（计算机应用技术专业论文）基于微粒群模型的动物群体觅食行为的建模与仿真.pdf

中文摘要 微粒群算法是基于群体智能理论的优化算法，通过群体中粒子间的合作与竞争 产生的群体智能指导优化策略。微粒群算法与其它进化算法有许多共同之处，均使 用“群体”概念，表示一组解空间中的个体集合。这与行为生态学中研究的动物群、 体觅食问题有许多相通之处。因而国外的一些研究人员开始将微粒群算法用于模拟 动物的群体觅食行为，但其对动物群体觅食行为的仿真研究尚处于萌芽阶段，还存 在诸如动物群体觅食环境的过分简单抽象、动物个体感知的单一性、动物个体闻信 息交互方式的单一性和动物对觅食需求的确定性等问题，从而使得动物群体觅食行 为的研究与实际动物觅食行为存在着较大的差距。 本文在前人研究的基础上，以微粒群算法为工具，试图建立能更加准确反映实 际动物觅食行为的模型，并对其进行仿真研究。论文首先模拟实现了动物的觅食环 境，郄随机动态分布的食物环境。然后讨论了两种动物之闻的信息交互方式全 局交互与局部交互。在动物感知食物方面，研究了仅靠嗅觉的感知方式和嗅觉视觉 相融合的感知方式。在此基础上，用微粒群算法模拟了在不同感知模式及信息交互 方式下的四种动物群体觅食行为，并进行了大量的仿真实验。仿真结果表明：本文 给出的动物觅食模型能够较好地模拟动物群体的觅食行为。该研究对于了解动物群 体的觅食行为以及基于动物群体行为构造更有意义的全局优化群智能算法具有参考 价值和理论意义。 关键词：微粒群算法；群体觅食；感知模型；动物群体行为 a b s t r a c t p a r t i c l es w a r mo p t i m i z a t i o n ( p s o ) i sas t o c h a s t i cg l o b a lo p t i m i z a t i o n a l g o r i t h mt h r o u g ht h ec o o p e r a t i o na n dc o m p e t i t i o nb e t w e e np a r t i c l e sb a s e d o nt h et h e o r yo fs w a r mi n t e l l i g e n c e p s oa l g o r i t h ma n do t h e re v o l u t i o n a r y a l g o r i t h m sh a v em a n ys i m i l a r i t i e s t h e ya l l u s et h ec o n c e p to f ”s w a r m ， i n d i c a t e dt h eg a t h e ro fs o m ei n d i v i d u a l si nag r o u po fs o l u t i o ns p a c e ，w h i c h i ss i m i l a rt og r o u p f o r a g i n gp r o b l e mo ft h eb e h a v i o re c o l o g yr e s e a r c h s o m e r e s e a r c h e r sa b r o a db e g a nt oa p p l yp s oa l g o r i t h mt os i m u l a t et h ef o r a g i n g b e h a v i o r so fa n i m a ls w a r m ，b u tt h er e s e a r c hi sa tb e g i n n i n g t h e r es t i l la r e m a n yp r o b l e m s ，f o re x a m p l e ，t h eg r o u p f o r a g i n g e n v i r o n m e n ti st o o s i m p l i s t i ca n da b s t r a c t ；i n d i v i d u a lp e r c e p t i o no fg r o u p f o r a g i n ga n dt h em o d e o fa n i m a li n f o r m a t i o ne x c h a n g i n ga r es i n g l e ；a n dt h ea n i m a lf o r a g i n g d e m a n di sc e r t a i n ，e t c b e c a u s eo ft h e s ea f o r e m e n t i o n e dr e a s o n s ，t h es t u d i e s o nf o r a g i n gb e h a v i o ro fa n i m a l sd o n ta c c o r dw i t ht h ea c t u a lw o r l d t h i st h e s i s ，o nt h eb a s i so fp r e v i o u ss