智能算法30个案例分析
【篇一：智能算法30个案例分析】
智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免
疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既
爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我
们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更
难用它来解决问题。
因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作
matlab 智能算法，该书包含了遗传算法，免疫算法，粒子群算法，
鱼群算法，多目标pareto 算法，模拟退火算法，蚁群算法，神经网络，svm 等，本书最大的特点在于以案例为导向，每个案例针对一
个实际问题，给出全部程序和求解思路，并配套相关讲解视频，使
读者在读过一个案例之后能够快速掌握这种方法，并且会套用案例
程序来编写自己的程序。本书作者在线，读者和会员可以向作者提问，作者做到有问必答。
本书和目录如下：基于遗传算法的tsp算法（王辉） tsp (旅行商问题—traveling salesman problem)，是典型的np 完全问题，即其
最坏情况下的时间复杂性随着问题规模的增大按指数方式增长，到
目前为止不能找到一个多项式时间的有效算法。遗传算法是一种进
化算法，其基本原理是仿效生物界中的“物竞天择、适者生存” 的演
化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代
的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。实践证明，遗传算法对于解决
tsp 问题等组合优化问题具有较好的寻优性能。
基于遗传算法和非线性规划的函数寻优算法（史峰）遗传算法提供
了求解非线性规划的通用框架，它不依赖于问题的具体领域。遗传
算法的优点是将问题参数编码成染色体后进行优化，而不针对参数
本身，从而不受函数约束条件的限搜索过程从问题解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，大大减少陷入局部
最小的可能性。而且优化计算时算法不依赖于梯度信息，且不要求
目标函数连续及可导，使其适于求解传统搜索方法难以解决的大规模、非线性组合优化问题。
用于模式分类、模式识别等方面．但 bp 算法收敛速度慢，且很容易
陷入局部极小点，而遗传算法具有并行搜索、效率高、不存在局部
收敛问题等优点而被广泛应用．遗传算法的寻优过程带有一定程度
的随机性和盲从性，多数情况下只能收敛到全局次优解，且有过早
收敛的现象．为了克服遗传算法寻优过程的盲从性，将有监督学习
的bp 算法与之结合以达到优势互补、提高算法的稳定性和全局搜
索能力的目的。
设菲尔德大学的matlab遗传算法工具箱（王辉） matlab 遗传算法(genetic algorithm)优化工具箱是基于基本操作及终止条件、二进制和十进制相互转换等操作的综合函数库。其实现步骤包括：通过输
入及输出函数求出遗传算法主函数、初始种群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。以函数仿真为例，对
该函数优化和ga 改进，只需改写函数m 文件形式即可。
基于遗传算法的lqr控制优化算法（胡斐） lqr 控制在工程中得到了
广泛的应用，对于lqr 最优控制方法，性能指标中权重矩阵的选择
对控制系统的性能有很大影响。权重矩阵通常的确定方法，首先是
根据经验初步确定，然后通过模拟，根据输出响应量逐步调整权重
系数，直到获得满意的输出响应量为止。这种确定方法不仅费时，
而且无法获得最优的权重矩阵使系统性能达到最优。本案例将研究
基于遗传算法的lqr 控制优化算法，利用遗传算法的全局寻优能力，搜索权重矩阵。
遗传算法工具箱详解及应用（胡斐）matlab 自带的遗传算法与直接
搜索工具箱(genetic algorithm directsearch toolbox, gadst)，可
以较好地解决与遗传算法相关的各种问题。gadst 可以通过gui 界面调用，也可以通过命令行方式调用，使用简单方便。本案例将对gadst 函数库的遗传算法部分进行详细的代码分析和讲解，并通过
求解非线性方程组介绍gadst 的使用方法。
多种群遗传算法的函数优化算法（王辉）标准遗传算法有时候会出
现未成熟收敛问题，在求解多目标优化问题时显得尤其严重。遗传
算法存在未成熟收敛问题，在求解多目标优化问题时显得尤其严重。因此已有学者提出了多种群遗传算法。该算法中多个种群使用同一
目标函数，各种群的交叉率和变异率取不同的固定值，以搜索不同
解空间中的最优解，种群之间定期进行信息交换。多种群遗传算法
能在一定程度上缓解遗传算法的不成熟收敛问题。
基于量子遗传算法的函数寻优算法（王辉）量子遗传算法(quantum genetic algorithm，qga)是量子计算与遗传算法(genetic algorithm，ga)相结合的产物，是一种新发展起来的概率进化算法。
量子遗传算法是将量子计算与遗传算法相结合而形成的一种混合遗
传算法，它弥补了传统遗传算法的某些不足；利用量子计算的一些
概念和理论，如量子位、量子叠加态等，使用量子比特编码染色体，这种概率幅表示可以使一个量子染色体同时表达多个状态的信息，
用量子门对叠加态的作用作为进化操作，能很好地保持种群多样性
和避免选择压力问题，而且当前最优个体的信息能够很容易用来引
导变异，使得种群以大概率向着优良模式进化，从而实现目标的优
化求解。
多目标pareto最优解搜索算法（胡斐）多目标优化是指在约束条件
下有两个或两个以上的优化目标，而且这些目标之间相互矛盾，不
能同时达到最优，也就是说，一个目标的最优往往是以牺牲其它目
标作为代价的，因此多目标优化问题存在多个最优解，这些解之间
无法比较优劣，统称为 pareto 最优解。带精英策略的快速非支配排序遗传算法(nondominated sorting genetic algorithm ii，nsga-ii)
是目前应用较为广泛的一种多目标算法。本案例将对matlab自带
的改进的nsga-ii 进行讲解，并举例说明其应用。
10 基于多目标pareto 的二维背包搜索算法（史峰）背包问题（knapsack problem）是运筹学一个典型的优化难题，但是它有着
广泛的应用背景，如装载问题、材料切割、投资决策以及资源分配等，往往还将其作为其他问题的子问题加以研究。它是个典型的
np 问题，对其求解主要采用启发式算法，如贪心算法、遗传算法及
模拟退火算法等。粒子群算法是一种新的进化算法，运算简单、易
于实现，该案例将其用于多目标二维背包问题中，向读者阐明粒子
群算法解决带有约束的多目标组合优化问题的方 11基于免疫算法的
柔性车间调度算法（史峰）有效的调度方法与优化技术的研究和应用，对于制造企业提高生产效率，降低生产成本等方面起着重要作用。然而柔性车间调度问题计算复杂，约束条件多，普通算法容易
