三种智能优化算法的比较分析
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
局部搜索或者抑制早熟收敛 ，从而使算法快速收敛到全局
（） ３ 选择运算 ：将选择算子作用于群体 ； （） ４ 交叉运算 ：将交叉算子作用于群体 ；
最优解。例如人工鱼群算法 的公告板 、蚁群算法的信息素 和遗传算法的适应度值就是这个作用 ，所 以它们都具有避
免 陷入局部 最优 以收敛 于全局 最优 （ 或次优 ） 的能力 。
该算法的基本步骤如下【： ４ Ｊ （ ） １ 产生初始化鱼群 ：设置初始公告板最优人工鱼 状态记录为空，在搜索域 内随机产生Ｎ 个人工鱼个体 ，组 成初始群体； （） ２ 公告板赋初值 ：分别计算个人工鱼状态的食物 浓度 ，选择最大食物浓度的人 工鱼个体状态记 录到公告 板内；
提 出的一种新型仿生优化算法 ，根据在一片水域 中，鱼
三 、三种算法 的特点 与异 同
３１ 种 算法 的特 点 ． 三
蚂蚁之间通过信 息素 的释放来对迷失的轨迹进行 记忆 ，
一
旦某一条轨迹发现 了食物 ，那么其它蚂蚁就会 向这条
人 工鱼群 算法 主要 是利用 了鱼 的觅食 、聚群和追 尾行为 ，从构造单 条鱼 的底层行为做起通过鱼群中各个 个体 的局部寻优从 而使全局最优值在群体 中突现出来 为
蚁群算法中参加觅食 的每一个蚂蚁都是一个单独计
算 的单元 ，由于大量 的蚂蚁参与 了运算 ，算法具 有很强
的并行 性 。 ２３ 传算 法 ．遗
遗 传算法 模拟 生物进 化 的基 本过 程 ，用数 码 串来
遗传算法 的特点是并 不是对 问题 的待优化参数本 身 进行操作 ，而是将问题参 数编码成染色体后进行交叉 、
一
情况通过路径上信息素量的大小通知给其它蚂蚁。 该算法的基本步骤如下 ： （） １ 设置参数 ，初始化信息素轨迹 ；
（ ）生成ｍ个 可行解 （ ２ 蚂蚁 ）； （ ）对每 一个 蚂蚁 个体 ，计算 其适 应度 ； ３
能力 ，并且算法中只使用 目标 函数 的函数值 ，无需 目标 函数的梯度值等特殊信息 ，对搜索空间具有一定的 自适
（ 终 止条件判 断 ：如果ｔＴ，则ｔｔ １ ６） ＝＋ ，转 步骤 （ ２）。否则停止运算 ，以进化过程 中所得到 的最大适应
度 的个 体 作为 最优 解输 出。
信 息 系统 工程 ｌ２ １．． ０１ ２ ６０
８１
：
Ｔ ＣｆＮＯＬ Ｅ ｔ ＯＧＹ 技 术 应 用
（ 确定每一个蚂蚁的最优位置 （ ４） 最优解 ）；
（ ） ５ 确定 全局 的最 优位 置 （ 优解 ）； 最
（） ６ 更新信息素轨迹 ；
（ ） ７ 判断终止条件是否满足 ， 若满足则终止迭代 ， 输 出最优解 ；否则返 回 （ ）。 ３
于算法本身采用了正反馈并行 自催化的机制 ，具有分布
平衡 的能力较差 和算法运行后期搜索 的盲 目性较大等缺 点 ，从而影响了该算法搜索的质量和效率 。 蚁群 算法虽 然有 能发现较 好解 的能力 ，并 具有很
四、结束 语
法进行 了论述 ，这三种算法存在着共性和差异 ，但他们
以上就模拟 自然现象和生物进化 的三种智能优化算