t u d i e s ，a p p l i e sp a r t i c l es w a r m o p t i m i z a t i o nt os e tu pm o r ea c c u r a t em o d e lo fg r o u p - f o r a g i n gb e h a v i o ra n d s i m u l a t et h em o d e l f i r s to fa l l ，t h eg r o u p - f o r a g i n ge n v i r o n m e n tw i t hr a n d o m d i s t r i b u t i o no ff o o di sb u i l t t h e nt w om e t h o d so fa n i m a li n f o r m a t i o n e x c h a n g i n ga r eg i v e n ，i e t h eo v e r a l li n t e r a c t i o na n dt h e l o c a li n t e r a c t i o n f r o mt h ea s p e c to f p e r c e p t i o no fa n i m a l s l o o k i n gf o rf o o d ，t h es e n s eo fs m e l l p e r c e p t i o na n df u s i o no ft h ep e r c e p t i o no fs m e l la n dv i s i o na r es t u d i e d o n t h i sb a s i s ，f o u rk i n d so fa n i m a l - f o r a g i n gb e h a v i o ru n d e rd i f f e r e n tp a t t e m so f i n f o r m a t i o ne x c h a n g i n ga n dp e r c e p t u a lm a n n e ra r es i m u l a t e d t h es i m u l a t i o n r e s u l t ss h o wt h a t ：t h ep r o m o t e da n i m a lf o r a g i n gm o d e lc a ns i m u l a t et h e f o r a g i n gb e h a v i o ro fa n i m a lg r o u p sm o r ea c t u a l t h es t u d yh a sg o tr e f e r e n c e v a l u ea n dt h e o r e t i c a ls i g n i f i c a n c et o w a r d st h eu n d e r s t a n d i n go fa n i m a lg r o u p f o r a g i n gb e h a v i o r , a sw e l la so b t a i n i n gt h eg l o b a lo p t i m i z a t i o ni n t e l l i g e n t a l g o r i t h mb a s e do na n i m a lg r o u pf o r a g i n gb e h a v i o r s k e y w o r d s ：p s oa l g o r i t h m ；g r o u p f o r a g i n g ；p e r c e p t i o nm o d e l ；a n i m a l g r o u pb e h a v i o r 声明尸明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下， 独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的 法律责任由本人承担。 作者签名：垂查日期： 坦皇：垒：兰墨： 关于学位论文使用权的说明 本人完全了解太原科技大学有关保管、使用学位论文的规定，其 中包括：学校有权保管、并向有关部门送交学位论文的原件、复印 件与电子版；学校可以采用影印、缩印或其它复制手段复制并保存 学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交 流为目的，复制赠送和交换学位论文；学校可以公布学位论文的全 部或部分内容( 保密学位论文在解密后遵守此规定) 。 作者签名：垂蕴 日期： 诬拿：生：出： 导师签名：日期： 第一章绪论 第一章绪论 1 1 问题的提出 觅食行为生态学是动物生态学研究的主要内容之一。地球上的生物都必须以能 量与营养作为维持生命的基本条件，因此对动物而言食物与觅食行为，是维持动物 生命最基本的需求与行为。食物是生命物质和能量的来源，是生物赖以生存的基本 条件。