进化算法发展及其应用

进化计算方法发展及其应用摘要：进化计算作为一种新的智能优化技术，已广泛用于工程科学中的各个领域，与传统优化方法相比，进化计算在全局优化、复杂性问题的求解及易用性方面都显示出其优越性。进化计算发展到今天，出现了许多方法，如遗传算法、进化规划、粒子群算法、蚁群算法等等。关键词：进化计算，优化算法，发展应用一、何谓进化计算进化计算作为一种新的智能优化技术，已广泛用于工程科学中的各个领域，与传统优化方法相比，进化计算在全局优化、复杂性问题的求解及易用性方面都显示出其优越性。进化计算发展到今天，出现了许多方法，如遗传算法、进化规划、粒子群算法、蚁群算法等等。在对进化计算的研究中，算法设计一直是研究工作的重点，这方面的研究，始终围绕两个主题，一是对进化计算应用领域的拓展，二是提高进化计算的工作效率。前者重点放在设计和发现进化计算的搜索策略上，使其能解决过去不能解决或不能有效解决的问题，后者则着重改进已有的算法，使其效率进一步提高。二、进化计算的典型算法几种典型的进化计算方法目前，进化计算的主要方法有遗传算法(Geneticalgorithms，简称GA)、遗传编程(Geneticprogramming，简称GP)、进化策略(Evolutionstrategies，简称ES)和进化编程(Evolutionaryprogramming,简称EP)，DNA计算，粒子群算法(Particleswarmsoptimization，简称PSO)，蚁群算法(Antcolonyoptimization，简称ACO)，膜计算(Membranecomputing)等，虽然上面有些方法与传统进化计算的定义不完全相同，但都是模拟生物的某项特征或某种行为而设计，都是建立在群体智能基础上的进化方法。下面对几种典型的进化方法进行简单介绍。1)遗传算法(GAS)该算法是由Michigan大学HollandJ．H．教授，借鉴达尔文的生物进化论和孟德尔的遗传定律的基本思想，并对其进行提取、简化与抽象，在1975提出了第一个进化计算算法—遗传算法。遗传算法通过选择、交叉和变异来实现个体的更新和重组，强调交叉操作对产生新型基因的作用胜过变异操作。2)进化策略(ES)进化策略是由德国Reehenberg和Schwefel于1965年提出，原始的进化策略不使用群体，也不进行编码，直接在解空间上进行操作，后来，随着进化计算研究的深入，才将群体和编码引入进化策略。进化策略强调，在新基因生成的过程中，变异操作比交叉操作更重要，而且其中独特的高斯变异算子，后来在遗传算法中也得到有效利用。随着各种编码方法的使用，遗传算法与进化策略逐渐融合。3)DNA计算DNA算法解决计算问题的基本思想是：利用DNA特殊的双螺旋结构和碱基互补配对原则对问题进行编码，把要运算的对象映射成DNA分子链，在DNA溶液的试管里，在生物酶的作用下，生成各种数据池，然后按照一定的规则将原始问题的数据运算高度并行地映射成DNA分子链的可控生化过程。最后，利用分子生物技术，破获运算结果。4)粒子群算法(PSO)粒子群算法模拟鸟群或鱼群的捕食特性，所有的粒子都跟踪当前出现的最好粒子的位置和自身到目前为止出现的最好位置，算法速度快，操作简单，鲁棒性强，在很多优化问题中发挥了重要的作用。5)蚁群算法(AC0)蚁群算法是由意大利Dorigo和Maniezzo等模仿蚂蚁觅食的原理，于20世纪90年代初提出的，基本原理是：蚂蚁在所经过的路径上留下一种挥发性分泌物(pheromone，通常称为信息素)，信息素随着时间的推移会逐渐挥发消失。蚂蚁在觅食过程中能够感知这种物质的存在及其强度，并以此来指导自己的运动方向，倾向于朝着这种物质强度高的方向移动，即选择该路径的概率与当时这条路径上该物质的强度成正比。信息素强度越高的路径，选择它的蚂蚁就越多，则在该路径上留下的信息素的强度就更大，而强度大的信息素又吸引更多的蚂蚁，从而形成一种正反馈。通过这种正反馈，蚂蚁最终可以发现最佳路径，导致大部分的蚂蚁都会走此路径。6)膜计算(MC)膜计算作为分子计算的一个分支，最早是由Gheorghe于1998年底，在其研究报告中提出，它模拟生物细胞膜的工作原理，通过规则操作、膜融合和隔离完成对任务的优化。三、进化计算的实际应用进化计算在智能控制中的应用进化计算在智能控制中的应用是显而易见的。它可以提供比传统数值优化方法更快更好的优点。同其他传统的系统设计方法相比，基于进化算法的智能控制系统设计直接法具有算法简便，灵活性大，能够得到低阶控制器，可以达到全局最优的特点。而间接法是对传统方法的发展，能够缩短设计时间，提高自动化程度。模糊进化神经网络融合模糊逻辑、进化计算和神经网络理论与技术，是符号智能和计算智能的有机融合，是一种综合智能理论技术，其基本思路是利用模糊逻辑解决进化计算中控制参数的初选、编码、调节和对优化结果的综合评价。利用模糊进化计算解决神经网络和模糊神经网络的全自动高效优化设计，以及模糊逻辑系统中控制参数的优化，它是在3种现有的智能理论技术基础上发展起来的，作为崭新的智能理论技术进行研究的，旨在分析进化算法中的模糊智能行为智能和属性、神经网络设计、模糊建模和控制中的进化智能行为和属性，解决进化计算、神经网络、模糊控制理论本身许多无法解决的难题，模糊进化神经网络主要是利用模糊进化算法来设计神经网络，包括训练神经网络权重，拓扑结构等所有参数，以提高神经网络学习效率，建立合理最优的网络模型，并对神经网络模型进行评价研究。进化算法的全局采样特性可以与传统的神经学习算法的局部搜索行为相结合，先用进化算法寻找ANN初始权空间，然后采用传统神经网络梯度下降学习法还可以用进化算法优化标准神经学习算法中关键参数的问题。遗传算法作为一种实质上的随机搜索技术，难免由于随机性太大而陷入盲目搜索，以至于以搜索失败而告终。若与专家系统结合，以有效的启发知识来引导种群规模的界并设定交配概率和突变概率以及这两项操作的基因串的位置，则可快速获得满意解。此外，遗传算法用于图像恢复、图像识别和作业调度都是当前实用的研究课题。四、参考文献[1]刘峡壁.人工智能导论-方法与系统.北京:国防工业出版社,2008[2]褚德欣.进化计算及其在智能控制中的应用[J].科技情报开发与经济,2004,14(12)[3]陈得宝.进化计算中的若干问题及应用研究[D].2007.