粒子群优化算法及其应用研究 引言

第1章 引言

1.1 研究背景和课题意义

   “人工生命”是来研究具有某些生命基本特征的人工系统。人工生命包括两方面的内容：

       1、研究如何利用计算技术研究生物现象。

      2、研究如何利用生物技术研究计算问题。

      现在已经有很多源于生物现象的计算技巧。 例如，人工神经网络是简化的大脑模型。遗传算法是模拟基因进化过程的。现在我们讨论另一种生物系统- 社会系统。也可称做“群智能”(swarm intelligence)。这些模拟系统利用局部信息从而可能产生不可预测的群体行为。

Swarm Intelligence (SI)的概念最早由Beni、Hackwood和在分子自动机系统中提出。分子自动机中的主体在一维或二维网格空间中与相邻个体相互作用，从而实现自组织。1999年，Bonabeau、Dorigo和Theraulaz 在他们的著作《Swarm Intelligence: From Natural to Artificial Systems中对群智能进行了详细的论述和分析，给出了群智能的一种不严格定义：任何一种由昆虫群体或其它动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群智能。

       Swarm可被描述为一些相互作用相邻个体的集合体，蜂群、蚁群、鸟群都是Swarm的典型例子。鱼聚集成群可以有效地逃避捕食者，因为任何一只鱼发现异常都可带动整个鱼群逃避。蚂蚁成群则有利于寻找食物，因为任一只蚂蚁发现食物都可带领蚁群来共同搬运和进食。一只蜜蜂或蚂蚁的行为能力非常有限，它几乎不可能独立存在于自然世界中，而多个蜜蜂或蚂蚁形成的Swarm则具有非常强的生存能力，且这种能力不是通过多个个体之间能力简单叠加所获得的。社会性动物群体所拥有的这种特性能帮助个体很好地适应环境，个体所能获得的信息远比它通过自身感觉器官所取得的多，其根本原因在于个体之间存在着信息交互能力。

粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。最初设想是模拟鸟群觅食的过程。但后来发现PSO是一种很好的优化工具。

1.2 应用领域

     近年来，PSO快速发展，在众多领域得到了广泛应用。本文将应用研究分典型理论问题研究和实际工业应用两大类。典型理论问题包括：组合优化、约束优化、多目标优化、动态系统优化等。实际工业应用有：电力系统、滤波器设计、自动控制、数据聚类、模式识别与图像处理、化工、机械、通信、机器人、经济、生物信息、医学、任务分配、TSP等等。

1.3粒子群算法现状

       参考国内关于PSO的文献可知，有关PSO研究的内容可以分为基础研究和应用研究两大类。其中基础研究主要包括PSO的本身机理和严格的数学基础研究、PSO的收敛性、鲁棒性的数学证明等；应用研究不外乎发扬PSO的优点、克服PSO的缺点或不足、扩展PSO的应用范围三大类，主要研究方法是将一些先进技术引入到PSO中设计出一些改进的PSO，或将PSO和其它智能优化算法相结合设计出各种混合优化算法，或将PSO算法引入到离散系统、组合优化系统、非直角坐标描述系统，扩展PSO的应用范围。