基于社會力模型的智能優(yōu)化算法研究.pdf

1、群集是由大量自治個體組成的集合，通過個體的局部感知和反應(yīng)行為，使整體呈現(xiàn)出涌現(xiàn)行為（如自組織現(xiàn)象），通常個體的感知行為和反應(yīng)行為以及群體所表現(xiàn)出的自組織行為被認為是群集智能的體現(xiàn)。在無集中控制且缺少全局信息的條件下，群集智能為解決復(fù)雜的分布式問題提供了一種新的途徑。
　　 自然界以及人工系統(tǒng)中存在著大量的自組織現(xiàn)象，針對群體的自組織現(xiàn)象以及社會行為而提出的群集智能計算成為了一個新的研究領(lǐng)域。近年來，在群集智能計算領(lǐng)域，已經(jīng)提出了

2、多種社會性的仿真模型來解釋群體的自組織現(xiàn)象，受這些仿真模型的啟發(fā)而提出來的智能優(yōu)化算法有蟻群系統(tǒng)(Ant System，AS)、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）、人工魚群算法(Artificial Fish Swarm Search Algorithm，AFSA)等，目前這些智能算法已經(jīng)被用于解決各種優(yōu)化問題。
　　 雖然現(xiàn)有的很多智能優(yōu)化算法都得到了廣泛的應(yīng)用，但是這些算方法，如

3、PSO在求解各種不同的問題時，總會遇到全局或者局部搜索能力差、收斂速度慢以及易出現(xiàn)收斂早熟、搜索停滯等問題。事實上目前還沒有一個算法能夠滿足人們的需要?！皀o free lunch”理論也已證明不可能存在一個算法能夠解決所有的問題。因此改進已有的算法或提出基于不同機制的算法，用于解決不同的問題是非常有必要且很有意義的科研課題。
　　 Helbing等人提出的社會力模型(Social Force Model)用力的方法解釋了個體之

4、間以及個體與建筑結(jié)構(gòu)之間的非線性作用。在社會力模型中，個體的實際行為受個體的心理期望、個體間相互作用以及建筑結(jié)構(gòu)（如門、墻）三方面因素的影響。社會力模型用期望力來反映個體對目標（或者出口）的期望作用，用排斥力來解釋人群個體之間保持一定距離的原因，個體對墻的心理作用也用個體與墻之間的排斥力來反映。
　　 受社會力模型的啟發(fā)，本文提出了一種基于社會力模型的群體優(yōu)化算法(Swarm Optimization algorithm bas

5、ed on Social Force model, SFSO)，并在此算法基礎(chǔ)上形成了MO-SFSO(Multi-Objective SFSO)算法，用于求解多目標函數(shù)優(yōu)化問題。
　　 對SFSO算法的測試結(jié)果表明算法具有如下特點:1）在求解多模態(tài)函數(shù)時能夠并行對多個全局最優(yōu)解進行搜索并最終收斂到多個全局最優(yōu)解;2)算法的這種搜索機制能夠使種群的多樣性保持在一個較好的水平，防止算法過早陷入局部最優(yōu);3）SFSO算法的搜索機制使算

6、法在處理不同類型的優(yōu)化問題時，具有很強的魯棒性。
　　 PSO算法不能同時收斂于多個全局最優(yōu)解，而SFSO算法能夠克服此缺點主要在于SFSO能夠在全局開發(fā)和局部搜索之間能夠做到很好的平衡。SFSO的搜索機制包括以下幾方面內(nèi)容:1）在算法的開發(fā)階段，行人在運動過程中，被劃分為自由個體和非自由個體。自由個體的隨機搜索策略一定程度上能夠增強SFSO算法的全局搜索能力。受目標的吸引和周圍個體的排斥作用，非自由個體的搜索行為既具有確定性又

7、有隨機性的特點，而且在搜索的過程中由于排斥力的作用一定程度上避免了個體間的聚集，也增強了算法搜索能力。2）在算法的開采階段，個體間通過協(xié)作行為能夠加速對最優(yōu)解的收斂。
　　 跟SFSO算法一致，MO-SFSO算法的搜索機制也是通過社會力來驅(qū)動行人，從而在目標區(qū)域內(nèi)進行搜索來尋找Pareto最優(yōu)解集。典型多目標測試函數(shù)的測試結(jié)果表明，MO-SFSO算法跟NSGA-Ⅱ的算法性能相差不大，也具有收斂性高，魯棒性強的優(yōu)點，獲得的非支配解