都 能很好 的解决 以往传统的数学方法很难解决 的智能优 这三种算 法各有其优缺点 ，往往只用一种算法来解决 问 题有一定 的局限性 ，所 以现在又有很多算法是将智能优 际工作 中去 ，已经有一些 国内外学者做 了一些有益的尝 试， 并收到了很好的效果 。
式计算机制 、易于与其 它仿生优化算法相融合 的特点 ， 加快 了进程过程 ，而且不 易陷入局部最优解 。个体之 间 通过不断进行信息交流和传递 ，有利于发现较好解 。单
个个体容易收敛于局部最优 ，多个个体通过合作 ，可很 快收敛于解空间的某一子集 ，有利于对解空间进一步搜
索 ，从 而发 现较 好 解 。
变异和选择等优化操作 ，由于不针对参数本身 ，从 而不
类 比生物 中的染色个体 ，通过选择 、交叉 、变异等遗传
算子来仿真生物的基本进化过程 ，利用适应度函数来表 示染色体所蕴涵问题解 的质量 的优劣 ，通过种群的不断 “ 更新换代” ，从而提高每代种群 的平均适应度 ，通过 适应度 函数引导种群 的进化方 向，并在此基础上 ，是得
应能力 。算法对初值无要求 ，对各参数 的选择也不很敏 感 。但该算 法仅仅 获取 的是系统 的满意解域 ，对 于精确
解 的获 取 还 需要 进 行 适 当 的改 进 ，所 以又 有一 些 改 进 的 算 法被 研究 出来 。 蚁 群 算 法 的 主 要 特点 是 具 有 发 现 较 好 解 的 能力 。 由
（ ）变异运算 ：将变异算子作用于群体 。这样群体 ５
Ｐ （） ｔ 经过选择、交叉 、变异运算之后就得到下一代群体
Ｐ （ ）； 什１
（ 三种算法都是从 由多个个体所组成 的初始种群 ２） 起始 的种群空 间中的迭代过程 ，其搜索 过程 的每一步利 用了种群 中各个体所提供的信息 ，这些 信息可 以避免一 些不必要搜索 的点或 区域 ，从而提高了搜索效率 ，也更
受 函数约束条件的限制。搜索过程从 问题解 的一个种 群 开始 ，而不是单个个体 ，具有天生的并行搜索特 陛，这 种做法使得参与操作的信 息量大 ，速度快 ，效果好 ，使 得整个优化过程容易跳 出局部最优 。
３２三种算法的比较分析 ．
３２１ 同点 ．． 相
最优个体所代表的问题解逼近问题的全局最优解 。 该算法的基本步骤如下：
往往能 自行或尾随其他鱼找到营养物质多 的地方 ，因而 鱼生存数 目最多 的地方一般就是本水域 中营养物质最多 的地方这一特点 ，构造人工鱼来模仿鱼群 的觅食 、聚群 及追尾行为，从而实现寻优。 蚁群算法圄 是受到对蚁群行为 的启发而提出的。通过 观察发现蚂蚁在运动过程中 ，能够在它所 经过 的路途中 留下一种 叫信息素的物质 ，并且蚂蚁在行动过程 中能够
大程度上避免了陷入局部极值。 （ ） ３ 三种算法的鲁棒性都较强 ，由于仿生优化算法 不依赖于优化 问题本身的严格数学性质和所求解本身 的
结 构 特 征 ，所 以在 求解 不 同 问题 时 ，只需 对 基本 算 法 模
群算法能够在较大空间 内搜索理想解的能力 ，由于采用
正反馈机制 ，收敛速度加快。但 当搜索空间较小时 ，难
参 考 文献
Ⅲ李晓磊， 邵之江＇ 钱积新． 一种基 于动物 自 治体 的寻优模式： 鱼群算
结论是遗传算法在解决Ｔ Ｐ ｓ 问题上具有较强寻找最优解的 想 ，易于陷人局部最优解 的特点 ，需要进行算法改进 ， 有 目的地对个体进行变异 。
