第7章 计算智能

退火过程与溶解过程刚好相反。随着温度的下降，粒子 的热运动逐渐减弱，粒子逐渐停留在不同的状态，其排 列也从无序向有序方向发展，直至温度很低时，粒子重 新以一定的结构排列。粒子不同的排列结构对应不同的 能量水平。

2015-4-15
23
7.4.2 模拟退火算法模型（1）

组合优化与模拟退火过程对比
2015-4-15 15
7.2.3蚁群算法的应用
（1）静态组合优化问题，如：经典旅行商问题 （TSP，0-1背包问题（O-1KP），二次分配问题 （QAP），车间任务调度问题（JSP），车辆路径 问题（VRP），图着色问题（GCP），有序排列问 题（SOP）等等。
（2）动态组合优化问题，动态问题被定义为一些 量的函数，这些量的值由隐含系统动态设置，因此， 问题在运行时间内是变化的，而优化算法需在线适 应不断变化的环境。如网络路由问题等。
2015-4-15
19
7.3.2 粒子群算法模型（2）
步5 调整当前微粒的速度：
步6 若达到最大迭代次数、或者满足足够好的适应值、 或者最优解停滞不再变化，则终止迭代；否则，返 回步2。
2015-4-15
20
7.3.3粒子群算法的应用
粒子群算法应用到非线性函数优化及神经网络的训练 粒子群算法与神经网络进行结合用于分析人的颤抖 粒子群算法的应用领域不断扩大
2015-4-15
8
7.1.2 人工免疫算法（4）

免疫算法中一个关键问题是对抗体的评 价，评价取决于四个因素

抗体与抗原的匹配度 抗体间的相互刺激作用 抑制作用 抗体的奖励
2015-4-15
9
7.1.3 人工免疫算法的应用
1.计算机安全：自然免疫系统本身就是一个分布的、具
有自适应性和自学习能力的生物入侵检测系统，它在抵 抗病毒和细菌等病原体的入侵方面担当着与计算机入侵 检测系统类似的任务。 2.故障诊断：将免疫机理设计用于软件或硬件系统的故障 诊断的算法或模型，并用现代计算机系统编程实现 3.智能优化：在函数优化、组合优化、调度问题等方面得 到应用并取得了很好的效果。 4.数据挖掘 ：采用人工免疫模型的数据挖掘任务目前主 要集中在数据聚类分析、数据浓缩、归类任务等方面。
蚁群算法的具体应用也可以分为路由、分配、调度、 子集、机器学习、网络路由等类型的问题
2015-4-15 16
7.3 粒子群算法
7.3.1 粒子群系统 7.3.2 粒子群算法模型 7.3.3 粒子群算法的应用
2015-4-15
17
7.3.1 粒子群系统

