課堂學術報告藍色扁平化論文答辯模板ppt模板.ppts演示課件

1、智能仿生算法研究綜述組員：宋心怡章修琳導師：姚敏Reviewofintelligentbionicalgithm目錄CONTENTSPARTONE引言概述4智能仿生算法是一種模擬生物進化和仿生自然界動物昆蟲覓食筑巢行為的新興智能化方法。在綜述中我們將對智能仿生算法研究現(xiàn)狀及進展稍作介紹，然后簡要綜述上述三種典型算法的基本原理，同時對近年來各種算法的典型應用作總結，最后對其應用前景進行展望。引言研究背景5“探索復雜性”成為當代科學最具革命

2、性的前沿，仿生學逐漸被用于研究系統(tǒng)復雜性，相比傳統(tǒng)優(yōu)化方法，仿生學算法能更快發(fā)現(xiàn)復雜優(yōu)化問題的最優(yōu)解。更具現(xiàn)實及應用意義。仿生類智能算法因其具有并行性、隨機性、自適應性、魯棒性的特點以及解決組合優(yōu)化問題等表現(xiàn)出的優(yōu)勢使得目前對這種算法的研究正引起極大的關注并得到高度重視。PARTONE典型算法蟻群算法7由意大利學者Digo等首先提出。該算法是對真實蟻群協(xié)作的模擬，每只螞蟻在候選解空間中搜索獨立解，并在搜索過程中留下一定的信息素。解的性能

3、越好，留下的信息素的量就越多，信息量越多的解被選擇的可能性就越大。蟻群算法在算法開始，所有的解的信息量是相同的，隨著算法推進，較優(yōu)解上的信息量不斷增加，算法最終收斂到最優(yōu)解或者近似最優(yōu)解。典型算法蟻群算法8算法優(yōu)點與其他算法相比（遺傳算法，神經網絡）比較，蟻群算法的主要優(yōu)點有：正反饋性。通過不斷強化最優(yōu)解的信息素，加快算法的收斂速度。較強的魯棒性。對基本蟻群算法模型稍加修改，便可以應用于其他問題。分布式計算。蟻群算法是一種基于種群的進化

4、算法，具有本質并行性，易于并行實現(xiàn)。易與其他方法結合，蟻群算法很容易與多種啟發(fā)式算法結合，以改善算法的性能。典型算法蟻群算法9算法不足很多方面需要進一步發(fā)展和完善：目前大部分改進的蟻群算法都是針對于特定問題，普適性不強，同時蟻群算法模型也不能直接應用于實際優(yōu)化問題?，F(xiàn)階段的蟻群算法還只是模擬了自然螞蟻很少一部分社會性，例如信息素機制等。仍然有很大的空間去提出更加智能化的蟻群行為。蟻群算法目前還帶有明顯的經驗性，很多結果只是建立在實驗基礎

5、之上，需要奠定其理論基礎。蟻群算法本身具有分布式計算的特性，但其并行化研究還是停留在初級階段。一旦并行化有了顯著的提高，算法效率將會有極大的提高。典型算法微粒群算法10由Kennedy等于1995年開發(fā)的一種演化計算技術。根據對環(huán)境的適應度將群體中的個體移動到好的區(qū)域，將每個個體看作D喂搜索空間中的一個沒有體積的微粒（點），在搜索空間中以一定的速度飛行，這個速度根據它本身的飛行經驗以及同伴的飛行經驗進行動態(tài)調整。微粒群算法典型算法微粒群

6、算法11保留了基于種群智能的進化算法，采用簡單的速遞位移模型，避免了復雜的遺傳操作。特有的記憶使其可以動態(tài)跟蹤當前的搜索情況以調整其搜索策略，具有較強的全局收斂能力和魯棒性。算法概念簡單，易于實現(xiàn)，只需很少的代碼和參數，因而在短期內得到很大發(fā)展，并在很多領域得到應用，如電力系統(tǒng)優(yōu)化、神經網絡訓練、交通事故探測等。算法優(yōu)點典型算法微粒群算法12相對于其他算法成果比較分散，缺乏系統(tǒng)性，有些問題有待于進一步探討和深入：算法的理論研究。數學基礎

7、薄弱，缺乏深刻且具有普遍意義的理論分析。算法的改進研究。如何將微粒群算法與其他演化技術的優(yōu)點相結合，構造出有特色又有實用價值的混合算法是改進的重要方向。算法應用。雖然微粒群算法已被成功地用于函數優(yōu)化及神經網絡的訓練等領域。但在更多領域的應用還處于研究階段。進一步開拓該算法新的應用領域也是一項重要研究內容算法不足典型算法人工魚群算法13由我國學者李曉磊提出?；舅枷胧牵涸谝黄蛑校~往往能自行或尾隨其他魚找到營養(yǎng)物質多的地方，因而魚生存

8、數目最多的地方一般就是本水域中營養(yǎng)物質最多的地方。人工魚群算法人工魚群算法根據這一特點，模擬魚群的各種行為動作，結合動物自制體模式，通過魚群中各個體的局部尋優(yōu)，達到全局最優(yōu)。PARTTWO蟻群算法的應用15Digo首先將蟻群算法應用在TSP問題上，結果表明，蟻群算法的求解效果明顯優(yōu)于現(xiàn)在流行的幾種進化算法。微粒群算法與遺傳算法結合用來設計遞歸模糊神經元網絡?；谖⒘Ｈ旱纳窠浘W絡預測TicTacToeGAme樹葉節(jié)點的狀態(tài)。使用微粒群算法

9、來估計在化工動態(tài)模型中產生不同動態(tài)現(xiàn)象的參數區(qū)域，結果顯示算法提高了傳統(tǒng)動態(tài)分叉分析的速度。人工魚群算法的應用16國內李曉磊等人用計算實例表明人工魚群算法具有良好的克服局部極值、取得全局極值的能力。馬建偉等將人工魚群算法用于三層前向神經網絡的訓練過程，并于加動量項的BP算法、演化算法以及模擬退火算法比較，表明人工魚群算法具有魯棒性，全局收斂性好等優(yōu)點。王飛等人以人工魚群算法為基礎，結合遺傳算法的選擇操作和模擬退火算法的依概率接受的思想，

10、形成混合人工魚群算法，對著陸飛機排序問題進行仿真計算。PARTTHREE總結18智能仿生算法作為一類新型進化算法，在求解復雜優(yōu)化問題中表現(xiàn)出良好的效果：其潛在的并行性和分布式特點為處理大量的以數據庫形式存在的數據提供了技術保證效率比其他算法高，魯棒性強算法簡單易于實現(xiàn)對硬件要求低，易于推廣一些展望19智能仿生起步較晚，多依賴實驗和經驗，還有很多問題有待深入研究：理論研究滯后于應用研究，數學基礎缺乏深刻且具有普遍意義的理論分析，具有完備的

11、數學理論基礎將會使智能仿生算法得到更廣泛的應用。向算法之間的結合及智能仿生算法與其他傳統(tǒng)優(yōu)化技術或者啟發(fā)式算法結合的方向研究發(fā)展，提高算法的計算性能，將大大促進傳統(tǒng)理論和計算方法在各個領域中的應用?？偨Y一些問題203.蟻群算法等求解連續(xù)優(yōu)化問題相對較弱，而實際工程應用中存在著許多此類問題如不能將算法應用于求解連續(xù)優(yōu)化問題，將會束縛蟻群算法在其他研究領域的應用。4.針對算法本身的改進與完善仍將是以后智能仿生算法在應用中的重要研究方向?；?/p>