一種混合智能優(yōu)化方法
【專利摘要】本發(fā)明公開了一種混合智能優(yōu)化方法，屬于人工智能與數(shù)據(jù)挖掘【技術(shù)領(lǐng)域】。本發(fā)明將遺傳優(yōu)化算法與細(xì)菌覓食優(yōu)化算法有機(jī)結(jié)合，首先利用遺傳優(yōu)化算法的廣度搜索性得到初步的較優(yōu)解，并將其作為后期細(xì)菌覓食算法中的初始細(xì)菌種群，充分利用細(xì)菌覓食算法的趨化、復(fù)制和驅(qū)散操作，不斷產(chǎn)生優(yōu)秀個體，最終逐漸向最優(yōu)解收斂。本發(fā)明進(jìn)一步在上述技術(shù)方案基礎(chǔ)上，從遺傳選擇算子、最佳結(jié)合點(diǎn)、細(xì)菌趨化和復(fù)制操作四個方面分別進(jìn)行了改進(jìn)。相比現(xiàn)有技術(shù)，本發(fā)明能夠提高最優(yōu)解集的收斂速度和精度，且具有更廣泛的適用性。
【專利說明】一種混合智能優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種優(yōu)化方法，尤其涉及一種混合智能優(yōu)化方法，屬于人工智能與數(shù)據(jù)挖掘【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]自上個世紀(jì)70年代以來，智能優(yōu)化算法憑借著高效的優(yōu)化性能一直受到各領(lǐng)域的研究與應(yīng)用。尤其是針對大規(guī)模優(yōu)化問題，傳統(tǒng)的基于線性規(guī)劃的方法獲得較優(yōu)解的時間十分漫長，而智能優(yōu)化算法能夠在較短的時間內(nèi)獲得最優(yōu)解，因此智能優(yōu)化算法不僅得到了業(yè)界的認(rèn)同，而且也成為了學(xué)者們的研究熱點(diǎn)。目前，智能算法可分為兩大類:傳統(tǒng)的智能優(yōu)化算法和混合智能優(yōu)化算法。
[0003]1975年，美國Michigan大學(xué) J.Holland教授的一篇著作《Adaptation in Naturaland Artificial Systems》開啟了學(xué)術(shù)界智能優(yōu)化算法研究領(lǐng)域的大門，J.Holland提出的遺傳優(yōu)化算法(Genrtic Algorithm, GA)源于達(dá)爾文生物進(jìn)化論中的適者生存、優(yōu)勝劣汰理論。接著，伴隨著時間的推移以及人們對自然界規(guī)律的不斷認(rèn)識與探索，新的智能優(yōu)化算法慢慢地別學(xué)者們研究出來。1983年，S.Kirkpatrick等人基于固體物質(zhì)退火思想提出了模擬退火算法(Simulated Annealing, SA) ；1991年，Dorigo等人通過模擬螞蟻在尋找食物過程中的發(fā)現(xiàn)路徑行為，提出了蟻群優(yōu)化算法(Ant Colony Optimization, ACO) ；1995年，Eberhart和Kennedy通過模擬鳥群覓食行為提出了基于群體協(xié)作的粒子群優(yōu)化算法(Particle Swarm Optimization, PS0) ;2002年，Passino通過對人類腸道中大腸桿菌在覓食過程中所體現(xiàn)出來的智能行為進(jìn)行模擬，提出了細(xì)菌覓食優(yōu)化算法(Bacteria ForagingOptimization, BF0)o
