文献综述
本课题研究的意义和价值：
基于“从大自然中获取智慧”的理念,通过对自然界独特规律的认知,人们发现、发展了一系列仿生算法。这些算法具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强,适于并行处理的优点,它们属于计算智能的范畴。计算智能是以生物进化的观点认识和模拟智能。我们知道:在生物优胜劣汰的过程中,适应能力强的头脑结构被保存下来,并进行遗传,而随之智能水平也逐渐得到提高。简而言之,计算智能就是计算具有智能性。它可以根据计算的过程和结果,自发调节算法参数,以达到求解问题的最优结果。在现实生活中的很多领域,存在许多复杂问题,它们是用传统人工智能技术难以有效解决、甚至无法解决的问题。计算智能的诞生和发展,为摆脱传统人工智能所面临的困境提供了一种新的科学的方法。演化计算是计算智能大家族中的一员,它是一种通过模拟自然界的生物演化过程搜索最优解的方法,非常适合于解决那些用传统方法难以解决的复杂问题。而群智能作为一种新兴的演化计算技术,在很多方面呈现出诱人的发展前景,已经引起越来越多研究者的关注。
群智能是群体所表现出来的智能。在飞鸟觅食、蚂蚁筑巢中,昆虫表现出一种集体智慧,它们相互协作,完成了许多单个昆虫难以独立完成的任务。受群居昆虫协作与竞争行为的启示,人们摸索出了一种新的演化计算技术!!!群智能优化算法。群智能算法中的群体是一组相互之间可以进行通信的主体(如粒子或蚂蚁),这组主体能够进行分布式的问题求解,这些无智能的主体通过合作表现出智能。群智能在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题的求解方案提供了基础。群智能方法目前被用于解决大多数优化问题或者能够转化为优化求解的问题。其应用领域包括:多目标优化、数据分类、数据聚类、模式识别、电信QOS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辨识等方面。
群智能优化算法的理论研究主要是研究算法特性,以改进其不足,提高算法性能。群智能算法的主要特点是:
(1)鲁棒性强。因为群体中的个体是分布式的,无集中控制,即使个别个体出现故障,也不会影响群体对问题的求解,即无碍大局;
(2)简单易行。每个个体能执行的动作简单;
(3)扩展性好。每个个体能感知的信息量有限;
(4)自组织性强。群体所表现出来的复杂行为是个体相互作用的结果;
(5)具有潜在的并行性和分布式特点。