陷入局部最优问题。免疫算法是模仿免疫系统抗原识别，抗原与抗
体产生过程，并利用免疫系统多样性和记忆抽象得到的算法，具有
非线性，全局化搜索等优势，本案例研究了基于免疫算法的柔性车
间调度算法。
12 基于免疫算法的运输中心规划算法（史峰）随着物流业的快速发展，配送在整个物流系统中的所起的作用越发重要，因而配送中心
的选址对于企业的网络布局、经营方式等起到了重要作用。然而，
配送中心的选择具有计算复杂、约束条件多等问题，普通算法难以
找到问题的最优解。免疫算法具有非线性、全局搜索等优点，适合于此类复杂问题的研究，本案例研究了基于免疫算法的运输中心规划算法。
13 基于粒子群算法的函数寻优算法（史峰）粒子群优化算法（pso,particle swarm optimization）是计算智能领域，除了蚁群算法，鱼群算法之外的一种群体智能的优化算法。函数寻优是工程中经常遇到的问题，有些函数因为局部极小值点的存在，算法难以寻找到局部最优值。粒子群算法具有群体智能，全局寻优等优势，比较适合于函数寻优问题，本案例研究了基于粒子群算法的函数寻优算法。
14 基于粒子群算法的pid 控制优化算法（史峰） pid 控制方法是工业领域中最常用的控制方法，然而在 pid 控制算法的使用中，p,i,d 参数即比例参数、积分参数、微分参数的确定是个难题，一般是凭经验获得。粒子群算法具有全局寻优功能，可以寻找使控制指标值最优的pid 参数。本案例研究了基于粒子群算法的pid 控制优化算法。
15 基于混合粒子群算法的tsp 寻优算法（史峰）粒子群算法虽然具有算法简单，寻优速度快等优点，但同时存在算法容易收敛，易陷入局部最优值等问题。采用遗传算法改进粒子群算法，通过选择、交叉和变异操作的引入，改进了算法性能，增强了算法的全局搜索能力。本案例研究了基于混合粒子群算法的 tsp 16基于动态粒子群算法的动态环境寻优算法（史峰）普通粒子群算法无法感知外界环境的变化，在外界环境发生改变时无法实时进行响应，因而缺乏动态环境寻优能力。在普通粒子群算法基本上通过增加敏感粒子得到一种动态粒子群算法，该算法通过实时计算敏感粒子的适应度值从而感知外界环境的变化，当外界环境的变化超过一定的阈值时算法以按一定比例更新速度和粒子的方式进行相应，从而具有动态环境寻优的功能。本案例研究了基于动态粒子群算法的动态环境寻优算法。
17 粒子群算法工具箱（史峰）粒子群算法工具箱包含了粒子群算法的基本操作和常用功能，实现步骤包括种群规模选择，粒子长度选取，适应度函数编写，粒子群参数确定等，可以方便实现函数极值寻找，系统参数寻优等功能。本案例以函数极值寻优为例，详细讲解了粒子群算法工具箱的使用。
18 基于鱼群算法的函数寻优算法（王辉）人工鱼群算法是李晓磊等
人于2002 年提出的一类基于动物行为的群体智能优化算法．该算
法是通过模拟鱼类的觅食、聚群、追尾等行为在搜索域中进行寻优，是集群体智能思想的一个具体应用．人工鱼群算法具有以下特点：
具有克服局部极值、取得全局极值的较优秀的能力；算法中仅使用
目标问题的函数值，对搜索空间有一定自适应能力；具有对初值与
参数选择不敏感、鲁棒性强、简单易实现、收敛速度快和使用灵活
等特点．可以解决经典方法不能求解的带有绝对值且不可导二元函
数等的极值问题。本案例研究了基于鱼群算法的函数寻优算法。
19 基于模拟退火算法的tsp 算法（王辉）模拟退火算法(simulated annealing 简称sa)为求解传统方法难处理的tsp问题提供了一个有效的途径和通用框架，并逐渐发展成一种迭代自适应启发式概率性
搜索算法。用以求解不同的非线性问题；对不可微甚至不连续的函
数优化， sa 能以较大概率求得全局优化具有较强的鲁棒性、全局收敛性、隐含并行性及广泛的适应性；并且能处理不同类型的优化设
计变量( 离散的、连续的和混合型的) 不需要任何的辅助信息，对目
标函数和约束函数没有任何要求。利用metropolis 算法并适当地控制温度下降过程，在优化问题中具有很强的竞争力，本案例研究了基于模拟退火算法的tsp 算法。
20 基于遗传模拟退火算法的聚类算法（王辉）遗传算法在运行早期
个体差异较大，当采用经典的轮盘赌方式选择时，后代产生的个数
与父个体适应度大小成正比，因此在早期容易使个别好的个体的后
代充斥整个种群，造成早熟。
在遗传算法后期，适应度趋向一致，优秀的个体在产生后代时，优
势不明显，从而使整个种群进化停滞不前。因此对适应度适当地进
行拉伸是必要的，这样在温度高时(遗传算法的前期)，适应度相近的个体产生的后代概率相近；而当温度不断下降后，拉伸作用加强，
使适应度相近的个体适应度差异放大，从而使得优秀的个体优势更
明显。由于模拟退火算法和遗传算法可以互相取长补短，因此有效
地克服了传统遗传算法的早熟现象，同时根据聚类问题的具体情况
设计遗传编码方式、适应度函数，使该算法更有效、更快速地收敛
到全局最优解。
本案例研究了基于遗传模拟退火算法的聚类算法。
21 基于模拟退火算法的hev 能量管理策略参数优化（胡斐）模拟退火算法(simulated annealing, sa)作为局部搜索算法的扩展，在每一
次修改模型的过程中，随机产生一个新的状态模型，然后以一定的
概率选择邻域中能量值大的状态。这种接受新模型的方式使其成为
一种全局最优算法，并得到理论证明和实际应用的验证。能量管理
策略是混合动力汽车(hybrid electric vehicle, hev)的核心技术之一。本案例将对sa 进行讲解并将其应用于hev 能量管理策略的参数优化。
22 蚁群算法的优化计算——旅行商问题（tsp）优化（郁磊）蚁群
算法（ant colony algorithm，aca）是由意大利学者m.dorigo 等
人于20 世纪90 年代初提出的一种新的模拟进化算法，其真实地模
拟了自然界蚂蚁群体的觅食行为。m.dorigo 等人将其应用于解决旅
行商问题（traveling salesman problem，tsp），取得了较好的实
验结近年来，许多专家与学者致力于蚁群算法的研究，并将其应用
于交通、通信、化工、电力等领域，成功解决了许多组合优化问题，如调度问题（job-shop scheduling problem）、指派问题（quadratic assignment problem）、旅行商问题（traveling salesman problem）等。
本章将详细阐述蚁群算法的基本思想及原理，并以实例的形式介绍
其应用于解决中国旅行商问题（chinese tsp，ctsp）的情况。
23 基于蚁群算法的二维路径规划算法（史峰）二维路径规划算法是
机器人智能控制领域研究中的热点，算法目的是使机器人能够在有
障碍物的工作环境中寻找一条恰当的从给定起点到终点的运动路径。蚁群算法具有分布计算，群体智能等优势，在路径规划算法上具有
很大潜力，本案例研究了基于蚁群算法的二维路径规划算法。
24 基于蚁群算法的三维路径规划算法（史峰）三维路径规划算法是
机器人智能控制领域中的热点问题，是指机器人在三维地图中自动
规划一条从出发点到目标点满足指标最优的路径。相对于二维路径
