)化.同時，群體智能優(yōu)化算法潛在的并行性和分布式特點使其在處理大數(shù)據(jù)時具備顯著優(yōu)勢.因此，群體智能優(yōu)化算法越來越多地受到各個領(lǐng)域?qū)W者的關(guān)注，成為一個熱門研究方向.

1 群體智能算法的優(yōu)越性

群體智能優(yōu)化算法包括了多種算法，例如經(jīng)典的粒子群優(yōu)化算法(particle swarm optimization，PSO)，蟻群優(yōu)化算法(ant colony optimization，ACO)等[1].近年來，又涌現(xiàn)出不少新算法，例如頭腦風暴優(yōu)化算法(brain storm optimization，BSO)[2-4]，煙花算法(fireworks algorithms，F(xiàn)WA)[5],鴿群算法[6]等.新的群體智能優(yōu)化算法為求解多種多樣的實際問題提供了新的思路和手段.以頭腦風暴優(yōu)化算法為例，這種算法的特點是將群體優(yōu)化方法和數(shù)據(jù)挖掘/數(shù)據(jù)分析的方法進行融合，以數(shù)據(jù)分析的方法為基礎(chǔ)去選擇相對較好的解.通過對求解問題的大量解的數(shù)據(jù)進行分析，根據(jù)待求解問題特征與算法優(yōu)化過程中生成解集合的分布情況，建立待求解問題解的結(jié)構(gòu)(Landscape)，在待求解問題與算法關(guān)聯(lián)的基礎(chǔ)上，更好地求解問題.

將最優(yōu)化問題建模為在解空間上搜索最優(yōu)值的搜索問題，群體優(yōu)化算法通過啟發(fā)式信息來指導搜索過程.在搜索過程中，多個個體通過競爭與協(xié)作的方式，共同對解空間進行搜索.由于有多個個體同時協(xié)作進行搜索，使得群體優(yōu)化算法具有一種潛在的并行性.不同于常規(guī)的數(shù)值解法，群體優(yōu)化算法對目標函數(shù)的性態(tài)(單調(diào)性、可導性、模態(tài)性)幾乎沒有限制，甚至不需要知道目標函數(shù)的表達式，因此群體智能優(yōu)化算法極大地拓展了可求解的最優(yōu)化問題的范圍，可以廣泛地應(yīng)用于各種優(yōu)化問題中，如動態(tài)優(yōu)化問題、約束優(yōu)化問題、不確定環(huán)境優(yōu)化問題及多目標優(yōu)化問題等.

2 群體智能算法專題論文概述

遺傳規(guī)劃是一種演化計算算法，能夠利用計算機技術(shù)自動生成“程序”(模型)解決實際問題.畢瑩等撰寫的文章《GP算法在圖像分析上的應(yīng)用綜述》介紹了GP算法基本原理、發(fā)展及其主要應(yīng)用領(lǐng)域[7].對GP算法在圖像分析方面如特征提取、圖像分類、邊緣檢測、圖像分割等的代表性研究進行了較為系統(tǒng)全面的綜述，并對GP算法在圖像分析上的研究難點及熱點如計算復(fù)雜度、泛化能力、遷移學習等進行了總結(jié)和歸納，指出了未來主要研究方向.

曾冰等撰寫的文章《鯨魚群算法及其應(yīng)用》研究了一種新的群體智能優(yōu)化算法——鯨魚群算法[8].文章系統(tǒng)介紹了鯨魚群算法的原理、基本步驟及與其他典型群體智能優(yōu)化算法相比的優(yōu)點.并針對多峰優(yōu)化問題的特點，改進鯨魚群算法的迭代規(guī)則，引入穩(wěn)定性閾值和適應(yīng)度閾值兩個參數(shù).最后以煉鋼連鑄調(diào)度問題為例，闡述了鯨魚群算法在工程優(yōu)化領(lǐng)域的具體應(yīng)用.

針對傳統(tǒng)約束優(yōu)化算法采用相同的進化策略處理位于Pareto邊緣的解與函數(shù)值較差的解，使得尋優(yōu)結(jié)果較差的問題，李二超等撰寫的文章《兩階段三存檔集約束優(yōu)化算法(TSDA)》提出一種兩階段三存檔集約束優(yōu)化算法[9].該算法與其他約束多目標進化算法在3種經(jīng)典約束測試函數(shù)上進行了對比，仿真結(jié)果表明，該算法在不同類型約束條件下的尋優(yōu)能力均具有優(yōu)勢.

針對傳統(tǒng)人工蜂群算法收斂速度慢、易陷入局部最優(yōu)解等不足，王守娜等撰寫的文章《一種應(yīng)用于函數(shù)優(yōu)化問題的多種群人工蜂群算法》提出一種基于種群分割的應(yīng)用于函數(shù)優(yōu)化問題的多種群人工蜂群算法[10].6個基準測試函數(shù)的實驗表明，該算法適應(yīng)度高、收斂速度快，克服了傳統(tǒng)人工蜂群算法易陷入局部最優(yōu)解的不足，在函數(shù)優(yōu)化問題中表現(xiàn)出了更好的性能.

人工蜂群算法存在收斂速度慢、求解精度不高、易陷入局部最優(yōu)解等問題.基于受粒子群啟發(fā)的多精英人工蜂群優(yōu)化算法,金葉等撰寫的文章《基于單純形的改進精英人工蜂群算法》引入了蜂群中的精英個體和全局最優(yōu)個體增強開發(fā)全局最優(yōu)解的能力[11].數(shù)值實驗表明，該改進算法的尋優(yōu)精度和收斂速度均有明顯提高.

為改進基本磷蝦算法收斂效率低下、容易收斂到局部極值的不足，劉振等撰寫的文章《一種量子行為磷蝦算法及其仿真分析》基于協(xié)同進化和量子計算基本理論，提出一種量子行為磷蝦算法，稱之為協(xié)同進化量子磷蝦算法[12].仿真驗證表明，該算法能得到更優(yōu)解，具備良好的優(yōu)化性能.

針對微電網(wǎng)能源調(diào)度優(yōu)化問題，李佳華等撰寫的文章《基于多目標蜂群進化優(yōu)化的微電網(wǎng)能量調(diào)度方法》提出了微電網(wǎng)系統(tǒng)運行的經(jīng)濟和環(huán)保的雙重優(yōu)化模型，根據(jù)調(diào)度系統(tǒng)的評估結(jié)果對調(diào)度方案進行優(yōu)化[13].并將所提模型和基于指標化擁堵距離的多目標蜂群算法應(yīng)用于解決含有多種分布式電源的微電網(wǎng)能量動態(tài)調(diào)度實驗中.仿真結(jié)果表明，通過合理安排微電源出力，所提方法能夠有效降低系統(tǒng)總成本.

文笑雨等撰寫的文章《基于廣義粒子群優(yōu)化模型的工藝規(guī)劃方法研究》在廣義粒子群優(yōu)化模型基礎(chǔ)上，結(jié)合工藝規(guī)劃問題的特性，設(shè)計了求解工藝規(guī)劃問題的改進廣義粒子群優(yōu)化算法[14].與其他算法相比，該算法在求解工藝規(guī)劃問題時具有更高的求解效率和更好的穩(wěn)定性.

3 結(jié)束語

本專題的討論將有益于群體智能優(yōu)化算法的研究，促進群體智能優(yōu)化算法在實際問題求解中的應(yīng)用.本專題的順利完成, 離不開作者、審稿專家和《鄭州大學學報(工學版)》編輯們的大力支持與協(xié)助，在此表示誠摯的感謝.