[0004]由于單一智能優(yōu)化算法都存在各自的缺點(diǎn)，如遺傳優(yōu)化算法前期容易陷入局部最優(yōu)，后期搜索緩慢；細(xì)菌覓食算法不能使用整數(shù)編碼等，而且有的智能優(yōu)化算法不能很好地適應(yīng)某一類應(yīng)用，如大規(guī)模的動態(tài)資源調(diào)度問題等，因此混合優(yōu)化算法應(yīng)運(yùn)而生，鑒于傳統(tǒng)智能優(yōu)化算法的優(yōu)點(diǎn)和缺點(diǎn)，大量學(xué)者提出了混合優(yōu)化算法。
[0005]基于粒子群算法和遺傳優(yōu)化算法的混合優(yōu)化算法是首先用粒子群優(yōu)化算法對種群進(jìn)行迭代到一定次數(shù)后，保留最優(yōu)的M個粒子，然后以剩余的粒子為基礎(chǔ)，進(jìn)行重編碼后執(zhí)行遺傳優(yōu)化算法的交叉和變異操作，經(jīng)過多次迭代后得到N個個體，最后將之前保留的M個粒子和后來的N個個體組合成新的粒子種群，進(jìn)入下一個循環(huán)。該算法在進(jìn)化迭代的過程中能夠?qū)崿F(xiàn)信息的交換，充分發(fā)揮各自的優(yōu)勢，具有收斂速度快、優(yōu)化精度高的優(yōu)點(diǎn)。
[0006]基于人工魚群和粒子群的混合優(yōu)化算法的思想是:初始種群分為兩個獨(dú)立的子群體A和B，每一次迭代的過程中，群體A采用人工魚群算法進(jìn)行優(yōu)化，群體B采用粒子群算法進(jìn)行優(yōu)化，最后將兩個群體的解結(jié)合后進(jìn)入下一次迭代。該混合優(yōu)化算法不僅利用了人工魚群算法的隨機(jī)快速搜索能力和發(fā)揮了粒子群算法不斷追逐優(yōu)秀個體的收斂性，而且克服了人工魚群算法運(yùn)行速度慢和粒子群容易陷入局部最優(yōu)的缺點(diǎn)。
[0007]基于遺傳-粒子群混合優(yōu)化的模糊C均值算法混合了遺傳優(yōu)化算法、粒子群算法和模糊C均值聚類算法，首先以粒子群算法為基礎(chǔ)，將遺傳優(yōu)化算法的選擇、交叉和變異操作用于粒子，然后以粒子群算法的編碼方式為聚類中心編碼，最后采用基于遺傳操作的粒子群算法進(jìn)行聚類中心的選取。改進(jìn)后的算法不僅解決了模糊C均值算法的收斂速度對初始值敏感的問題，而且由于基于遺傳操作的粒子群算法具備的全局尋優(yōu)能力也解決了模糊C均值算法采用梯度下降法所帶來的局部最優(yōu)問題。
[0008]基于模擬退火和粒子群的混合優(yōu)化算法是在總體并行搜索的前提下對每個溫度串行地依次進(jìn)行粒子群和模擬退火搜索，將粒子群算法的一代結(jié)果作為模擬退火算法的初始解P，P經(jīng)過Metropolis抽樣后得到的解Q又成為下一代粒子群算法的初始種群。該混合算法將粒子群算法和模擬退火算法的并行搜索結(jié)構(gòu)串連起來，增強(qiáng)了全局和局部的搜索能力和效率。
[0009]綜上所述，混合優(yōu)化算法是將兩個或者更多的智能優(yōu)化算法通過某種方式進(jìn)行融合，吸取各自算法的優(yōu)點(diǎn)，摒棄各自算法的缺點(diǎn)，從而使得混合后的算法具有高效的搜索能力。

【發(fā)明內(nèi)容】

[0010]本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)的不足，提供一種將遺傳優(yōu)化算法與細(xì)菌覓食優(yōu)化算法相結(jié)合的混合智能優(yōu)化方法，有效提高優(yōu)化效率。
[0011]本發(fā)明具體采用以下技術(shù)方案:
[0012]一種混合智能優(yōu)化方法，用于從對象的若干可行解中搜索出最優(yōu)解，首先將對象的可行解進(jìn)行編碼，然后利用遺傳優(yōu)化算法得到一組較優(yōu)解，最后利用細(xì)菌覓食優(yōu)化算法從所述較優(yōu)解中得到最優(yōu)解。