表１ 三种算 法 目前 的研究 状况
能力 ，但简单遗传算法具有收敛速度慢 ，局部路径不理
是内在并行 的，即仿生优化算 法本身非常适合大规模并 行 ；二是演化计算 的内含并行性 ，这使得仿生计算能以
由大量蚂蚁组成的蚁群 的集体行为表现为一种信息的正 反馈现象 ，当某一路径上走过的蚂蚁越多 ，则后来者选 择该路径的概率就越大。 遗传算法的概念是由Ｈ ｌｎ 于１７年受生物进化论的 ｏａｄ ９３ ｌ 启发而提出的嘲 ，它是一种通过模拟生物界 自然选择和遗
替换公告板记录；
（ ） ５ 条件判断 ：判断公告板最优人工鱼状态连续不
目的 。该 算 法 具 有 良好 的 克服 局 部 极 值 取 得 全 局极 值 的
道 路 进行 聚集 ，这 条 道 路 上 的 信 息 素 的量 就会 增 多 。如
果在觅食 过程 中 ，蚂蚁发现不 同的路径的距离有远 、近
的 区别 ，则 蚂蚁 就 会 选 择 最 近 的路 径 进 行 觅食 ，并把 这
较少的计算获得较大的收益。 （ ） ５ 三种算法都很容易与多种启发式算法结合 ，以 改善算法的性能。
３２ ．２不 同 点 ．
人工鱼 群优化 算法具有 良好 的克服局 部极值 ，取 得全局极值 的能力 ，而且使用灵活 ，收敛速度快 。但是 用其解决离散优化问题时 ，该算法具有保持探索与开发
以搜索到满意解 ，而若要增大搜索空间以提高搜索到最
优解的概率 ，机器运算次数将迅速增多。喻镝等【 《 ８ 】 用 在
型稍加修改 ，便可以应用于其它问题。 （ ）三种算法都具有并行性 ，易于并行实现。仿生 ４ 优化算法 的并行性主要表现在两个方面 ：一是仿生计算
遗传算法求解Ｃ Ｓ 》中对Ｔ Ｐ ＴＰ Ｓ 问题进行的求解 中得 出的
个状态 ，形成新的鱼群，然后执行第 （ 步； ４）
（ ） ７ 终止条件判断 ：判断是否满足终止条件 ，若不
行进化 ，以适应环境的变化 ，产生最合适的个体 。
二 、
能满足终止条件 ，则转 向第 （ ） ，进行下一步鱼群优 ３ 步
化过程 ；若满足终止条件继续 以下步骤 ；
（ ）算 法结 束 ：当前公 告 板 中的记 录 即 为问题 的最 ８
在一片水域 中，鱼往往 能 自行或尾随其他鱼找到营
养 物 质 多 的地 方 ， 因而 鱼 生存 数 目最 多 的地 方 一 般 就 是
佳解 ，输 出公告板记录，算法终止。
２２ ．蚁群 算 法
本水域 中营养物质最多的地方 。人工鱼群算法就是根据 这一特点 ，构造人工鱼来模仿鱼群的觅食 、聚群及追尾
（） Ｉ 初始 化 ：设 置进 化代 数 计数 器 ） ，设 置最 大 迭
代数Ｔ ，随机生成Ｍ个 个 体作为初始群体Ｐ（ ）； ０
（） ２ 个体 ｉ价： 平 计算群 Ｐ（） ｔ 中各个个 置 直度 ；
（ ） １ 三种算法都是一类不确定的算法 ，它们的搜索
过程都具有非确定性 ，都是利用仿生理论的记 ｝ 乙 机制加强
变化或变化极少 的迭代次数是否 已达到预设 的连续不 变
化的最大值 ，若是执行下一步 ；否则执行第 （ ） ； ７ 步
（ ）随机 行 为 ：随机 选 择 当前公 告 板状 态 以外 的另 ６
一
传机制的随机搜索算法。生物是通过 自然选择和有性繁殖
两个 基本 过程不 断进 化 的 ，通 过 自 淘 汰 、变异 、遗 传进 然