粒子群算法是对粒子群系统的模拟，主要是模拟鸟群 的捕食行为。 一群鸟在随机地搜索食物，它们通过与同伴间的相互 通信确定寻找食物的最短路径。这是一种基于邻域原 理的找到食物的最简单、有效的策略，即搜寻目前离 食物最近的鸟的邻域。依靠群体中个体之间的交互作 用，通过像近邻学习和历史学习，达到对解进行优化 的目的。
2015-4-15
6
7.1.2 人工免疫算法（2）
人工免疫算法的步骤：
步1 识别抗原。免疫系统确认抗原入侵；
步2 产生初始抗体群体。激活记忆细胞产生抗体，清除以 前出现过的抗原，从包含最优抗体（最优解）数据库 中选择出来一些抗体。初始抗体群体也可以随机产生 或依据先验知识产生； 步3 抗体评价。抗体与抗原接触，然后，计算抗原和抗体 之间的亲和力，对抗体进行评价； 步4 产生记忆。在记忆库规模范围内，将群体中优良抗体 存入记忆库。与抗原有最大亲和力的抗体加给记忆细 胞。由于记忆细胞数目有限，新产生的与抗原具有更 高亲和力的抗体替换较低亲和力的抗体；
7.4.1 固体退火过程 7.4.2 模拟退火算法模型 7.4.3 模拟退火算法的应用
2015-4-15
22
7.4.1 固体退火过程
固体退火过程是一种物理现象：
当对固体加热时，粒子的热运动不断增加，随着温度的 不断上升，粒子逐渐脱离其平衡位置，变得越来越自由， 直到达到固体的溶解温度，粒子排列从原来的有序状态 变为完全的无序状态；
2015-4-15
24
7.4.2 模拟退火算法模型（2）
模拟退火算法步骤：
步1 随机选择一个解i，k=0， t0 = Tmax （初始温度）， 计算指标函数f(i)； 步2 如果满足结束条件，则转步8； 步3 如果在当前温度内达到了平衡条件，则转步7； 步4 从i的邻域中随机选择一个解j，计算指标函数f(i) ；
第7章 计算智能
2015-4-15
1
内容
7.1 7.2 7.3 7.4 人工免疫算法 蚁群算法 粒子群算法 模拟退火算法
2015-4-15
2
7.1 人工免疫算法
7.1.1 自然免疫系统 7.1.2 人工免疫算法 7.1.3 人工免疫算法的应用
2015-4-15
3
7.1.1 自然免疫系统（1）
免疫是指肌体对感染具有抵抗能力而不患疫病 或传染病。 生物免疫系统是一个由众多组织、细胞与分子 等构成的复杂系统，它由免疫活性分子、免疫 细胞、免疫组织和器官组成。 具有识别机制，能够从人体自体细胞（被感染 的细胞）或自体分子和外因感染的微组织中检 测并消除病毒等病原体。
2015-4-15
18
7.3.2 粒子群算法模型（1）
基本的粒子群算法步骤： 步1 初始化： t=0 ，对每个微粒pi，在允许范围内随机 设置其初始位置xi(t)和速度vi(t)，每个微粒pi的pBesti 设为其初始位置适应值， pBesti中的最好值设为 gBest； 步2 评价每个微粒的适应值τ(xi(t))； 步3 对每个微粒pi ，如果τ(xi(t)) < pBesti ，则pBesti = τ(xi(t)) ， xpBesti =xi(t) ； 步4 对每个微粒pi ，如果τ(xi(t)) < gBesti ，则gBesti = τ(xi(t)) ， xgBesti =xi(t) ；
2015-4-15 7
7.1.2 人工免疫算法（3）
步5 结束判断。依据问题所确定的结束条件，判断记忆 库中的抗体是否满足要求，满足，则结束。 步6 抗体的亲和力成熟。对抗体群体进行克隆选择和超 变异操作，改变群体中的抗体，使群体在保持多样 性的情况下与抗原更好地匹配； 步7 群体控制及新抗体群体产生，即抗体的死亡和产生。 在群体规模的范围内，对抗体群体与记忆库中的抗 体进行评价，依据群体规模参数将刺激度最差的一 部分抗体删除，形成新一代抗体群体。高亲和力抗 体受到促进，高密度抗体受到抑制。转步3。
当前对模拟退火算法的研究分为两类：
（1）基于有限状态奇异马尔可夫链的有关理论，给出模 拟退火算法的某些关于理想收敛模型的充分条件或充 要条件，这些条件在理论上证明了当退火三原则（初 始温度足够高、降温速度足够慢、终止温度足够低） 满足时，模拟退火算法以概率1达到全局最优解。
（2）针对某些具体问题，出现了模拟退火算法的很多成 功应用。包括针对模拟退火算法中初始温度临界值难 以确定的问题给出其确定的方法；用模拟退火算法解 决结构优化问题，取得了较好的效果；还有结合模拟 退火算法和遗传算法，解决一些NP问题。
2015-4-15 27
The End!
2015-4-15
28
步5 如果f(i) ≤ f(j) ，则 i=j, f(i)= f(j)，转步3；
2015-4-15
25
7.4.2 模拟退火算法模型（3）
步6 计算接受解j的概率
步7 tk+1 =Drop(tk) ， k =k+1 ，转步2；
步8 输出结果，算法终止。
2015-4-15
26
7.4.3 模拟退火算法的应用
2015-4-15 5
7.1.2 人工免疫算法（1）

目前主要存在两种类型的免疫算法：

一种是基于免疫学原理的免疫算法； 一种是与遗传算法等其他计算智能融合的免疫遗传 和进化算个系统的构造

人工免疫算法模型主要考虑三个方面：

2015-4-15
10
7.2 蚁群算法
7.2.1 蚂蚁系统的原理 7.2.2 蚁群算法模型 7.2.3 蚁群算法的应用
2015-4-15
11
7.2.1 蚂蚁系统的原理
多里科用图形描述了蚂蚁系统的原理 ：
2015-4-15
12
7.2.2 蚁群算法模型（1）
人工蚂蚁与真实蚂蚁的相似之处： （1）人工蚂蚁也具有信息素释放和挥发机制，并且通过 信息素进行间接的通讯。 （2）人工蚂蚁也利用正反馈机制，以信息素作为反 （3）人工蚂蚁也是采用概率机制进行状态转移 （4）人工蚂蚁也是一个相互合作的个体。
2015-4-15
13
7.2.2 蚁群算法模型（2）
求解旅行商问题的蚁群算法步骤： 步1 初始化：设蚂蚁个数m，最大进化代数NCmax，当 前进化代数NC=0，时间t=0，每条边（两个城市间） 上的信息素浓度 将m个蚂蚁随机地置于n个城市上。 步2 禁忌表中的索引。将蚂蚁k的起点城市加入到禁忌表 中tabuk ； 步3 如果禁忌表不满，则：s=s+1； 对每只蚂蚁k，计算转移概率，使用轮盘赌方法选择 下一个要到的城市；蚂蚁k移到城市j，并将城市j加入 到tabuk中；

2015-4-15
4
7.1.1 自然免疫系统（2）
免疫系统的主要功能有以下三个方面：
1.免疫防御：指机体排斥外源性抗原异物的能力。这 是机体藉以自净、不受外来物质干扰和保持物种纯洁 的生理机制。 2.免疫自稳：指机体识别和清除自身衰老残损的组织、 细胞的能力，这是机体藉以维持正常内环境稳定的重 要机制。 3.免疫监视：指机体杀伤和清除异常突变细胞的能力， 机体藉以监视和抑制恶性肿瘤在体内生长。免疫监视 功能低下，则机体易患恶性肿瘤。