人工智能算法综述

人工智能算法综述电信0801柳涛学号：U200812939在人工智能的研究领域普遍存在着优化问题。随着近年来国内外对于人工智能和智能优化算法的研究变得异常活跃，新的优化算法不断涌现。例如模拟生物中种群中优胜劣汰机制的遗传算法；基于对热力学中固体物质退火机制模拟的模拟退火算法；通过将记忆功能引入最优搜索的搜索过程提出的禁忌搜索算法；借鉴自然界中蚂蚁群体觅食行为提出的蚁群算法；受鸟群觅食行为启发提出的粒子群优化算法；免疫克隆选择算法、量子计算算法、鱼群算法等都是较为常用的智能优化算法。本文将对其中部分算法的基本思想进行综述。1、遗传算法(GeneticAlgorithm)遗传算法是基于适者生存原则的一种高并行、随机优化算法，它将问题的求解表示成染色体的生存过程，通过群体的幅值、交叉以及变异等操作最终获得最适应环境的个体，从而求得问题的最终解。GA抽象于生物体的进化过程，通过全面模拟自然选择和遗传机制，形成一种具有“生成+检验”特征的搜索算法。它以编码空间代替问题的参数空间，以适应度函数作为评价依据，以编码群体为进化基础，以对群体中个体位串的遗传操作实现选择和遗传机制，建立起一个迭代过程。在这一过程中，通过随机重组编码位串中重要的基因，使新的位串集合优于老一代的位串结合，群体的个体不断进化，逐渐接近最优解，最终达到求解问题的目的。GA作为一种通用的优化算法，其主要特点是群体搜索策略和群体中个体间的信息交换，搜索不依赖于梯度信息。随着计算机技术的不断发展，遗传算法在模式识别、神经网络、组合优化以及图像处理等领域取得了成功的应用。2、模拟退火算法模拟退火算法的来源是复杂组合优化问题与固体的退火过程之间的相似之处。固体的退火过程是一种物理现象，随着温度的下降，固体粒子的热运动逐渐减弱，系统的能量将趋近于最小值，从而得出待求解问题的最优解。模拟退火算法在系统向着能量减小的趋势变化过程中，偶尔允许系统跳到能量较高的状态，以避开局部最小，最终稳定在全局最小。3、蚁群算法蚁群算法是受自然界中真实蚁群的集体觅食行为的启发而发展起来的一种基于群集智能的进化算法，属于随机搜索算法。虽然蚂蚁本身的行为及其简单，但由这些简单个体所组成的蚁群却表现出极其复杂的行为特征。如蚁群除了能够找到蚁巢与食物源之间的最短路径外，还能适应环境的变化，即在蚁群的运动路径上出现障碍物时，蚂蚁能很快的重新找到最短路径。蚂蚁在寻找食物时，能够在其经过的路径上释放一种特有的分泌素外激素，使得一定范围内的其它蚂蚁能够感觉到这种物质，且倾向于朝着该物质强度高的方向移动。一次，蚁群的群体行为表现为一种信息正反馈想想：某条路径上经过的蚂蚁越多，其上留下的外激素痕迹也就越多，后来蚂蚁选择该路径的概率也就越高，从而增加了该路径上的外激素强度。除了各种优化问题外，蚁群算法还在函数优化、系统辨识、机器人路径规划、数据挖掘及大规模集成电路布线设计等领域取得了令人瞩目的成就4、粒子群算法(ParticleSwarmOptimization)粒子群优化算法最早起源于对鸟类觅食行为的研究，机理是是对生物群体的社会行为进行模拟。在生物群体中存在着个体与个体、个体与群体之间的相互作用相互影响的行为。这种行为体现的是一种存在于生物群体中的信息共享的机制。PSO就是对这种社会行为的模拟，即利用信息共享机制，使得个体之间可以相互借鉴经验，从而促进整个群体的发展。PSO算和遗传算法类似，也是一种基于迭代的优化工具，系统初始化为一组随机解，通过某种方式迭代寻找最优解。但PSO没有GA的“选择”、“交叉”、“变异”算子，编码方式也较简单。由于PSO算法容易理解，易于实现，所以发展很快，在函数优化、系统控制、神经网络训练等领域得到了广泛应用。5、鱼群算法人工鱼群算法是受鱼群行为的启发，新近提出的一种智能优化算法。鱼群算法主要是利用了鱼群的觅食、群聚和追尾行为，从构造单条鱼的底层行为做起，通过鱼群中诸个体的局部最优，从而达到全局最优的目的。该算法具有良好的克服局部极值，取得全局极值的能力，而且该算法具有一些遗传算法和粒子群算法不具备的优点，如使用灵活、收敛快速等。