生物界中，种间及种内关系都与食物有着密切的联系i l 】。对任何一种动物而言， 食物都是其生存、繁衍和进化的基础，因此动物的觅食行为机制、觅食活动时间分 配策略等对动物生存繁衍都具有重要的意义。 动物群体觅食不仅可以提高它们的觅食能力，延长觅食时间，而且还可以通过 观察其它个体的行为来得到获取食物的有用信息，进而提高他们的觅食效率。对动 物群体觅食行为的研究可发展出新的群体智能算法和实现群机器人的协调控制等。 因此，基于群体智能算法研究动物的群体觅食行为，并对其进行仿真有着重要的理 论意义和应用价值。 目前将微粒群算法应用于动物群体觅食行为的建模与仿真尚处于萌芽阶段，还 存在很多问题。如动物群体觅食环境的过分简单抽象、动物个体感知的单一性、动 物个体间信息交互方式的单一性等。这些问题使得动物群体觅食行为的研究与实际 动物觅食行为存在着较大的差距。本文针对上述问题，以微粒群算法为工具，试图 建立能更加准确反映实际动物觅食行为的模型，并对其进行仿真研究。 1 2 生态学中动物的群体觅食行为 1 2 1 行为生态学 行为生态学是行为学和生态学两个学科的交叉领域，它主要研究生态学中的行 为机制和动物行为的生态学意义和进化意义 2 1 ，即研究动物的行为功能、存活值 ( s u r v i v a lv a l u e ) 、适合度( f i t n e s s ) 和进化过程。动物的行为特征也与动物的形态特 征和生理特征一样，不仅同时受到遗传和环境两方面的影响，而且也是在长期进化 过程中通过自然选择形成的，因而同样具有物种的特异性。有时，两个在形态上难 以区分的物种，却可以通过不同的行为型加以辨识。在自然界，行为型也常常是近 缘物种的种间隔离和种间辨识的一个重要方面。研究动物的行为必须充分注意到行 为的进化方面，达尔文在卓越地论证了生物形态进化的同时，也在1 8 5 9 年出版的物 种起源( 第八章，本能) 和1 8 7 2 年出版的人类及动物的表情等著作中，充分 注意到了行为的进化，尽管达尔文坚信，不管表面看起来是多么复杂和多么不可思 】 基予微粒群模型的动物群体觅食行为戆建摸与鲂真 议的行戈，都必定经历过一个进化和自然选择过程，攀实证骧，特别是行为生态学 的最新发展证明，达尔文的观点是正确的。直到现在，达尔文的自然选择进化学说 仍然是研究行为和行为生态学最锐利的思想武器。 行为生态学又可细分为取食行为生态学、防御行为生态学、生殖行为生态学、 社会行为生态学、学习行为生态学、通讯行为生态学、时空行为生态学( 如生境选 择、定向和导航、巢域和领域现象等 、禳物行为生态学和最适行为的预测等蠹容， 其中的社会生态学( s o c i o e c o l o g y ) 或社会生物学( s o c i o b i o l o g y ) ，近年来取得了 突出的发展。研究动物行为学于2 0 世纪6 0 年代初发展起来，到1 9 8 1 年第一本比较 全面系统的介缨行为生态学理论和内容的专著行为生态学弓| 论( k r e b s 和d a v i s ) 出版，标志着行为生态学己成为生态学中最年轻的分支学科之一。 动物的生存和它繁殖的成功率主要取决于它的行为。自然选择将动物个体设计 为高效的捕食能手、父母、攻击者等【3 】。动物的任何行为都要消耗能量，这些能量主 要依靠动物取食来获得。动物找寻食物的行为被称之为觅食，在行为生态学中这一 般是指所有那些发生在捕食者和猎物之间的相互作用。为了获得食物，动物不得不 消耗能量，因此觅食效率通常是竞争优先权之闻的权衡问题，例如，获褥的能量与 消耗的能量，获得的能量与捕食风险，获得的能量与和对手竞争的损耗等。能量获 得的速率取决于对食物的获得和利用瑟】。在觅食过程中能量消耗少的动物( 装器觅食效 率高的动物) 比那些在觅食过程中能量消耗多的动物能更加快速高效的繁殖后代【4 】。 1 2 2 动物群体的觅食行为 觅食和繁殖是动物生活变中最重要的两种活动行为，丽觅食行为是最基本的行 为【5 】。动物通过觅食行为寻找并摄取食物从而获得能量，来维持自身的生存、生长及 种族延续。研究表明，动物并不是对生活环境中各种食物进行采食，而是表现出显 著的优先选择性嘲。觅食行戈生态学研究动物食物选择策略及机制、食物量、觅食行 为时间分配等内容。 动物以群的形式聚在一起是有多种原因的，这有利于它们获取食物或资源，利 于繁殖，便于隐蔽，获得空闻，防御自然界中的危险，避开竞争，易于防御天敌等。 随着群规模由小到大，每个个体花在警戒上的时间可能减少，从而使觅食时间增加， 但群的总警觉度依然能继续提高。苍鹰在飞捕孤鸽时成功率很高，达8 0 的攻击成功 率；但当鸽群增大时，其成功率随之下降，当鸽群为5 0 只或者更大时，成功率下降 到低于1 0 。当然作为群体的一员也有缺点，例如：增加了对食物的竞争，对于捕食 者增加显眼性，增加疾病感染的风险。 2 第一章绪论 对于群体这个概念的定义有很多，但是形成群体的先决条件为个体之间在空间 和时间上足够的接近。例如，p i t c h e r 提出的群的概念1 7 】：需要动物们彼此之间的距 离足够的接近以便它们之间可以不停地进行信息交互。 产生群体行为的另一个条件就是社会吸引力，即，动物积极地寻求接近对方而 不是简单的在某一点会面，这是因为对环境条件的吸引力在这一点上。 