[0013]作為本發(fā)明的第一個進(jìn)一步改進(jìn)方案，所述細(xì)菌覓食優(yōu)化算法中的趨化操作具體如下:
[0014]首先對將進(jìn)行趨化的細(xì)菌進(jìn)行第一次變異操作:將該細(xì)菌編碼序列的中間位置兩邊的兩個一級子序列互換；
[0015]對第一次變異操作前、后的兩個細(xì)菌中適應(yīng)度較高的細(xì)菌進(jìn)行第二次變異操作:將該細(xì)菌編碼序列的中間位置左/右邊的一級子序列從中間位置劃分為兩個二級子序列，將這兩個二級子序列互換；
[0016]對第二次變異操作前、后的兩個細(xì)菌中適應(yīng)度較高的細(xì)菌進(jìn)行第三次變異操作:將該細(xì)菌編碼序列最左/右邊的二級子序列從中間位置劃分為兩個三級子序列，將這兩個三級子序列互換；
[0017]依此方式不斷向細(xì)菌編碼序列的左/右遞歸，直到細(xì)菌編碼序列的首/末位，趨化操作結(jié)束。
[0018]作為本發(fā)明的第二個進(jìn)一步改進(jìn)方案，所述細(xì)菌覓食優(yōu)化算法中的復(fù)制操作具體如下:
[0019]將當(dāng)前細(xì)菌種群中的細(xì)菌按照適應(yīng)度從小到大或從大到小的順序進(jìn)行排序；
[0020]對其中的第i個細(xì)菌Xi和第i+S'個細(xì)菌Xi+S,進(jìn)行以下交叉操作，i=l，2，〃，S'，
[0021]S' =S/2，S為所述細(xì)菌種群的規(guī)模:分別從細(xì)菌Xi和細(xì)菌Xi+S,的編碼序列中截取相同長度的片段；然后將從細(xì)菌Xi截取的片段插入細(xì)菌xi+s,剩余部分之前/后，將從細(xì)菌Xi+S,截取的片段插入細(xì)菌Xi剩余部分之前/后，得到兩個新的細(xì)菌并保留其中適應(yīng)度較高的細(xì)菌；
[0022]待當(dāng)前細(xì)菌種群中的所有細(xì)菌均完成交叉操作后，對保留的細(xì)菌進(jìn)行復(fù)制，得到新的細(xì)菌種群。
[0023]作為本發(fā)明的第三個進(jìn)一步改進(jìn)方案，所述遺傳優(yōu)化算法中的選擇操作是指從當(dāng)前種群中選擇被選擇概率較高的部分個體，第i個染色體在j代的被選擇概率Pi按照下式得到:
[0024]，
【權(quán)利要求】
1.一種混合智能優(yōu)化方法，用于從對象的若干可行解中搜索出最優(yōu)解，其特征在于，首先將對象的可行解進(jìn)行編碼，然后利用遺傳優(yōu)化算法得到一組較優(yōu)解，最后利用細(xì)菌覓食優(yōu)化算法從所述較優(yōu)解中得到最優(yōu)解。
2.如權(quán)利要求1所述混合智能優(yōu)化方法，其特征在于，所述細(xì)菌覓食優(yōu)化算法中的趨化操作具體如下: 首先對將進(jìn)行趨化的細(xì)菌進(jìn)行第一次變異操作:將該細(xì)菌編碼序列的中間位置兩邊的兩個一級子序列互換； 對第一次變異操作前、后的兩個細(xì)菌中適應(yīng)度較高的細(xì)菌進(jìn)行第二次變異操作:將該細(xì)菌編碼序列的中間位置左/右邊的一級子序列從中間位置劃分為兩個二級子序列，將這兩個二級子序列互換； 對第二次變異操作前、后的兩個細(xì)菌中適應(yīng)度較高的細(xì)菌進(jìn)行第三次變異操作:將該細(xì)菌編碼序列最左/右邊的二級子序列從中間位置劃分為兩個三級子序列，將這兩個三級子序列互換； 依此方式不斷向細(xì)菌編碼序列的左/右遞歸，直到細(xì)菌編碼序列的首/末位，趨化操作結(jié)束。