规划算法来说，三维路径规划问题更加复杂，需要考虑的因素和约
束条件更多，一般方法难以取得好的规划效果。蚁群算法具有分布
计算，群体智能等优势，在路径规划算法上具有很大潜力，本案例
研究了基于蚁群算法的三维路径规划算法。
25 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷
值预测（郁磊）神经网络的学习规则又称神经网络的训练算法，用
来计算更新神经网络的权值和阈值。学习规则有两大类别：有导师
学习和无导师学习。在有导师学习中，需要为学习规则提供一系列
正确的网络输入/输出对（即训练样本），当网络输入时，将网络输
出与相对应的期望值进行比较，然后应用学习规则调整权值和阈值，使网络的输出接近于期望值。而在无导师学习中，权值和阈值的调
整只与网络输入有关系，没有期望值，这类算法大多用聚类法，将
输入模式归类于有限的类别。本章将详细分析两种应用最广的有导
师学习神经网络（bp 神经网络及 rbf 神经网络）的原理及其在回归
拟合中的应用。
26 有导师学习神经网络的分类——鸢尾花种类识别（郁磊）有导师
学习神经网络以其良好的学习能力广泛应用于各个领域中，其不仅
可以解决拟合回归问题，亦可以用于模式识别、分类识别。本章将
继续介绍两种典型的有导师学习神经网络（grnn 和pnn），并以实例说明其在分类识别中的应用。
27 无导师学习神经网络的分类——矿井突水水源判别（郁磊）如第25 章及第26 章所述，对于有导师学习神经网络，事先需要知道与
输入相对应的期望输出，根据期望输出与网络输出间的偏差来调整
网络的权值和阈值。然而，在大多数情况下，由于人们认知能力以
及环境的限制，往往无法或者很难获得期望的输出，在这种情况下，基于有导师学习的神经网络往往是无能为力的。
与有导师学习神经网络不同，无导师学习神经网络在学习过程中无
需知道期望的输出。其与真实人脑中的神经网络类似，可以通过不
断地观察、分析与比较，自动揭示样本中的内在规律和本质，从而
可以对具有近似特征（属性）的样本进行准确地分类和识别。本章
将详细介绍竞争神经网络与自组织特征映射（sofm）神经网络的结
构及原理，并以实例说明其具体的应用范围及效果。
28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断
（郁磊）支持向量机（support vector machine，svm）是一种新
的机器学习方法，其基础是vapnik 创建的统计学习理论（statiscal learning theory，stl）。统计学习理论采用结构风险最小化（structural risk minimization，srm）准则，在最小化样本点误差的同时，最小化结构风险，提高了模型的泛化能力，且没有数据维
数的限制。在进行线性分类时，将分类面取在离两类样本距离较大
的地方；进行非线性分类时通过高维空间变换，将非线性分类变成
高维空间的线性分类问题。
本章将详细介绍支持向量机的分类原理，并将其应用于基于乳腺组
织电阻抗频谱特性的乳腺癌诊断。
29 支持向量机的回归拟合——混凝土抗压强度预测（郁磊）与传统
的神经网络相比，svm具有以下几个优点：（1）svm是专门针对
小样本问题而提出的，其可以在有限样本的情况下获得最优解；（2）svm算法最终将转化为一个二次规划问题，从理论上讲可以得到全
局最优解，从而解决了传统神经网无法避免局部最优的问题；（3）svm的拓扑结构由支持向量决定，避免了传统神经网络需要反复试
凑确定网络结构的问题；（4）svm利用非线性变换将原始变量映
射到高维特征空间，在高维特征空间中构造线性分类函数，这既保
证了模型具有良好的泛化能力，又解决了“维数灾难”问题。
同时，svm 不仅可以解决分类、模式识别等问题，还可以解决回归、拟合等问题。因此，其在各个领域中都得到了非常广泛的利用。
本章将详细介绍svm回归拟合的基本思想和原理，并以实例的形式
阐述其在混凝土抗压强度预测中的应用。
30 极限学习机的回归拟合及分类——对比实验研究（郁磊）单隐含
层前馈神经网络（single-hidden layer feedforward neural network，slfn）以其良好的学习能力在许多领域中得到了广泛的应用。然而，传统的学习算法（如bp 算法等）固有的一些缺点，成
为制约其发展的主要瓶颈。
因此，探索一种训练速度快、获得全局最优解，且具有良好的泛化
性能的训练算法是提升前馈神经网络性能的主要目标，也是近年来
的研究热点和难点。
本章将介绍一个针对slfn 的新算法——极限学习机（extreme learning machine，elm），该算法随机产生输入层与隐含层间的
连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需
要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的
训练方法相比，该方法具有学习速度快、泛化性能好等优点。
同时，在介绍elm算法的基础上，本章以实例的形式将该算法分别应用于回归拟合（第25 章——基于
近红外光谱的汽油辛烷值预测）和分类（第26 章——鸢尾花种类识别）中。
【篇二：智能算法30个案例分析】
MATLAB 智能算法30个案例分析（终极版） 1 基于遗传算法的TSP算法（王辉） 2 基于遗传算法和非线性规划的函数寻优算法（史峰） 3 基于遗传算法的BP神经网络优化算法（王辉） 4 设菲尔德大学的MATLAB遗传算法工具箱（王辉） 5 基于遗传算法的LQR控制优化算法（胡斐） 6 遗传算法工具箱详解及应用（胡斐） 7 多种群遗传算法的函数优化算法（王辉） 8 基于量子遗传算法的函数寻优算法（王辉） 9 多目标Pareto最优解搜索算法（胡斐） 10 基于多目标Pareto的二维背包搜索算法（史峰） 11 基于免疫算法的柔性车间调度算法（史峰） 12 基于免疫算法的运输中心规划算法（史峰） 13 基于粒子群算法的函数寻优算法（史峰） 14 基于粒子群算法的PID控制优化算法（史峰） 15 基于混合粒子群算法的TSP寻优算法（史峰） 16 基于动态粒子群算法的动态环境寻优算法（史峰） 17 粒子群算法工具箱（史峰） 18 基于鱼群算法的函数寻优算法（王辉） 19 基于模拟退火算法的TSP算法（王辉） 20 基于遗传模拟退火算法的聚类算法（王辉） 21 基于模拟退火算法的HEV能量管理策略参数优化（胡斐）
22 蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊） 23 基于蚁群算法的二维路径规划算法（史峰） 24 基于蚁群算法的三维路径规划算法（史峰） 25 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊） 26 有导师学习神经网络的分类——鸢尾花种类识别（郁磊） 27 无导师学习神经网络的分类——矿井突水水源判别（郁磊） 28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊） 29 支持向量机的回归拟合——混凝土抗压强度预测（郁磊） 30 极限学习机的回归拟合及分类——对比实验研究（郁磊） 智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更难用它来解决问题。 因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作MATLAB智能算法，该书包含了遗传算法，免疫算法，粒子群算法，鱼群算法，多目标pareto算法，模拟退火算法，蚁群算法，神经网络，SVM等，本书最大的特点在于以案例为导向，每个案例针对一