动物在寻找食物的过程中，通过观察群中其他成员的行为可以获得有用的信息， 例如，个体利用其他成员的位置信息来增加找到食物的几率，否则仅依靠他们自身 则更加困列。 当然，在群体觅食的得与失之间有种平衡。理论模型预测，尽管加入群体对个 体的寻找食物能力不会有所提升，但是它们在寻找食物上花费的时间将会减少。那 么平衡个体减少的觅食时间则是动物分得较少份额的食物，唯一的例外则是当获得 的食物量非常大时个体的消耗对群中其他成员没有影响【j 7 1 。 1 3 群体智能算法 群体智能算法的研究开始于2 0 世纪9 0 年代初，其基本思想是模拟自然界生物 的群体行为来构造随机优化算法。群智能算法作为新兴的演化计算技术，己受到越 来越多的研究者的关注。群智能理论研究领域主要有两种算法：m d o r i g o 提出的蚁 群算法和j k e n n e d y 和r e b e r t h a r t 提出的微粒群算法【9 l 。智能优化算法对函数性态要 求较弱，其寻优结果和初值无关，并具有一定的并行性，以被广泛应用于函数优化、 人工智能、模糊系统控制等领域，成为目前进化计算研究的一个热点 1 0 】。 1 3 1 蚁群算法 蚁群算法( a n tc o l o n ya l g o r i t h m ) 也称蚂蚁算法，是一种用来寻找优化路径的 机率型技术。它由意大利学者m d o r i g o 在2 0 世纪9 0 年代初提出，其灵感来源于蚂 蚁在寻找食物过程中发现路径的行为。蚁群算法最早成功应用于解决著名的旅行商 问题( t r a v e l i n gs a l e s m a np r o b l e m ，t s p ) 下面简单介绍了蚂蚁觅食的方法，然后以t s p 问题为例给出求解其最短回路蚁群算法。 据研究，当蚂蚁找到食物并将它搬回来时，就会在它经过的路上留下一种信息 素，其他同伴闻到这种信息素的“味道，就朝向信息素浓度高的地方去觅食，并且 沿最短的路径奔向食物。下面以m 个城市的t s p 问题为例，介绍一下人们根据蚂蚁 觅食原理设计出的求解最短回路的蚁群算法。 设有n 个蚂蚁，第i 个城市在t 时刻有蚂蚁口，( ，) 个，t 时刻在第i 、j 两城市间的 3 基予徽粒群模翟嬲动物群体觅食行为鲍建攘与饶真 道路上留下的外激素为( f ) 。假设每个蚂蚁在未完成一个回路时，不重复已走过的 城市，则第k 个蚂蚁从城市i 到城市j 的概率为： 力= 器厶v ， 其中外激素6 i ，( r ) 可定义为6 ( ，) = p - c t ，c 0 ；或定义为 畋= n 和( f ) 女= l 其中厶是第k 只蚂蚁求得的回路长度。 b o ( t + 1 ) = c 。气( f ) + 呜 = 器鬣靴只蚂蚁经过边q 。 ( 1 2 ) ( 1 3 ) ( 1 。4 ) 这样，每只蚂蚁经过m 次迁移囊就缛到一条隧路，其长度为乏。菘利用式( 1 1 ) 式( 1 。4 ) 重新计算各条路径的外激素浓度，进行下一步搜索。 蚁群算法自提出以来，无论在算法理论还是在算法应用方面都取得了很多突破 性研究进展。已成功地应用于许多领域，如t s p 、连接系统优化、重建遭信路由等 许多领域l 叭。 1 3 2 微粒群算法 微粒群算法( p s o ) 是一种基于群体的、自适应的搜索优化方法，最早是由美国心 理学家k e n n e d y 和电气工程i ) 币e b e r h a r t 等于1 9 9 5 年提出的一种进化计算技术【1 1 】【1 2 】，其 基本思想来源予对鸟群简纯社会模型的研究及行为模拟疆引。群体中的鸟被抽象为没 有体积和质量的“微粒”，所有的微粒都有一个由被优化的函数决定的适应值 ( f i t n e s sv a l u e ) ，每一个微粒还有一个速度决定它们飞翔的方向和距离。通过这 些“微粒 闻信息的相互传递，其运动速度受到宣身和群体的历史运动状态信息的 影响，导引整个群体向可能解的方向移动，在求解过程中逐步增加发现较好解的可 能性，能较好地协调微粒本身和群体运动之间的关系。k e n n e d y 和e b e r h a r t 在1 9 9 5 年 i e e e 国际神经网络学术会议上正式发表了题为“p a r t i c l es w a r mo p t i m i z a t i o n ”1 1 4 j 的 文章，标志着微粒群算法的诞生。 微粒群算法与其它进化算法相比，保留了基于种群的全局搜索策略。采用“群 体 和“进化”的概念，表示一组解空闻中的个体集合。但是p s o 算法同时呈现出 4 第一章绪论 与其它进化类算法所不具有的特性，其采用的速度一位移模型操作简单，避免了复 杂的遗传操作，是一种更高效的并行搜索算法。与进化规划对比，可以看出p s o 算 法执行一种有意识的变异，而进化规划可变异到任何方向，从理论上讲，进化规划 有更多的机会在优化点附近开发，而p s o 算法，如果“意识”能提供有用的信息则 微粒有更多的机会更快地飞到有更好解的区域。