感 知 这种 物 质 以指 导 自己 的运 动 方 向 ，由此 得 出 结论 ，
（ ）行为选择 ：各人工鱼分别模拟执行聚群行为和 ３
追尾行为 ，缺省行为为觅食行为 ，然后选择最优 的行 为 作为实际执行行为 ； （） ４ 公告板 ：各人工鱼每行动一次 ，则与公告板记 录进行 比较 ，若优 于公告板记录 ，则 以当前最优 的记录
豫 Ｃ｝ Ｏ１ １ ＯＧｙ 技术 应 用
三 种 智 能优 化算 法 的 比较 分 析
◆王丽亚 李 雪梅
摘要 ：生物进化过程本 身是一个 自然的、并行发生的和稳健的优化
过 程 ，基 于这 一 过程 而 产 生 的仿 生优化 算 法 为解 决 非数 值 优 化 问题 提供 了新 的 思路 和 手 段 。 本 文 首先 简要 介 绍 了 目前 比较 流行 的三 种 新 型 智能
蚁 群 算 法 是 最 近 几 年 由意 大 利 学 者 Ｍ． ｏｉｏ 人 Ｄｒ 等 ｇ
提出 的一种新 型 的模拟进 化算法 ，称为 蚁群系统 （ ｎ ａｔ
８ ０
信 息 系统工 程 ｌ２ １．．０ ０ ６ １ ２
Ｉ Ｃ Ｏｉ ＧＹ 技术 应 用 ＇ Ｉ Ｅ Ｏ
ｃｌ ｙｓｓ ｍ ）。蚂蚁 是 一类 社 会 Ｉ很 强 的生 物 ，它 们群 ｏ ｎ ｔ ｏ ｙｅ 生 体 生 活 、共 同觅 食 ，在 觅 食 过 程 中每 个 蚂 蚁单 独 行 动 ，
优化算法 ：人工鱼群 算法、蚁群算法和遗传算法 ，就这 些算法的特点和
异 同进 行 了分析 ，并 对 它们 的发展 进 行 了进 一 步 的 阐述 。 关键词 ：人 工鱼群算法 ；蚁群算法；遗传算法
引言
人工鱼群算法 在对动物群体智能行为研究 的基础上
行 为 ， 而 实现 寻优 。 从
（） ３ 选择运算 ：将选择算子作用于群体 ； （） ４ 交叉运算 ：将交叉算子作用于群体 ；
最优解。例如人工鱼群算法 的公告板 、蚁群算法的信息素 和遗传算法的适应度值就是这个作用 ，所 以它们都具有避
免 陷入局部 最优 以收敛 于全局 最优 （ 或次优 ） 的能力 。
该算法的基本步骤如下【： ４ Ｊ （ ） １ 产生初始化鱼群 ：设置初始公告板最优人工鱼 状态记录为空，在搜索域 内随机产生Ｎ 个人工鱼个体 ，组 成初始群体； （） ２ 公告板赋初值 ：分别计算个人工鱼状态的食物 浓度 ，选择最大食物浓度的人 工鱼个体状态记 录到公告 板内；
提 出的一种新型仿生优化算法 ，根据在一片水域 中，鱼
三 、三种算法 的特点 与异 同
３１ 种 算法 的特 点 ． 三
蚂蚁之间通过信 息素 的释放来对迷失的轨迹进行 记忆 ，
一
旦某一条轨迹发现 了食物 ，那么其它蚂蚁就会 向这条
人 工鱼群 算法 主要 是利用 了鱼 的觅食 、聚群和追 尾行为 ，从构造单 条鱼 的底层行为做起通过鱼群中各个 个体 的局部寻优从 而使全局最优值在群体 中突现出来 为
蚁群算法中参加觅食 的每一个蚂蚁都是一个单独计
算 的单元 ，由于大量 的蚂蚁参与 了运算 ，算法具 有很强
的并行 性 。 ２３ 传算 法 ．遗
遗 传算法 模拟 生物进 化 的基 本过 程 ，用数 码 串来
遗传算法 的特点是并 不是对 问题 的待优化参数本 身 进行操作 ，而是将问题参 数编码成染色体后进行交叉 、