// AO.cpp : 定义控制台应用程序的入口点。 #pragma once #include
62,42,16,8,7,27,30,43,58,58, 37,38,46,61,62,63,32,45,59,5, 10,21,5,30,39,32,25,25,48,56, 30 }; double y_Ary[N_CITY_COUNT]= { 52,49,64,26,30,47,63,62,33,21, 41,32,25,42,16,41,23,33,13,58, 42,57,57,52,38,68,48,67,48,27, 69,46,10,33,63,69,22,35,15,6, 17,10,64,15,10,39,32,55,28,37, 40 }; //返回指定范围内的随机整数 int rnd(int nLow,int nUpper) { return nLow+(nUpper-nLow)*rand()/(RAND_MAX+1); } //返回指定范围内的随机浮点数 double rnd(double dbLow,double dbUpper) { double dbTemp=rand()/((double)RAND_MAX+1.0); return dbLow+dbTemp*(dbUpper-dbLow); }
（计算智能大作业） 应用蚁群算法求解TSP问题
目录 蚁群算法求解TSP问题 (3) 摘要： (3) 关键词： (3) 一、引言 (3) 二、蚁群算法原理 (4) 三、蚁群算法解决ＴＳＰ问题 (7) 四、解决ｎ个城市的TSP问题的算法步骤 (9) 五、程序实现 (11) 六、蚁群算法优缺点分析及展望 (18) 七、总结 (18)
采用蚁群算法解决TSP问题 摘要：蚁群算法是通过蚂蚁觅食而发展出的一种新的启发算法，该算法已经成功的解决了诸如TSP问题。本文简要学习探讨了蚂蚁算法和TSP问题的基本内容，尝试通过matlab 仿真解决一个实例问题。 关键词：蚁群算法；TSP问题；matlab。 一、引言 TSP（Travelling Salesman Problem）又称货郎担或巡回售货员问题。TSP问题可以描述为：有N个城市，一售货员从起始城市出发，访问所有的城市一次，最后回到起始城市，求最短路径。TSP问题除了具有明显的实际意义外，有许多问题都可以归结为TSP问题。目前针对这一问题已有许多解法，如穷举搜索法（Exhaustive Search Method）, 贪心法（Greedy Method）, 动态规划法（Dynamic Programming Method）分支界定法（Branch-And-Bound），遗传算法（Genetic Agorithm）模拟退火法(simulated annealing),禁忌搜索。本文介绍了一种求解TSP问题的算法—蚁群算法，并通过matlab仿真求解50个城市之间的最短距离，经过仿真试验，证明是一种解决TSP问题有效的方法。
智能算法30个案例分析 【篇一：智能算法30个案例分析】 智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免 疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既 爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我 们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更 难用它来解决问题。 因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作 matlab 智能算法，该书包含了遗传算法，免疫算法，粒子群算法， 鱼群算法，多目标pareto 算法，模拟退火算法，蚁群算法，神经网络，svm 等，本书最大的特点在于以案例为导向，每个案例针对一 个实际问题，给出全部程序和求解思路，并配套相关讲解视频，使 读者在读过一个案例之后能够快速掌握这种方法，并且会套用案例 程序来编写自己的程序。本书作者在线，读者和会员可以向作者提问，作者做到有问必答。 本书和目录如下：基于遗传算法的tsp算法（王辉） tsp (旅行商问题—traveling salesman problem)，是典型的np 完全问题，即其 最坏情况下的时间复杂性随着问题规模的增大按指数方式增长，到 目前为止不能找到一个多项式时间的有效算法。遗传算法是一种进 化算法，其基本原理是仿效生物界中的“物竞天择、适者生存” 的演 化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代 的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。实践证明，遗传算法对于解决 tsp 问题等组合优化问题具有较好的寻优性能。 基于遗传算法和非线性规划的函数寻优算法（史峰）遗传算法提供 了求解非线性规划的通用框架，它不依赖于问题的具体领域。遗传 算法的优点是将问题参数编码成染色体后进行优化，而不针对参数 本身，从而不受函数约束条件的限搜索过程从问题解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，大大减少陷入局部 最小的可能性。而且优化计算时算法不依赖于梯度信息，且不要求 目标函数连续及可导，使其适于求解传统搜索方法难以解决的大规模、非线性组合优化问题。 用于模式分类、模式识别等方面．但 bp 算法收敛速度慢，且很容易 陷入局部极小点，而遗传算法具有并行搜索、效率高、不存在局部
蚁群算法报告及代码 一、狼群算法 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3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,提出一种新的群体智能算法。 算法采用基于人工狼主体的自下而上的设计方法和基 于职责分工的协作式搜索路径结构。如图1所示,通过狼群个体对猎物气味、环境信息的探知、人工狼相互间信息的共享和交互以及人工狼基于自身职责的个体行为决策最终实现了狼群捕猎的全过程。 二、布谷鸟算法 布谷鸟算法 布谷鸟搜索算法,也叫杜鹃搜索,是一种新兴启发算法CS 算法，通过模拟某些种属布谷鸟的寄生育雏来有效地求解最优化问题的算法.同时，CS 也采用相关的Levy 飞行搜索机制 蚁群算法介绍及其源代码。 具有的优点：全局搜索能力强、选用参数少、搜索路径优、多目标问题求解能力强，以及很好的通用性、鲁棒性。 应用领域：项目调度、工程优化问题、求解置换流水车间调度和计算智能 三、差分算法 差分算法主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异、交叉、选择三种操作。 算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体