与遗传算法对比，k e n n e d y 和 s p e a r s 1 5 】【1 6 】利用多峰问题产生器对一个p s o 的二进制版本和3 种类型的g a s 研究发 现，p s o 基本都能更快地达到全局最优值，基本不受问题峰数的影响，受问题维数 影响也很_ 、。 由于p s o 算法概念简单，计算速度快，易于实现等特点，因而在短期内得到迅速 的发展，使得其成为国际进化计算界研究的热点。并在算法实现模式及应用领域得 到了很大发展。自微粒群算法提出以来，已经应用于许多科学和工程领域，目前其 研究现状大致分为三个方向：算法的改进、算法的分析以及算法的应用。 1 3 3 标准微粒群算法原理 微粒群算法采用“群体”和“进化”的概念，依据个体( 微粒) 的适应值大小 进行操作。算法采用速度一位置搜索模型。每个微粒代表解空间中的一个解，解的 优劣程度由适应函数决定。 在微粒群算法中，每个微粒表示问题的一个可行解，具有位置和速度2 个特征， 在刀维搜索空间中飞行，该微粒一方面具有自我性，即可以根据自己的经验来判断 飞行的速度和位置，另一方面可以根据周围微粒的飞行情况去调整自己的飞行速度 和位置即微粒的社会性，从而不断地寻找个性和社会性之间的平衡。 设i v , = ( 誓l ，t 2 ，x i ) 为微粒f 当前位置 k = ( l ，v 2 ，v 行) 为微粒f 的当前飞行速度 进化过程中，记录微粒到当前为止的历史最好位置p = ( p i 。，只：，只。) 和所有微粒 的全局最好位置乞= ( 熙。，段：，p g , ) ，最初始的p s o 算法的进化方程可描述为： ( t + 1 ) = k ( t ) + c l r l ，( 岛o ) 一 ) ) + c ：吃，( p 彤 ) 一x o ( t ) ) x v ( t + 1 ) = x v ( t ) + v u ( t + 1 ) ( 1 5 ) ( 1 6 ) ( 1 5 ) 式表示微粒f 的第维的速度变化方程，( 1 6 ) 式表示微粒位置的变化方程， 其中，t 表示第，代，q 、乞是加速系数绒称学习因子) ，分别调节向全局最好位置和 个体最好位置方向飞行的最大步长，若太小，则粒子可能远离目标区域，若太大则 5 基予微粒群模攀静动物群体觅食行为的建模与仿爽 会导致突然向晷标区域飞去，或飞过霉标区域，合适的筑、c 2 可以加快收敛且不易 陷入局部最优。 u ( o ，1 ) ，r 2 u ( 0 ，1 ) 为两个相互独立的随机函数。为了减少在进 化过程中微粒离开搜索空间的可能 生，v ，通常限定于一定范围之内。vm a x 太大，粒 子将飞离最好解，太小将会陷入局部最优【1 7 】。如果问题的搜索空间限定在 - xn l a x 9xm a x 内，贝0 可设定v m 戤= k 木x m a x ，0 1 k 1 0 。 1 。3 3 。1 算法流程 s t e p l ：对微粒群中所有微粒的位雹和速度进行初始化设定； s t e p 2 ：计算每个微粒的适应值； s t e p 3 ：对于每个微粒，计算该粒子所在点的适应值窭x ) ，如果该点的适应值比微粒 所经历的最好位置p i 的适应值大，则将其作为遗前的最好位置； s t e p 4 ：对每个微粒，将其适应值f i x ) 与全局所经历的最好位置晟的适应值进行比较， 若较好，则将箕作为当前的全局最好位置； s t e p 5 ：根据方程( 1 5 ) ( 1 6 ) 对微粒的速度和位置进行更新； s t e p 6 ：如果循环的总次数没有超过最大限制，通常为跫够好的适应值或达到一个预 设最大代数( g m a x1 ，则返回s t e p 2 继续执行，否则退出。 1 3 3 2 算法参数 p s o 算法的搜索性能取决于对全局搜索和局部搜索能力的平衡，这很大程度依 赖予算法的控制参数，包括惯性权重w ，加速常数q ，c ，以及群体规模，最大速度 和最大进化代数等【1 8 】。惯性权重w 的大小决定了对微粒当前速度继承的多少，较大 的惯性权重将使微粒其有较大的速度，从焉有较强的探索麓力；较小的惯性权重将 使微粒具有较强的开发能力；一般的，w 可取固定值或随进化代数线性递减【12 1 ，或 者服从某种分布的随机数。加速常数q ，c 2 是p s o 算法中重要的参数，q 表示微粒自 身经验的认知畿力，调节微粒飞向鲁身最好位置方向的步长；岛表示微粒社会经验 的认知能力，调节微粒向全局最好位置飞行的步长。c i ，c 2 的取值直接影响到p s o 算 法的性能【糟】。最大速度一般设定为每维变量的变化范围的上限。最大进化代数和群 体规模可以依据实际阉题设定不同的僮。k e n n e d y 在“n ep a r t i c l es w a r m ” 1 9 】一文 中指出，在算法的执行过程中，微粒的飞行速度应当受到适当的限制，一方面保证 微粒能够飞越局部极值，具有一定的全局探测能力；努一方面又能够使得微粒以一 定的速度步长逼近全局最优解。通常可在计算模型中引入一个适当的阀值v 一。合 理的参数选择能够使微粒群算法有很好性能。o z c a n 与m o h a n 在文献 2 0 】中分析了 p s o 在多维空间的搜索能力，速度步长与惯性权重对算法的影响，文中认为，惯性 6 第一章绪论 权重并不能显著提高算法的性能，当1 4 ，接近于1 时，实验结果最佳，说明1 4 ，对算法 的有效性可能被算法本身固有的随机性而克服掉。 