一
情况通过路径上信息素量的大小通知给其它蚂蚁。 该算法的基本步骤如下 ： （） １ 设置参数 ，初始化信息素轨迹 ；
（ ）生成ｍ个 可行解 （ ２ 蚂蚁 ）； （ ）对每 一个 蚂蚁 个体 ，计算 其适 应度 ； ３
能力 ，并且算法中只使用 目标 函数 的函数值 ，无需 目标 函数的梯度值等特殊信息 ，对搜索空间具有一定的 自适
（ 终 止条件判 断 ：如果ｔＴ，则ｔｔ １ ６） ＝＋ ，转 步骤 （ ２）。否则停止运算 ，以进化过程 中所得到 的最大适应
度 的个 体 作为 最优 解输 出。
信 息 系统 工程 ｌ２ １．． ０１ ２ ６０
８１
：
Ｔ ＣｆＮＯＬ Ｅ ｔ ＯＧＹ 技 术 应 用
（ 确定每一个蚂蚁的最优位置 （ ４） 最优解 ）；
（ ） ５ 确定 全局 的最 优位 置 （ 优解 ）； 最
（） ６ 更新信息素轨迹 ；
（ ） ７ 判断终止条件是否满足 ， 若满足则终止迭代 ， 输 出最优解 ；否则返 回 （ ）。 ３
于算法本身采用了正反馈并行 自催化的机制 ，具有分布
平衡 的能力较差 和算法运行后期搜索 的盲 目性较大等缺 点 ，从而影响了该算法搜索的质量和效率 。 蚁群 算法虽 然有 能发现较 好解 的能力 ，并 具有很
四、结束 语
法进行 了论述 ，这三种算法存在着共性和差异 ，但他们
以上就模拟 自然现象和生物进化 的三种智能优化算
都 能很好 的解决 以往传统的数学方法很难解决 的智能优 这三种算 法各有其优缺点 ，往往只用一种算法来解决 问 题有一定 的局限性 ，所 以现在又有很多算法是将智能优 际工作 中去 ，已经有一些 国内外学者做 了一些有益的尝 试， 并收到了很好的效果 。
式计算机制 、易于与其 它仿生优化算法相融合 的特点 ， 加快 了进程过程 ，而且不 易陷入局部最优解 。个体之 间 通过不断进行信息交流和传递 ，有利于发现较好解 。单
个个体容易收敛于局部最优 ，多个个体通过合作 ，可很 快收敛于解空间的某一子集 ，有利于对解空间进一步搜
索 ，从 而发 现较 好 解 。
变异和选择等优化操作 ，由于不针对参数本身 ，从 而不
类 比生物 中的染色个体 ，通过选择 、交叉 、变异等遗传
算子来仿真生物的基本进化过程 ，利用适应度函数来表 示染色体所蕴涵问题解 的质量 的优劣 ，通过种群的不断 “ 更新换代” ，从而提高每代种群 的平均适应度 ，通过 适应度 函数引导种群 的进化方 向，并在此基础上 ，是得
应能力 。算法对初值无要求 ，对各参数 的选择也不很敏 感 。但该算 法仅仅 获取 的是系统 的满意解域 ，对 于精确
解 的获 取 还 需要 进 行 适 当 的改 进 ，所 以又 有一 些 改 进 的 算 法被 研究 出来 。 蚁 群 算 法 的 主 要 特点 是 具 有 发 现 较 好 解 的 能力 。 由
（ ）变异运算 ：将变异算子作用于群体 。这样群体 ５
Ｐ （） ｔ 经过选择、交叉 、变异运算之后就得到下一代群体
Ｐ （ ）； 什１
（ 三种算法都是从 由多个个体所组成 的初始种群 ２） 起始 的种群空 间中的迭代过程 ，其搜索 过程 的每一步利 用了种群 中各个体所提供的信息 ，这些 信息可 以避免一 些不必要搜索 的点或 区域 ，从而提高了搜索效率 ，也更