3.如權(quán)利要求1所述混合智能優(yōu)化方法，其特征在于，所述細(xì)菌覓食優(yōu)化算法中的復(fù)制操作具體如下: 將當(dāng)前細(xì)菌種群中的細(xì)菌按照適應(yīng)度從小到大或從大到小的順序進(jìn)行排序； 對其中的第i個細(xì)菌名和第i+f個細(xì)菌fi+s.進(jìn)行以下交叉操作，: = 1,2,...,$, = , S為所述細(xì)菌種群的規(guī)模:分別從細(xì)菌名和細(xì)菌名+s.的編碼序列中截取相同長度的片段；然后將從細(xì)菌名截取的片段插入細(xì)菌石+s.剩余部分之前/后，將從細(xì)菌石+s.截取的片段插入細(xì)菌4剩余部分之前/后，得到兩個新的細(xì)菌并保留其中適應(yīng)度較高的細(xì)菌； 待當(dāng)前細(xì)菌種群中的所有細(xì)菌均完成交叉操作后，對保留的細(xì)菌進(jìn)行復(fù)制，得到新的細(xì)菌種群。
4.如權(quán)利要求3所述混合智能優(yōu)化方法，其特征在于，在從細(xì)菌名和細(xì)菌的編碼序列中截取片段時，截取位置為隨機(jī)生成。
5.如權(quán)利要求1所述混合智能優(yōu)化方法，其特征在于，所述遺傳優(yōu)化算法中的選擇操作是指從當(dāng)前種群中選擇被選擇概率較高的部分個體，第τ個染色體在J代的被選擇概率巧按照下式得到:
6.如權(quán)利要求1所述混合智能優(yōu)化方法，其特征在于，在所述遺傳優(yōu)化算法中，將每一代種群的適應(yīng)度方差與一預(yù)設(shè)的閾值進(jìn)行比較，如當(dāng)前種群的適應(yīng)度方差小于所述閾值，則停止遺傳優(yōu)化算法，轉(zhuǎn)而執(zhí)行細(xì)菌覓食優(yōu)化算法。
7.—種云環(huán)境下的虛擬機(jī)調(diào)度方法，其特征在于，利用權(quán)利要求1~6任一項(xiàng)所述混合智能優(yōu)化方法從若干可行的調(diào)度方案中搜索出最優(yōu)的調(diào)度方案，具體編碼方法如下:用一個一維整數(shù)串來表示可行調(diào)度方案的編碼，個體的長度為當(dāng)前需調(diào)度的任務(wù)數(shù)量，個體的每一位序號代表任務(wù)的編號，每一位上的值代表虛擬機(jī)節(jié)點(diǎn)的編號。
8.一種物流車輛的路徑優(yōu)化方法，其特征在于，利用權(quán)利要求1~6任一項(xiàng)所述混合智能優(yōu)化方法從若干可行的運(yùn)輸方案中搜索出最優(yōu)的運(yùn)輸方案，具體編碼方法如下:用一個一維整數(shù)串來表示可行運(yùn)輸方案的編碼，個體的長度為當(dāng)前運(yùn)輸貨物的車量數(shù)，個體的每一位序號代表車輛的編號，每一位上的值代表需要送貨的地點(diǎn)編號。
9.一種基于二維熵閾值的圖像分割方法，其特征在于，利用權(quán)利要求1~6任一項(xiàng)所述混合智能優(yōu)化方法從若干可行的分割閾值中搜索出最優(yōu)的分割閾值，具體編碼方法如下:用8位二進(jìn)制代碼表示256級灰度的圖像，每個染色體表示一個閾值。
10.一種旅行商問題的優(yōu)化方法，其特征在于，利用權(quán)利要求1~6任一項(xiàng)所述混合智能優(yōu)化方法從若干可行的巡回路徑中搜索出最優(yōu)的巡回路徑，具體編碼方法如下:用一個一維整數(shù)串來表示可行巡回路徑的編碼，個體的長度為所有城市的數(shù)量，個體的每一位為城市的編號。
【文檔編號】G06F19/00GK103942419SQ201410137336
【公開日】2014年7月23日 申請日期:2014年4月4日 優(yōu)先權(quán)日:2014年4月4日
【發(fā)明者】程春玲, 殷小龍, 張登銀, 付雄, 華禹銘 申請人:南京郵電大學(xué)