在文献“p a r a m e t e rs e l e c t i o ni np a r t i c l es w a r m o p t i m i z a t i o n ”1 2 l j 中，分析了速度限 制和惯性权重对算法性能的影响，并且对它们不同的取值做了试验比较，指出算法 中的全局和局部探索能力的平衡主要通过惯性权重来进行控制，但同时建议使用最 大速度限制。 1 4 微粒群算法的研究现状 微粒群算法是一种新型的优化搜索方法，目前，p s o 出现了多种改进算法，并已 成功应用于诸多领域，优化问题的求解，如：文献 2 2 】利用停止进化微粒来改善全局 搜索能力，提出了保证全局收敛的随机微粒群算法；p s o 算法与模拟退火相结合，利 用p s o 算法的进化公式作为模拟退火新状态产生函数，并通过理论分析证明了该算法 以概率1 收敛于全局最优解【2 3 】；文献 2 4 提出t - - 次微粒群算法及其参数自适应策略， 结果说明二次微粒群算法采用参数自适应比参数固定时性能有很大提高，说明了这 种参数自适应策略的正确性和有效性。j r i g h t 2 5 1 提出了一种保证种群多样性的微粒 群算法等。 p s o 算法易于实现，算法简洁，没有很多参数需要调整，但在各种问题的求解与 应用中却展现了它的特点和魅力。目前，p s o 应用领域主要有：函数优化、神经网络 训练、模糊系统控制以及其它遗传算法的应用领域。 p s o 最直接的应用是函数优化问题，包括多元函数优化、带约束优化问题【2 6 】。 a n g e l i n e 经过大量的实验研究发现【2 7 】，微粒群优化算法在解决一些典型函数优化问题 时，能够取得比遗传算法更好的优化效果。这就说明微粒群优化算法在解决很多实际 问题时具有很好的应用前景，因为许多实际问题都可以归结为函数优化问题。此外， p s o 还在各种复杂的优化问题、动态优化问题和多目标优化问题中得到成功应用。 p s o 是一种非常有潜力的神经网络训练算法，它操作简单，可以方便地调节神经 网络的连接权值和阈值，已被成功地用来解决许多实际问题。如：基于p s o 的神经网 络应用于医疗诊断【2 8 】，分析人的颤抖；文献 2 9 将基于p s o 的神经网络应用于香港市 区环境污染状况的分析，都得到了很好的效果。 p s o 被成功地应用于电力系统领域，如：文献 3 0 】将智能, p s o 应用于电磁场的优 化分析，文献 3 1 】将p s o 用于电力系统负荷模型的参数辨识，这些应用都取得了较好的 效果。 7 基于徽粒群模型镌动物群体觅食行为的建模与镑真 在电机和机械设计方面，文献【3 2 】将p s 0 用于机械维构设计中尺寸和形状的优化 设计，得到比遗传算法和梯度下降算法更好的效果；文献 3 3 结合直线感应电机的设 计特点，利用改迸的p s o 对电机进行优化设计，取得了满意的效采。 在半导体器件设计方面，文献 3 4 1 将p s o 用于f 1 级组合逻辑电路豹设计，得到比 遗传算法更好的效果；文献【3 5 】将改进的p s 0 用于i i r 数字滤波器的设计，仿真结果表 明，与设计i i r 数字滤波器的遗传算法相眈，p s o 具有更好的优化性能。 此外，还有将微粒群算法用于实际系统的模拟、通讯、化学工程、生物工程等 领域，也都取得很好的效果。 p s o 是一种新兴的基于群体智能的进化算法，人们对其的研究冈l 阏l 开始，远没有 像遗传算法那样具有坚实的应用基础、系统的分析方法和良好的理论基础，许多问题 还有待于迸一步研究： 应用领域的拓震。虽然p s 0 已被成功地用于丞数优化及李枣经网络的训练等领域， 但在更多领域的应用还处于研究阶段。开拓p s o 新的应用领域，如将其用来解决整数 规划、系统辨识等，在应用的广度和深度上进行拓展都是很有价值的工彳乍。 算法参数的确定。p s o 中的一些参数如最，c 2 ，6 0 ，微粒个数以及迭代次数等往往 依赖于具体问题，依据应用经验，经多次测试来定，并不具有通用性。因此，如何方便 有效地选择算法参数，也是追切需要研究的问题。 算法的改进研究与应用。算法的研究是为了应用，由于实际问题的多样性和 复杂性，尽管已出现了许多改进的p s 0 ，但远不能满足需要。研究新的改进的p s o 以便 能更好地用于实际闻题的求解也是很有意义翡工作。就冒前来看，将p s o 与其它技术 相结合【1 6 】，根据不同的优化问题，提出相应的改进算法，以提高算法的计算性能， 是p s o 当前的研究热点。 算法的基础理论研究。虽然微粒群算法在实际应用中被证明是有效的，但其 算法分析还不成熟和系统，不能对p s o 的工作机理做出合理的数学解释。虽然p s o 的有效性、收敛性等健能在些实例和函数的仿真研究中得至i 验证，但没能在理论 上进行严谨推敲和严格证明。因此，对p s o 的基础理论研究鼍 常重要。 1 。5 本文的主要工作 用微粒群算法来模拟动物群体觅食行为的研究尚处于萌芽阶段，还存在诸如动 物群体觅食环境的过分简单抽象、动物个体感知的单一性、动物个体问信息交互方 式的单一性和动物对觅食需求的确定性等问题，从而使得动物群体觅食行为的研究 8 第一章绪论 与实际动物觅食行为存在着较大的差距。