的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为交叉。如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。 四、免疫算法 免疫算法是一种具有生成+检测的迭代过程的搜索算法。从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。 五、人工蜂群算法 人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，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现出来，有着较快的收敛速度。为了解决多变量函数优化问题，科学家提出了人工蜂群算法ABC模型。 六、万有引力算法 万有引力算法是一种基于万有引力定律和牛顿第二定律的种群优化算法。该算法通过种群的粒子位置移动来寻找最优解，即随着算法的循环，粒子靠它们之间的万有引力在搜索空间内不断运动，当粒子移动到最优位置时，最优解便找到了。 GSA即引力搜索算法，是一种优化算法的基础上的重力和质量相互作用的算法。GSA 的机制是基于宇宙万有引力定律中两个质量的相互作用。 七、萤火虫算法 萤火虫算法源于模拟自然界萤火虫在晚上的群聚活动的自然现象而提出的，在萤火虫的群聚活动中，每只萤火虫通过散发荧光素与同伴进行寻觅食物以及求偶等信息交流。一般来说，荧光素越亮的萤火虫其号召力也就越强，最终会出现很多萤火虫聚集在一些荧光素较亮的萤火虫周围。人工萤火虫算法就是根据这种现象而提出的一种新型的仿生群智能优化算法。在人工萤火虫群优化算法中，每只萤火虫被视为解空间的一个解，萤火虫种群作为初始解随机的分布在搜索空间中，然后根据自然界萤火虫的移动方式进行解空间中每只萤火虫的移动。通过每一代的移动，最终使的萤火虫聚集到较好的萤火虫周围，也即是找到多个极值
－３－ 研究与探索 ２００９１２ 计算智能主要算法研究 田晓艳 中国人民武装警察部队学院，河北廊坊，０６５０００ 【摘要】【关键词】本文介绍了计算智能及其四种主要算法：人工神经网络、模糊算法、进化算法、蚁群算法。详细描述了每个算法的生物学基础、计算原理及其特点，以及基于每个算法的优化设计，并对它们已有的成果及在工程应用中所存在问题作简要的讨论。最后总结了四种算法的优势并预测了计算智能的发展趋势。 计算智能 人工神经网络 模糊算法 进化算法 蚁群算法 一、概述 二、计算智能的主要算法 计算智能，广义的讲就是借鉴仿生学思想，基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制，用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能，是智能理论发展的高级阶段。计算智能有着传统的人工智能无法比拟的优越性，它的最大特点就是不需要建立问题本身的精确模型，非常适合于解决那些因为难以建立有效的形式化模型而用传统的人工智能技术难以有效解决、甚至无法解决的问题。从方法论的角度和现在的研究现状，计算智能的主要算法有：人工神经网络、模糊算法、进化算法、模拟退火、忌搜索算法、ＤＮＡ软计算、人工免疫系统、蚁群算法、粒子群算法、多代理（Ａｇｅｎｔ）系统等。 本文对计算智能的四种算法：人工神经网络、模糊计算、进化计算、蚁群算法的生物学基础、计算原理及其特点作一个简单的综述，并对它们已有的成果及工程应用与存在问题作简要的讨论。 计算智能是在神经网络、进化计算及模糊系统这 ［１］ 三个领域发展相对成熟的基础上形成的一个统一概念。其中，神经网络是一种对人类智能的结构模拟方法，它是用于人工神经网络系统去模拟生物神经系统的智能机理的；进化运算是一种对人类智能的演化模拟方法，它是用进化算法去模拟人类智能的进化规律的；模糊计算是一种对人类智能的逻辑模拟方法，它是用模糊逻辑去模拟人类的智能行为的。 （１）神经网络的生物学基础 神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号（兴奋）传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理（如加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同）后由轴突输出。 ［２］ １、人工神经网络
第1期2007年2月 中国电子科学研究院学报 Journal of C AE I T Vol .2No .1Feb .2007 收稿日期:2006211218 修订日期:2007201205 基础理论 计算智能主要算法的比较与融合 苏建元 (河海大学电气工程学院,南京 210024) 摘 要:计算智能算法的融合可以有效解决实际问题,但算法选择带有一定盲目性。文章对计算智能的主要算法———人工神经网络、人工免疫系统、模糊系统和遗传算法等的特性进行比较,提出了四种融合形态———串联型、并联型、部分融合型和完全融合型,以及融合步骤、融合的数学描述,讨论了六种融合算法的特点和方法。融合提高了算法性能、扩大了应用范围。通过比较明确了计算智能算法的选择方法和进一步研究的方向;通过仿真分析说明了算法融合思路的正确性。关键词:神经网络;模糊系统;遗传算法;免疫系统;计算智能中图分类号:TP301 文献标识码:A 文章编号:167325692(2007)012052205 Co mpar ison and Fusi on of Co m put a ti ona l I n telli gence ’s Ma i n Algor ith m s S U J ian 2yuan (College of Electrical Engineering,Hehai University,Nanjing 210024,China ) Abstract:The fusi on of computati onal intelligence ′s algorith m s may be able t o s olve actual p r oble m s,but the method of selecting the algorith m s may not be s o scientific .The characteristics of f our maj or algo 2rithm s 2artificial neural net w ork,artificial i m mune syste m ,fuzzy l ogic syste m ,and genetic algorithm 2are compared in this paper .Fusi on step s,fusi on algorith m definiti on,and f our kinds of fusi on shapes (se 2 ries,parallel,partial,and comp lete )are p r oposed .The characteristics and methods of six fusi on algo 2rithm s are als o discussed .The fusi on enhances alg orithm ′s perf or mance and expands app licati on ′s scope .Both the method of selecting algorithm s and the further research directi on in computati onal intelligence are given thr ough comparis on .The si m ulati on study indicates that this algorith m fusi on mentality is correct .Key words:neural net w ork;fuzzy syste m;genetic algorith m;i m mune syste m;computati onal intelli 2 gence 0 引 言 生物信息系统主要包括神经网络、遗传系统、免疫系统和内分泌系统。对免疫系统、神经网络、模糊和遗传进化等生物现象和信息处理体系的借鉴和利用已经形成一个新型的学科———生物计算智能系统,简称计算智能。计算智能是在1994年I EEE 举办的首届计算智能世界大会上提出的,它以连接主义和进化主义思想为基础,计算智能中的主要算法 具有自适应的结构、随机产生的或指定的初始状态、 适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条件、指示结果的方法、控制过程的参数等共同要素,具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、易并行处理等特点,这些特征已被应用于信息安全、模式识别、数据分类与挖掘、优化设计、故障诊断、机器学习、联想记忆和控制等领域。计算智能的各领域服从“开放式计算系 统”的统一模型[1] ,但它们也有一定的差别,国内外介绍有关计算智能算法融合的资料比较少,文献
《计算智能》授课大纲课程性质：必修课，3学分，共48~54课时（共16周)。 一、课程介绍 《计算智能》课程对计算智能领域的主要算法进行介绍，重点讨论各种算法的思想来源、流程结构、发展改进、参数设置和相关应用。内容包括绪论以及进化计算、群体智能、人工免疫算法、分布估计算法、神经网络、模糊逻辑和多目标进化算法等。并从工程应用及与其他人工智能研究方向相结合的角度讨论人工智能的实际问题及其解决方法。 二、教学内容 1.导论(1课时) （1）计算智能简介 （2）计算智能典型方法 2.优化理论(2课时) （1）优化问题 （2）优化方法分类 a)非约束优化 b)约束优化 c)多解问题 d)多目标优化 e)动态优化问题
3.进化计算(9课时) (1)进化计算导论 (2)遗传算法 a)经典遗传算法 b)交叉、变异 c)控制参数 d)模式定理与积木块假设 e)遗传算法的变体 f)前沿专题（小生境遗传算法、约束处理、多目标优化、动态环 境） g)应用 (3)遗传编程、进化规划、进化策略 (4)差分进化 (5)文化计算 (6)协同进化 4.人工免疫系统(6课时) （1）自然免疫系统 （2）人工免疫模型 a)克隆选择模型 b)网络理论模型 c)危险理论 （3）免疫优化计算
5.群体智能(3课时) （1）粒子群优化 （2）蚁群算法 6.多目标进化算法及应用（6课时） 5.1 绪论 5.2 主要的多目标进化算法 5.3 多目标进化算法性能评价和问题测试集 5.4 多目标优化的新进展 5.5 应用实例 7.神经网络(6课时) （1）人工神经元 （2）监督学习神经网络 （3）非监督学习神经网络 （4）径向基函数网络 （5）增强学习 （6）监督学习的性能问题 8.深度学习算法（Deep Learning）（3课时） 9.分布估计算法(3课时) 10.计算智能算法在各研究方向的应用(6~9课时) （讨论计算智能算法在每个研究生的研究方向中的结合应用） 三、教材与参考书 2、张军,詹志辉.计算智能[M].清华大学出版社[北京].2009.11.
“智能计算平台应用开发（中级）”课程大纲 一、课程概要 二、课程定位 本课程是人工智能技术服务等专业的专业核心课程，主要目标是培养人工智能技术服务等专业学生的智能计算开发软件系统的安装部署、系统管理、系统调测、数据处理和人工智能基础算法及中级应用开发测试等能力。通过本课程的学习能完成软件开发系统的软件安装部署、计算资源调测、人工智能基础算法产品的应用开发测试等工作任务。本课程以企业需求为导向，通过与华为等世界级主流企业建立密切合作关系，将企业的教育资源融入到教学
体系中，确保学生学习到最先进和实用的人工智能技术。学完本课程后，学生可以参加智能计算平台应用开发1+X认证考试，为将来走向工作岗位奠定坚实的基础。 三、教学目标 （一）知识目标 1.掌握人工智能软件库、IDE的安装配置的主要工作内容； 2.掌握智能计算平台的存储资源扩容和升级改造原理； 3.掌握人工智能专用型服务器系统管理的主要工作内容； 4.掌握智能计算平台系统调测的主要工作内容； 5.掌握大数据采集系统的基本组成和搭建知识； 6.掌握ETL的基本操作和流程； 7.掌握数据标注的方法； 8.掌握数据库管理相关的知识； 9.掌握数据备份与恢复的概念、工具和流程； 10.掌握机器学习基础算法； 11.掌握人工智能基础应用软件开发测试的流程和方法； （二）能力目标 1.具备人工智能软件库、IDE的安装配置能力； 2.具备智能计算平台的存储资源扩容和升级能力； 3.具备人工智能专用型服务器系统管理能力； 4.具备智能计算平台系统的调测能力； 5.能够搭建和使用大数据采集系统； 6.能够实现数据的ETL； 7.能够标注数据； 8.能够管理数据库； 9.能够执行日常数据的备份与恢复； 10.能够运用机器学习算法开发与测试人工智能应用软件。 （三）素质目标
