浅析群智能优化算法的应用

李杰宇　代皓天

摘 要 群智能优化算法是现代工程实际中比较新颖的一种数学计算方法。本文首先介绍了几种目前较为热门的群智能优化算法，分析了它们的应用领域，提出了群智能优化算法的发展方向及趋势。

关键词 群智能算法 蚁群算法 遗传算法 蜂群算法 狼群算法

群智能算法是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，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能理论研究领域主要的算法有：蚁群算法、粒子群算法、遗传算法、蜂群算法、狼群算法等。

1代表性群智能优化算法概述

蚁群算法是由Marco Dorigo于1992年提出的，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为，蚂蚁的个体行为比较简单，但是它们能够通过某种信息机制实现信息的传递，用以传递信息的物质成为“信息素”，蚁群内的蚂蚁对“信息素”具有感知能力，它们会沿着“信息素”浓度较高的路径行走，而每只路过的蚂蚁都会在路上留下“信息素”，这就形成一种类似正反馈的机制，这样经过一段时间后，整个蚁群就会沿着最短路径到达食物源，实现蚁群整体的智能行为。

遗传算法是由J.Holland教授1975年首先提出的，其灵感是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成，每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现，因此是一种通过模拟自然进化过程搜索最优解的方法。

蜂群算法是由Karaboga小组于2005年提出的，其灵感来源于由单个简单的个体行为所组成的极其复杂的蜜蜂群居智能行为，蜂群算法模仿蜜蜂的采蜜过程，只需要对问题进行优劣比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突显出来，有着较快的收敛速度。

狼群算法是由吴虎胜博士与Seyedali Mirjalili分别于2013年提出的两种不同的算法的共称，狼群算法是基于狼群群体智能模拟狼群捕食行为及其猎物分配方式，抽象出游走、召唤、围攻三种智能行为以及胜者为王的头狼产生规则和强者生存的狼群更新机制，提出的一种自下而上的基于职责分工的智能算法。狼群算法中的头狼、探狼和猛狼间的默契配合成就了狼群近乎完美的捕猎行动，而弱肉强食的猎物分配又促使狼群向最有可能再次捕获到猎物的方向繁衍发展。

2群智能优化算法的应用

（1）函数优化。函数优化是指运行效率的优化，优化后的函数执行寻优速度应高于优化之前，数学理论体系中构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数，应用群智能優化算法对非线性、多峰、多目标的函数进行优化时，可以不依赖于梯度信息或其它数学推算规则，只需要考虑函数变量的搜索方向和适应度函数的值。

（2）组合优化。组合优化问题的目标是从组合问题的可行解集中求出最优解，往往涉及排序、分类、筛选等问题，它是运筹学的一个重要分支，典型的组合优化问题有0-1背包问题、装箱问题、聚类问题等。这些问题描述非常简单，并且有很强的工程代表性，但最优化求解很困难，若用经典优化算法求解这些问题会需要极长的运行时间与极大的存储空间，以致根本不可能在现有计算机上实现，形成所谓的“组合爆炸”。面对这类复杂的优化问题，使用群智能优化算法求得最满意解是目前较为可行的办法，群优化算法可通过设置多个备选解和有限迭代计算次数的方式，快速、有效的得到可行解。

（3）最短路径。最短路径是图论研究中的一个经典问题，用于计算一个节点到其他节点的最短路径，主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。最经典的解决最短路径问题的是迪杰斯特拉算法，但由于它需要遍历计算的节点很多，所以效率低下。通过群智能优化算法，可以加入贪心策略等方法用于求解最短路径的最优解，计算的时间复杂度明显降低，可以有效取得符合实际工程问题的最优解。

3群智能优化算法的发展

群智能优化算法有一个共同的特点，即模拟了动植物的自然过程，有别于已有精确算法的计算程序，在按照一种新的方式进行科学运算。它将向着以下三个方面继续发展：

（1）更智能的模拟。人类现在对自然界中动植物的行为方式的研究还不全面，随着技术的发展将找到更多动植物进化、捕食、遗传方面的群体高智能行为，通过对这类智能行为的深入挖掘获取信息，进一步进行模拟，将是提高群智能算法的有效方式。

（2）更全面的方式。目前对动植物界群智能的模拟通常为几类标志性行为的抽象算法，还不足以表达整个行为过程，也导致了一些算法难以进一步的大幅度提升，通过更全面的方式的归纳，可以从局部改进算法过程，提升算法精度。

（3）多目标求解。在实际数学、工程应用中，多目标的求解问题更加常见，而现有群智能优化算法由于起步较晚，对单目标研究较多，对多目标问题涉猎不够全面，为将群智能算法进一步应用于实际问题中，多目标是其未来的主要发展方向。

参考文献

[1] 康与云.元功能链驱动的机电产品矩阵式创新设计方法[M].山东人民出版社， 2015.

[2] 申红莲.改进遗传算法及其应用[D].北京：华北电力大学，2007.

[3] Karaboga，D.B&B.asturk.A; powerful and efficient algorithm for numerical function optimization：artificial bee colony algorithm[J]. Journal of global optimization，2007，39（03）： 459-471

[4] 吴虎胜，张凤鸣，吴庐山.一种新的群体智能算法—狼群算法[J].系统工程与电子技术，2013，35（11）：2430-2438.