本文以微粒群模型为工具，试图建立能更 加准确反映实际动物觅食行为的模型，并对其进行仿真研究。主要的研究内容有： 第一章绪论。介绍了论文的选题及其研究意义、国内外研究现状及论文研究的 主要内容和全文的组织结构。 第二章动物觅食环境的建模。介绍了动物觅食环境，将原有模型进行了改进， 将动物的觅食环境动态化，使其更加符合客观自然，并对改进了的食物环境进行了 仿真实现。 第三章研究动物的感知和信息交互模型。本章首先介绍了动物信息交互的几种 方式，进而建立了动物在群体觅食行为中的信息交互模型。然后在d ic h i o 等人研 究的嗅觉感知模型的基础上，融合了视觉的感知。从而对觅食环境下动物对食物的 感知与动物间的信息交互模型有了相对完整的表述。 第四章基于微粒群算法建立动物群体的觅食模型。在前面章节研究的基础上， 本章首先对模型环境及主体属性进行了描述。根据动物对食物的感知方式和动物之 间信息的交互方式的不同将觅食模型分为四种，并分别基于微粒群算法进行建模与 仿真，通过对微粒觅食的集群行为、微粒觅食的时间效率及微粒适应值曲线变化三 个方面比较四种模型的优劣，从而得出了最优模型，获得了满意的结论。 第五章总结与展望。最后对论文的工作进行总结，并对今后的工作进行了展望。 9 第二章动物觅食环境的建模 第二章动物觅食环境的建模 在本章中，我们来研究动物的觅食环境，讨论在这个环境中食物是如何生长、 分布、消亡的，随后模拟出自然环境中食物的分布模型，为后续章节的研究打下基 础。 2 1 动物的觅食环境 动物的生存环境是指气候环境，栖息环境和食物环境。动物的食物环境就是本文 中所指的觅食环境。 2 2 动物觅食环境的建模 这里我们用微粒群中的微粒来代表找寻食物的动物，模拟的食物分布在一个二 维平面上，在d ic h i o 等人研究的模型中是将一定量的食物以小圆片的形式分布在这 样的二维空间中。为了表现出不同的食物分布环境，他们设计了三种食物分布的模 型：第一种，在觅食环境中分布的一个大的食物片来模拟在整个觅食环境中都均匀 分布的食物。第二种，中等大小的少量食物片覆盖在小范围的觅食环境。第三种， 许多的小食物片分布在整个觅食空间中。由此希望通过这样的三种不同食物分布模 型来表现出多样的动物觅食环境【酬，如图2 一l 所示。 x ( a ) 一个大的食物片分布在整个空间的觅食环境 基予微粒群模型的动物群体觅食行为的建模与谤真 ( b ) 中等大，l 、蛹少量食物冀分布戆觅食环境 ( c ) 大量的小食物片分布的觅食环境 图2 1静态的食物分布图例 f i g 2 1s t a t i cd i s t r i b u t i o no ff o o d 在d ic h i o 的食物模型中，食物的分布是静态、不可再生的，即每次初始化时食 物的分布地点是固定不变的；每个食物片上分配的食物量也相同；食物除非被动物 吃了否则食物是不会腐化消失的；一旦食物被吃了，它也没有再生的能力。这样的 模型显然与自然界中动物的觅食环境是不相符的，因此，我设想将动物的觅食环境 动态自然化。 2 。2 。1 食物主体 给定每个食物的属性值有：食物片的数量、食物片的位置、食物片的颜色、食 物片的半径、食物片上的食物量、食物的生存时间、食物的生长时闻及食物的能量 12 第二章动物觅食环境的建模 等。 ( 1 )食物片的数量( f o o d n u m ) ：觅食环境中分布食物片数量的多少。 ( 2 ) 食物片的位置( p o s e ( x ，y ) ) ：用来确定食物主体在环境中的位置，用其所在 位置的坐标来表示。 ( 3 )食物片的颜色( c o l o u r ) ：食物主体在环境中显示的颜色。随着食物量的变 ( 4 ) ( 5 ) ( 6 ) ( 7 ) ( 8 ) ( 9 ) 化而变化，当食物量大于m l 时呈绿色，当食物量小于m i 大于m 2 时呈黄 色，当食物量小于m 2 时呈红色。 食物片的大小( s i z e ) ：即食物片的半径。 食物片上的食物量( f o o d a m o u n t ) ：用来表示食物片上拥有的食物数量。 食物的生存时间( l i v e t i m e ) ：表示食物从生长到消亡经历的时间。 食物的生长时间( a p p t m ) ：表示食物生长出现的时刻。 食物能量( f o o d e n e r g y ) ：单位食物中包含的能量值，也是可以给微粒主 体所能提供能量的多少。 食物的存活状态( a l i v e ) ：存活状态用真和假两个状态来表示。食物存活 时a l i v e = t r u e ；否则a l i v e = f a l s e 。 ( 1 0 ) 食物编号( r i d ) ：环境中每个食物个体的唯一标识，每个食物个体都有相 对应的唯一编号。 食物对象的建立：所有食物的显示位置、食物片的半径、食物片上食物量的大 小、食物的生长时间等属性值从对应的给定的范围值中随机选取。每个食物的各个 属性的对应值使用r d f t ( i ) 来获得。 