遗传算法（GA）、蚁群优化算法（ACO）、粒子群优化算法（PSO）概述（持续更新）
目录
概括
该博客用于记录学习智能计算时某些经典算法的原理，特征和实际应用。每个优化算法都有一个简单的概述。内容将根据学习进度（例如其他算法和Python代码示例）添加。学习书是“计算智能” -Zhang Jun的书。下载链接：计算智能/计算智能Zhang JUN（第1部分）.pdf在Main·Czmgzsy/Computational-Intelligence·Github
1。遗传算法（GA）1.1算法原理
达尔文的进化论提出了自然界“自然选择”和“获胜胜利”的进化定律。遗传算法搜索优化问题的最佳解决方案（更经典的是路径优化问题）。该算法引入了操作员，例如自然进化中的选择，交配和突变。寻找全局最优性的过程是一个连续迭代的过程（每次迭代等效于生物进化中的循环），直到满足算法的末端条件为止。
比较关系如表1.1所示。
表1.1生物遗传进化的基本生物学元素的比较表和遗传算法定义的基本元素
1.2算法过程
遗传算法的实施主要包括以下七个重要问题：染色体编码 - >种群初始化 - >适应价值评估 - >种群选择 - >人口交配 - >种群突变 - >算法过程。
其中，选择操作员，交配操作员和突变操作员的特定实现与算法搜索全局最佳解决方案的效果密切相关。为了提高遗传算法的性能，必须将这些点的数据处理到位。
有关特定流程图，请参阅下面的图1.2。
图1.2遗传算法流程图
1.3优点和缺点
优势：
可以获得优化问题的全局最佳解决方案优化结果，并且独立的初始条件独立于解决方案域（系统在异常和危险情况下的生存能力，这是指强稳定性）。它适用于解决复杂的优化问题，并广泛使用。
缺点：
缓慢收敛速度和本地搜索能力控制变量的终止标准没有缺陷
正是由于这一点，已经提出了许多混合的遗传算法，每种算法都具有自己的优势，并且有一些成功的例子，并且文献本身就可以自己检索。
如表1.3所示。
表1.3混合遗传算法的成功示例
1.4实际应用
大量实用的工程系统设计和优化问题可以转变为解决方案的功能优化问题。现实生活中有许多调度和计划问题，例如操作调度问题，旅行经销商问题，布局问题等。一些示例如下。
表1.4成功应用遗传算法在工程系统设计优化和调度计划中
当然，遗传算法的应用范围不仅限于功能优化和组合优化问题，而且还可以在重要领域中广泛使用，例如图像处理和模式识别，机器学习，智能控制，人工生活和自动编程，如下表1.5所示。
表1.5在其他方面应用遗传算法
2。蚂蚁菌落优化算法（ACO）2.1算法原理
在觅食过程中开元ky888棋牌官网版，蚂蚁可以在其经过的道路上留下一个称为信息素的物质，并可以在觅食过程中感觉到这些物质的强度。作为指导其行为的方向，他们必须朝着高强度的方向移动。因此，由大量蚂蚁组成的集体觅食表现为对信息素的积极反馈现象。
随着时间的流逝，信息素将继续削弱，因为较长的路径需要长时间的行驶时间，显然，短路上会有越来越多的信息素。这是一个积极的反馈过程。同时，较短的一定路径，通过路径的蚂蚁越多，剩下的信息素越多，信息素的浓度就越高，并且蚂蚁选择此路径的可能性越大。这也是一个积极的反馈过程，因此接近最佳路径并找到最佳路径。当蚂蚁从食物来源走到蚂蚁孔，或从蚂蚁孔到食物场所时，它将在途中释放信息素。蚂蚁可以感觉到路径上的信息素浓度，并以较高的信息素浓度概率选择路径。
如图2.1所示
图2.1根据信息素的蚂蚁菌落觅食的过程
比较表如下：
表2.2比较蚂蚁菌落觅食现象和蚂蚁菌落优化算法的基本定义的比较表
2.2算法过程
图2.3例如，（ANT系统）解决TSP（旅行业务问题）流程图
2.3优点和缺点
优势：
积极的反馈机制：蚂蚁菌落算法采用了积极的反馈机制，这会导致搜索过程连续收敛开yun体育app入口登录，并最终接近最佳解决方案。
分布式计算：算法搜索过程采用分布式计算方法开元ky888棋牌官方版，并且多个个人同时执行并行计算，从而极大地提高了算法的计算能力和操作效率。
全球搜索能力：启发式概率搜索方法不容易属于本地最优性，并且很容易找到全局最佳解决方案。
自组织和鲁棒性：蚂蚁菌落算法是一种自组织算法，具有很强的鲁棒性，对初始路线的需求低，简单参数设置以及易于应用于组合优化问题的解决方案。
缺点：
缓慢的收敛速度：信息素在蚂蚁集算法的早期阶段相等，导致算法早期阶段的收敛速度缓慢。
局部最佳问题：由于正面反馈特性，如果算法获得的更好的解决方案是次优的解决方案，那么正反馈将使次优溶液很快获得优势，从而导致算法落入局部最佳状态，并且很难跳出。
优化能力问题：蚂蚁菌落算法中有许多参数，并且具有一定的相关性。不适当的初始参数将削弱算法的优化能力。
2.4实际应用
下图
表2.4蚂蚁殖民优化算法在研讨会调度问题中的应用
表2.5蚂蚁菌落优化算法在车辆路径问题中的应用
表2.6在其他方面应用蚂蚁菌落优化算法
3。粒子群优化算法（PSO）3.1算法原理
PSO模拟鸟类的捕食行为。想象一个场景，其中一群鸟随机寻找食物。该地区只有一块食物。所有的鸟都不知道食物在哪里。但是他们知道他们离食物有多远。那么寻找食物的最佳策略是什么？最简单，最有效的事情是寻找目前最接近食物的鸟的周围区域。
在整个搜索过程中，鸟羊群传递了各自的信息，让其他鸟儿知道其位置。通过这种合作，他们可以确定是否找到了最佳解决方案，同时将最佳解决方案的信息传递给了整个鸟羊群。最后，整个鸟类羊群都可以在食物源周围聚集，也就是说，找到了最佳溶液。
在PSO中，每个优化问题的解决方案是搜索空间中的鸟。我们称其为“颗粒”。所有粒子都有由优化函数确定的适应性值，并且每个粒子都有决定其飞行方向和距离的速度。然后颗粒遵循当前的最佳颗粒并在溶液空间中进行搜索。
将PSO初始化为一组随机粒子（随机溶液）。然后通过迭代找到最佳解决方案。在每次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个是粒子本身找到的最佳解决方案，该解称为单个极端值pbest。另一个极端价值是整个人群发现的最佳解决方案，这是全球极端价值gbest。另外，也只能在不使用整个人群的情况下仅使用粒子的邻居的一部分。那么所有邻居的极端价值是当地的极端价值
表3.1比较鸟羊群的基本定义和粒子群优化算法的比较表
图3.2从鸟羊觅食到粒子群优化算法的关系图
3.2算法过程
图3.3 PSO流程图
3.3优点和缺点
优势：
易于实施和调试而不计算梯度信息，适用于解决非线性，非凸和高维函数优化问题。它具有良好的全球融合。
缺点：
关于PSO的研究内容和改进方向，如下图所示
图3.4研究内容和粒子群优化算法的改进方向
3.4实际应用
表3.5在工程和系统设计优化问题中应用粒子群优化算法
表3.6在调度和计划问题中应用粒子群优化算法
表3.7在其他方面应用粒子群优化算法