受 函数约束条件的限制。搜索过程从 问题解 的一个种 群 开始 ，而不是单个个体 ，具有天生的并行搜索特 陛，这 种做法使得参与操作的信 息量大 ，速度快 ，效果好 ，使 得整个优化过程容易跳 出局部最优 。
３２三种算法的比较分析 ．
３２１ 同点 ．． 相
最优个体所代表的问题解逼近问题的全局最优解 。 该算法的基本步骤如下：
往往能 自行或尾随其他鱼找到营养物质多 的地方 ，因而 鱼生存数 目最多 的地方一般就是本水域 中营养物质最多 的地方这一特点 ，构造人工鱼来模仿鱼群 的觅食 、聚群 及追尾行为，从而实现寻优。 蚁群算法圄 是受到对蚁群行为 的启发而提出的。通过 观察发现蚂蚁在运动过程中 ，能够在它所 经过 的路途中 留下一种 叫信息素的物质 ，并且蚂蚁在行动过程 中能够
大程度上避免了陷入局部极值。 （ ） ３ 三种算法的鲁棒性都较强 ，由于仿生优化算法 不依赖于优化 问题本身的严格数学性质和所求解本身 的
结 构 特 征 ，所 以在 求解 不 同 问题 时 ，只需 对 基本 算 法 模
群算法能够在较大空间 内搜索理想解的能力 ，由于采用
正反馈机制 ，收敛速度加快。但 当搜索空间较小时 ，难
参 考 文献
Ⅲ李晓磊， 邵之江＇ 钱积新． 一种基 于动物 自 治体 的寻优模式： 鱼群算
结论是遗传算法在解决Ｔ Ｐ ｓ 问题上具有较强寻找最优解的 想 ，易于陷人局部最优解 的特点 ，需要进行算法改进 ， 有 目的地对个体进行变异 。
表１ 三种算 法 目前 的研究 状况
能力 ，但简单遗传算法具有收敛速度慢 ，局部路径不理
是内在并行 的，即仿生优化算 法本身非常适合大规模并 行 ；二是演化计算 的内含并行性 ，这使得仿生计算能以
由大量蚂蚁组成的蚁群 的集体行为表现为一种信息的正 反馈现象 ，当某一路径上走过的蚂蚁越多 ，则后来者选 择该路径的概率就越大。 遗传算法的概念是由Ｈ ｌｎ 于１７年受生物进化论的 ｏａｄ ９３ ｌ 启发而提出的嘲 ，它是一种通过模拟生物界 自然选择和遗
替换公告板记录；
（ ） ５ 条件判断 ：判断公告板最优人工鱼状态连续不
目的 。该 算 法 具 有 良好 的 克服 局 部 极 值 取 得 全 局极 值 的
道 路 进行 聚集 ，这 条 道 路 上 的 信 息 素 的量 就会 增 多 。如
果在觅食 过程 中 ，蚂蚁发现不 同的路径的距离有远 、近
的 区别 ，则 蚂蚁 就 会 选 择 最 近 的路 径 进 行 觅食 ，并把 这
较少的计算获得较大的收益。 （ ） ５ 三种算法都很容易与多种启发式算法结合 ，以 改善算法的性能。
３２ ．２不 同 点 ．
人工鱼 群优化 算法具有 良好 的克服局 部极值 ，取 得全局极值 的能力 ，而且使用灵活 ，收敛速度快 。但是 用其解决离散优化问题时 ，该算法具有保持探索与开发
以搜索到满意解 ，而若要增大搜索空间以提高搜索到最
优解的概率 ，机器运算次数将迅速增多。喻镝等【 《 ８ 】 用 在
型稍加修改 ，便可以应用于其它问题。 （ ）三种算法都具有并行性 ，易于并行实现。仿生 ４ 优化算法 的并行性主要表现在两个方面 ：一是仿生计算
遗传算法求解Ｃ Ｓ 》中对Ｔ Ｐ ＴＰ Ｓ 问题进行的求解 中得 出的