2 2 2 规则描述 食物具有如下的行为： 食物的自生行为：由于食物片的动态生成和消亡，因而每个食物在给定的生长 时间进行显示，位置是按照自身的横纵坐标，大小按照自身的半径显示，隐含属性 是自身食物量的大小。 食物的自灭行为：食物超过存活时间而未被动物吃掉则自动消失。当食物的存 活时间超过其生存时间则其食物量呈指数递减，当食物量小于m 1 时呈黄色显示当 食物量小于m 2 时变成红色，当食物量为0 则食物片消失。 食物的被动消失行为：食物被微粒所吞噬，其食物量逐步减少，随着食物量的减 少食物片的颜色变化同上，直到食物量为o 则食物消失。 1 3 基予徽粒群模型的动物群体觅食行为静建模与铸真 2 。2 。3 食物甄境的实现 本程序采用v i s u a lc + + 语言编写，通过c f o o d s i m ：i n i t p o i n t 0 来描绘每个食物片 的位置、半径、生存时间、生长时间、食物量的大小，蠢p 食物的自生行为；用 c f o o d s i m ：o n p a i n t ( ) 来实现食物片随着食物量的变化丽呈现出不同的颜色显示，即食 物的自灭过程。 v o i dc f o o d s i m ：i n i t p o i n t ( ) f o r ( i n ti = 0 ；i ) v o i dc f o o d s i m ：o n p a i n t 0 c g a m s w n d ：o n p a i n t ( ) ； c d c 拳p d c g e t d c 0 ； c p e n 枣p o l d p e n ； c b m s h 木p o l d b r u s h ； h p e nr e d p c r e a t e p e n ( p s _ s o l i d ，0 ，r g b ( 2 4 4 ，4 0 ，81 ) ) ； i p e ng r e e n p = c r e a t e p e n ( p s _ s o l i d ，0 ，r g b ( 5 1 ，2 0 8 ，9 ) ) ； h p e ny e l l o w p = c r e a t e p e n ( p s _ s o l i d ，0 ，r g b ( 2 51 ，2 3 3 ，7 0 ) ) ； c b r u s hr b r ( r g b ( 2 4 0 ，2 3 ，7 2 ) ) ； c b r u s hg b r ( r g b ( 91 ，2 5 5 ，l3 3 ) ) ； c b r u s h y b r ( r g b ( 2 51 ，2 3 3 ，7 0 ) ) ； 第二章动物觅食环境的建模 f o r ( p o s i t i o np o s = m _ _ p p o i n t l i s t g e t h e a d p o s i t i o n ( ) ：p o s ! = n u l l ；) c f o o d 牛p t = ( c f o o d 牛) m _ p p o i n t l i s t g e t n e x t ( p o s ) ； i f ( p t - i s a l i v e o ) i f ( p t f o o d a m o u n t ( ) s e l e c t o b j e c t ( & r e d p ) ； p o l d b r u s h = p d c 一 s e l e c t o b je c t ( & r b r ) ； i f ( p t - f o o d a m o u n t ( ) m1 ) p o l d p e n = f c p e n 木) p d c 一 s e l e c t o b j e c t ( & g r e e n p ) ； p o l d b r u s h = p d c - s e l e c t o b j e c t ( & g b r ) ； i f ( p t - f o o d a m o u n t ( ) f o o d a m o u n t 0 = m 2 ) p o l d p e n = ( c p e n 木) p d c - s e l e c t o b j e c t ( & y e l l o w p ) ； p o l d b r u s h = 2p d c 一 s e l e c t o b j e c t ( & y b r ) ； ) p d c 一 e l l i p s e ( p t - g e t x p o s e 0 + p t 一 g e t s i z e o ，p t - g e t y p o s e 0 + p t 一 g e t s i z e 0 ，p t - g e t x p o s e 0 - p t - g e t s i z e 0 ，p t - g e t y p o s e 0 一p t 一 g e t s i z e 0 ) ； p d c - s e l e c t o b je c t ( p o l d p e n ) ；s e l e e to l dp e n p d c - s e l e c t o