初识群智能算法

初识群智能算法

1.群智能算法，2.遗传算法，3.粒子群算法，4.蚁群算法。

群智能算法

自然界有许多令人惊奇的现象，如蚂蚁搬家，鸟群觅食等。受自然界和生物界规律的启迪，人们根据其原理设计了许多求解问题的算法。如：遗传算法，粒子群算法，蚁群算法等。

遗传算法

遗传算法的概念是在 1975 年由密切根大学的 J.Holland 提出的，这是一种通过模拟自然进化过程寻找最优解的方法。它遵循达尔文的物竞天择，适者生存的进化准则。基本思想：

• 初始一个种群，选择种群中适应度高的个体进行交叉变异。然后再将适应度低的个体淘汰，留下适应度高的个体进行繁殖，这样不断的进化，最终留下的都是优秀的个体。

粒子群算法

粒子群算法 (particle swarm optimization，PSO) 由 Kennedy 和 Eberhart 在 1995 年提出，该算法模拟鸟群觅食的方法进行寻找最优解。基本思想：

• 人们发现，鸟群觅食的方向由两个因素决定。第一个是自己当初飞过离食物最近的位置，第二个因素是鸟群中离食物最近的鸟的位置。根据这个两个因素不断的改变自己的位置。最终，整个鸟群都能寻找到食物。

蚁群算法

蚁群算法是一种用来寻找优化路径的概率型算法。它由 Marco Dorigo 于 1992 年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。基本思想：

• 蚂蚁在行走过程中会释放一种称为信息素的物质，用来标识自己的行走路径。蚂蚁会根据信息素的浓度选择寻找食物的方向。信息素会随着时间的推移而逐渐挥发。刚开始，地面上没有信息素，蚂蚁的行走路径是随机的。蚂蚁在寻找食物的过程中会不断释放信息素，标识自己的行走路径。随着时间的推移，有若干只蚂蚁找到了食物，此时便存在若干条从洞穴到食物的路径。由于蚂蚁的行为轨迹是随机分布的，因此在单位时间内，短路径上的蚂蚁数量比长路径上的蚂蚁数量要多，从而蚂蚁留下的信息素浓度也就越高。这为后面的蚂蚁们提供了强有力的方向指引，越来越多的蚂蚁聚集到最短的路径上去。