智能控制之蚁群算法 1引言 进入21世纪以来，随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛。 智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。 蚁群算法是近些年来迅速发展起来的，并得到广泛应用的一种新型模拟进化优化算法。研究表明该算法具有并行性，鲁棒性等优良性质。它广泛应用于求解组合优化问题，所以本文着重介绍了这种智能计算方法，即蚁群算法，阐述了其工作原理和特点，同时对蚁群算法的前景进行了展望。 2 蚁群算法概述 1、起源 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 Deneubourg及其同事(Deneubourg et al.,1990; Goss et al.,1989)在可监控实验条件下研究了蚂蚁的觅食行为，实验结果显示这些蚂蚁可以通过使用一种称为信息素的化学物质来标记走过的路径，从而找出从蚁穴到食物源之间的最短路径。 在蚂蚁寻找食物的实验中发现，信息素的蒸发速度相对于蚁群收敛到最短路径所需的时间来说过于缓慢，因此在模型构建时，可以忽略信息素的蒸发。然而当考虑的对象是人工蚂蚁时，情况就不同了。实验结果显示，对于双桥模型和扩展双桥模型这些简单的连接图来说，同样不需要考虑信息素的蒸发。相反，在更复杂的连接图上，对于最小成本路径问题来说，信息素的蒸发可以提高算法找到好解的性能。 2、基于蚁群算法的机制原理 模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能模式引入的，该算法基于如下假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根据其周围的环境作出反应，也只对其周围的局部环境产生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基因生物，蚂蚁的行为实际上是其基因的自适应表现，即蚂蚁是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境作出独立选择；在群体水平上，单
智能算法—蚁群算法浅析 作者：赵磊 学校：西安建筑科技大学 院系：应用数学 年级：09级 学号：00000 摘要:智能算法在在现代生活、工程实践中应用比较广泛,主要是用来解决优化问题.本文主要研究智能算法在优化问题中的应用，智能算法包含种类较多，如遗传算法、蚁群算法、模拟退火法等,这些算法在解决优化问题时，都有其独特之处.本文主要对蚁群算法的起源、算法原理、特点和应用进行简单介绍。 关键词：智能算法、蚁群算法、算法概述、算法原理 随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛。以及常用智能算法有:遗传算法、蚁群算法、免疫算法等。蚁群算法是近些年来迅速发展起来的，并得到广泛应用的一种新型模拟进化优化算法。研究表明该算法具有并行性，鲁棒性等优良性质。它广泛应用于求解组合优化问题，所以本文着重介绍了这种智能计算方法，即蚁群算法，阐述了其工作原理和特点，同时对蚁群算法的前景进行了展望。 一、蚁群算法概述 1、起源 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 Deneubourg及其同事(Deneubourg et al.,1990; Goss et al.,1989)在可监控实验条件下研究了蚂蚁的觅食行为，实验结果显示这些蚂蚁可以通过使用一种称为信息素的化学物质来标记走过的路径，从而找出从蚁穴到食物源之间的最短路径。 在蚂蚁寻找食物的实验中发现，信息素的蒸发速度相对于蚁群收敛到最短路径所需的时间来说过于缓慢，因此在模型构建时，可以忽略信息素的蒸发。然而当考虑的对象是人工蚂蚁时，情况就不同了。实验结果显示，对于双桥模型和扩展双桥模型这些简单的连接图来说，同样不需要考虑信息素的蒸发。相反，在更复杂的连接图上，对于最小成本路径问题来说，信息素的蒸发可以提高算法找到好解的性能。 2、基于蚁群算法的机制原理 模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能模式引入的，该算法基于如下假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根据其周围的环境作出反应，也只对其周围的局部环境产生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基因生物，蚂蚁的行为实际上是其基因的自适应表现，即蚂蚁是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境作出独立选择；在群体水平上，单只蚂蚁的行为是随机的，但蚁群可通过自组织过程形成高度有序的群体行为。 由上述假设和分析可见，基本蚁群算法的寻优机制包括两个基本阶段：适应阶段和协作阶段。在适应阶段，各侯选解根据积累的信息不断调整自身结构，路径上经过的蚂蚁越多，信息量越大，则该路径越容易被选择；时间越长，信息量会越小，在协作阶段，侯选解之间通过信息交流，以期望产生性能更好的解，类似于学习自动机的学习机制。 蚁群算法实际上是一类智能多主体系统，其自组织机制使得蚁群算法需要对所求问题的每一个方面都有详尽的认识。自组织本质上是蚁群算法机制在没有外界作用下使系统熵增加的动态过程，体现了无序到有序的动态变化。先将具体的组合优化问题表述成规范的格式，然后利用蚁群算法在“探索（exploration）”和“利用(exploitation)”之间根据
MATLAB 智能算法30个案例分析 智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更难用它来解决问题。 因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作MATLAB智能算法，该书包含了遗传算法，免疫算法，粒子群算法，鱼群算法，多目标pareto算法，模拟退火算法，蚁群算法，神经网络，SVM等，本书最大的特点在于以案例为导向，每个案例针对一个实际问题，给出全部程序和求解思路，并配套相关讲解视频，使读者在读过一个案例之后能够快速掌握这种方法，并且会套用案例程序来编写自己的程序。本书作者在线，读者和会员可以向作者提问，作者做到有问必答。 本书和目录如下： 1 基于遗传算法的TSP算法（王辉） TSP (旅行商问题—Traveling Salesman Problem)，是典型的NP完全问题，即其最坏情况下的时间复杂性随着问题规模的增大按指数方式增长，到目前为止不能找到一个多项式时间的有效算法。遗传算法是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。实践证明，遗传算法对于解决TSP问题等组合优化问题具有较好的寻优性能。 2 基于遗传算法和非线性规划的函数寻优算法（史峰） 遗传算法提供了求解非线性规划的通用框架，它不依赖于问题的具体领域。遗传算法的优点是将问题参数编码成染色体后进行优化，而不针对参数本身，从而不受函数约束条件的限制；搜索过程从问题解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，可大大减少陷入局部最小的可能性。而且优化计算时算法不依赖于梯度信息，且不要求目标函数连续及可导，使其适于求解传统搜索方法难以解决的大规模、非线性组合优化问题。 3 基于遗传算法的BP神经网络优化算法（王辉） BP模型被广泛地应用于模式分类、模式识别等方面．但BP算法收敛速度慢，且很容易陷入局部极小点，而遗传算法具有并行搜索、效率高、不存在局部收敛问题等优点而被广泛应用．遗传算法的寻优过程带有一定程度的随机性和盲从性，多数情况下只能收敛到全局次优解，且有过早收敛的现象．为了克服遗传算法寻优过程的盲从性，将有监督学习的BP算法与之结合以达到优势互补、提高算法的稳定性和全局搜索能力的目的。 4 设菲尔德大学的MATLAB遗传算法工具箱（王辉） Matlab 遗传算法(Genetic Algorithm)优化工具箱是基于基本操作及终止条件、二进制和十进制相互转换等操作的综合函数库。其实现步骤包括：通过输入及输出函数求出遗传算法主函数、初始种群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。以函数仿真