个状态 ，形成新的鱼群，然后执行第 （ 步； ４）
（ ） ７ 终止条件判断 ：判断是否满足终止条件 ，若不
行进化 ，以适应环境的变化 ，产生最合适的个体 。
二 、
能满足终止条件 ，则转 向第 （ ） ，进行下一步鱼群优 ３ 步
化过程 ；若满足终止条件继续 以下步骤 ；
（ ）算 法结 束 ：当前公 告 板 中的记 录 即 为问题 的最 ８
在一片水域 中，鱼往往 能 自行或尾随其他鱼找到营
养 物 质 多 的地 方 ， 因而 鱼 生存 数 目最 多 的地 方 一 般 就 是
佳解 ，输 出公告板记录，算法终止。
２２ ．蚁群 算 法
本水域 中营养物质最多的地方 。人工鱼群算法就是根据 这一特点 ，构造人工鱼来模仿鱼群的觅食 、聚群及追尾
（） Ｉ 初始 化 ：设 置进 化代 数 计数 器 ） ，设 置最 大 迭
代数Ｔ ，随机生成Ｍ个 个 体作为初始群体Ｐ（ ）； ０
（） ２ 个体 ｉ价： 平 计算群 Ｐ（） ｔ 中各个个 置 直度 ；
（ ） １ 三种算法都是一类不确定的算法 ，它们的搜索
过程都具有非确定性 ，都是利用仿生理论的记 ｝ 乙 机制加强
变化或变化极少 的迭代次数是否 已达到预设 的连续不 变
化的最大值 ，若是执行下一步 ；否则执行第 （ ） ； ７ 步
（ ）随机 行 为 ：随机 选 择 当前公 告 板状 态 以外 的另 ６
一
传机制的随机搜索算法。生物是通过 自然选择和有性繁殖
两个 基本 过程不 断进 化 的 ，通 过 自 淘 汰 、变异 、遗 传进 然
感 知 这种 物 质 以指 导 自己 的运 动 方 向 ，由此 得 出 结论 ，
（ ）行为选择 ：各人工鱼分别模拟执行聚群行为和 ３
追尾行为 ，缺省行为为觅食行为 ，然后选择最优 的行 为 作为实际执行行为 ； （） ４ 公告板 ：各人工鱼每行动一次 ，则与公告板记 录进行 比较 ，若优 于公告板记录 ，则 以当前最优 的记录
豫 Ｃ｝ Ｏ１ １ ＯＧｙ 技术 应 用
三 种 智 能优 化算 法 的 比较 分 析
◆王丽亚 李 雪梅
摘要 ：生物进化过程本 身是一个 自然的、并行发生的和稳健的优化
过 程 ，基 于这 一 过程 而 产 生 的仿 生优化 算 法 为解 决 非数 值 优 化 问题 提供 了新 的 思路 和 手 段 。 本 文 首先 简要 介 绍 了 目前 比较 流行 的三 种 新 型 智能
蚁 群 算 法 是 最 近 几 年 由意 大 利 学 者 Ｍ． ｏｉｏ 人 Ｄｒ 等 ｇ
提出 的一种新 型 的模拟进 化算法 ，称为 蚁群系统 （ ｎ ａｔ
８ ０
信 息 系统工 程 ｌ２ １．．０ ０ ６ １ ２
Ｉ Ｃ Ｏｉ ＧＹ 技术 应 用 ＇ Ｉ Ｅ Ｏ
ｃｌ ｙｓｓ ｍ ）。蚂蚁 是 一类 社 会 Ｉ很 强 的生 物 ，它 们群 ｏ ｎ ｔ ｏ ｙｅ 生 体 生 活 、共 同觅 食 ，在 觅 食 过 程 中每 个 蚂 蚁单 独 行 动 ，
优化算法 ：人工鱼群 算法、蚁群算法和遗传算法 ，就这 些算法的特点和
异 同进 行 了分析 ，并 对 它们 的发展 进 行 了进 一 步 的 阐述 。 关键词 ：人 工鱼群算法 ；蚁群算法；遗传算法
引言
人工鱼群算法 在对动物群体智能行为研究 的基础上
行 为 ， 而 实现 寻优 。 从