1、遗传算法
遗传算法(Genetic Algorithms,GA)是受到进化理论启示所发展的可计算模型之一,是一种借鉴生物界的进化规律发展而来的“生存+检测”的迭代过程的全局搜索算法。其基本原理是把问题的解表示成染色体,通过选择、交叉、变异等操作产生下一代的染色体,并逐步淘汰适应度函数值低的染色体,增加适应度函数高的染色体,经过 n次迭代后,最终生成适应度函数值很高的染色体。遗传算法的三个基本操作如下:
1)选择算子。选择的目的是把适应度高的个体,直接遗传或配对交叉使之有机会成为父代种群,使用选择算子对群体中的个体进行优劣淘汰操作。
2)交叉算子。交叉算子是遗传算法的关键步骤,将种群中各个个体随机配对,每一个体以交叉概率(Crossover Rate)来交换它们之间部分染色体,体现了信息交换的思想。
3)变异算子。在群体中随机选择一个个体,以较小的概率对其基因座上的基因值进行改变,模拟生物进化的偶然事件。
2、蚁群优化算法
蚁群优化(Ant Colony Optimization,ACO)算法是通过模拟蚁群的协作觅食过程的计算算法,是一种基于种群寻优的启发式搜索算法。其基本原理为:用蚂蚁觅食路径表征待优化问题的可行解,所有蚂蚁行走的路径构成优化问题的解空间,较短路径上蚂蚁释放的信
息素量较多,蚂蚁优先选择信息素浓度大的路径作为最优路径,并释放信息素,最终选择这条路径的蚂蚁数量越来越多