四．蚁群算法基本原理 引言： 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。这就是要讲的蚁群算法。 一.蚁群算法 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。针对PID 控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。 二．蚁群算法原理 蚁群优化算法是模拟蚂蚁觅食的原理，设计出的一种群集智能算法。蚂蚁在觅食过程中能够在其经过的路径上留下一种称之为信息素的物质，并在觅食过程中能够感知这种物质的强度，并指导自己行动方向，它们总是朝着该物质强度高的方向移动，因此大量蚂蚁组成的集体觅食就表现为一种对信息素的正反馈现象。某一条路径越短，路径上经过的蚂蚁越多，其信息素遗留的也就越多，信息素的浓度也就越高，蚂蚁选择这条路径的几率也就越高，由此构成的正反馈过程，从而逐渐的逼近最优路径，找到最优路径。 蚂蚁在觅食过程时，是以信息素作为媒介而间接进行信息交流，当蚂蚁从食物源走到蚁穴，或者从蚁穴走到食物源时，都会在经过的路径上释放信息素，从而形成了一条含有信息素的路径，蚂蚁可以感觉出路径上信息素浓度的大小，
2012年第32 期 群智能算法是人们受自然界或生物界种群规律的启发，根据其原理，仿生模拟其规律而设计求解问题的算法。近几十年来，人们通过模拟自然生态系统机制以求解复杂优化问题的仿生智能算法相继被提出和研究。群智能算法有遗传算法、模拟退火算法、蚁群算法、粒子群算法等。 萤火虫算法是一种新颖的仿生群智能算法，是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来的。萤火虫算法目前有两种版本：a)由印度学者Krishnanand等人［1］提出，称为GSO(glowworm swarm optimization)；b)由剑桥学者Yang[2]提出，称为FA( firefly algorithm)。两种算法的仿生原理相同，但在具体实现方面有一定差异。 本文分析了萤火虫算法的仿生原理，并从数学角度对两种版本的算法实现优化过程进行定义。 1．GSO算法 1.1算法的数学描述与分析 在基本GSO中，把n个萤火虫个体随机分布在一个D维目标搜索空间中，每个萤火虫都携带了萤光素li。萤火虫个体都发出一定量的萤光相互影响周围的萤火虫个体，并且拥有各自的决策域r i d(0＜r i d ≤r s)。萤火虫个体的萤光素大小与自己所在位置的目标函数有关，荧光素越大，越亮的萤火虫表示它所在的位置越好，即有较好的目标值,反之则目标值较差。决策域半径的大小会受到邻域内个体的数量的影响，邻域内萤火虫密度越小，萤火虫的决策域半径会加大，以便找到更多的邻居；反之，则萤火虫的决策域半径会缩小。最后，大部分萤火虫会聚集在多个位置上。初始萤火虫时，每个萤火虫个体都携带了相同的萤光素浓度l0和感知半径r0。 定义1萤光素更新 l i(t)=(1-ρ)l i(t-1)+γJ(x i(t))（1） 其中，J(x i(t))为每只萤火虫i在t迭代的位置x i(t)对应的目标函数值；l i(t)为荧光素值转化为荧光素值；γ为荧光素更新率。 定义2概率选择选择移向邻域集N i(t)内个体j的概率p ij(t)： p ij(t)=l j(t)-l i(t) k∈N i (t) Σ(l k(t)-l i(t)) （2） 其中，邻域集N i（t）={j:d ij(t) 研 究 生 课 程 论 文 (2015-2016学年第二学期) 高级人工智能 研究生：王志强 说明 1、课程论文要有题目、作者姓名、摘要、关键词、正文及参考文献。论文题目由研究生结合课程所学内容选定；摘要500字以下，博士生课程论文要求有英文摘要；关键词3～5个；参考文献不少于10篇，并应有一定的外文文献。 2、论文要求自己动手撰写，如发现论文是从网上下载的，或者是抄袭剽窃别人文章的，按作弊处理，本门课程考核成绩计0分。 3、课程论文用A4纸双面打印。字体全部用宋体简体，题目要求用小二号字加粗，标题行要求用小四号字加粗，正文内容要求用小四号字；经学院同意，课程论文可以用英文撰写，字体全部用Times New Roman，题目要求用18号字加粗；标题行要求用14号字加粗，正文内容要求用12号字；行距为2倍行距（方便教师批注）；页边距左为3cm、右为2cm、上为2.5cm、下为2.5cm；其它格式请参照学位论文要求。 4、学位类别按博士、硕士、工程硕士、MBA、MPA等填写。 5、篇幅、内容等由任课教师提出具体要求。 计算智能及其前延进展综述 王志强 摘要：计算智能是受到大自然智慧和人类智慧启发而设计出的一类算法的总称，这些算法通常用于寻找优化问题的近似最优解。经典的计算智能算法以模拟退火算法、遗传算法、粒子群优化算法和蚁群算法为代表，该文前一部分以概述这些算法的基本思想方法为主。黑洞优化算法(2013)和化学反应优化算法(2015)是发表于Information Sciences上的近年来有代表性的研究成果，该文的后一部分主要介绍了这两个算法的主要思想方法，评述了算法的优越性和局限性。 关键词：计算智能；黑洞优化算法；化学反应优化算法 1.简介 本节简要介绍了计算智能的基本概念和应用领域，第一小节试图简明地回答“计算智能是什么?”，第二小节试图简明地回答“计算智能有什么用?”。 1.1 什么是计算智能 计算智能（Computation Intelligence）的相对正式的定义[1]最早在1992出版的《Approximate Reasoning》学报上由美国学者J.C.Bezdek提出：计算智能是一类依据研究者所能提供的数值化数据来进行分析计算的方法。IEEE神经网络委员会于1994年夏在Orlando召开了IEEE首届国际计算智能大会（World Conference on Computational Intelligence），期间首次在技术范畴上统一了“计算智能”，将进化计算、人工神经网络和模糊系统三个领域合并在一起。而与之相关的更为狭义的“智能计算”的概念[2]是人们受到自然规律的启迪，模仿其结构进行发明创造使之应用于问题的求解，其主要算法有：人工神经网络、模拟退火算法、遗传算法和群集智能技术等。限于计算智能泛畴宽广，本文以智能计算（演计算智能及其前延进展综述
相关主题
文本预览