（计算机应用技术专业论文）基于群体决策的微粒群算法.pdf

一 中文摘要 微粒群算法是一种典犁的群智能算法，其基本生物学背景是模拟鸟群觅食、鱼群游 动等动物行为。然而，从决策的观点来看，微粒的进化方程可以视为个体的决策过程。 为此，本文将群体决策的思想引入微粒群算法，并给出几种提高算法性能的改进方式。 在标准微粒群算法中，微粒利用个体历史最优位置以及群体历史最优位置的相关信 息，决策出下步的期望移动位置。然而，由于在算法后期，种群多样性下降很快，算法 容易陷入局部极值点。为此本文将群体决策的思想引入算法，各个微粒的历史最优位置 进行决策，并用决策出的位置来取代进化方程中的群体历史最优位置，从而在优化前期 较好地保存了种群多样性，有效地避免了算法发生的早熟收敛。 上述改进仅仅利用个体历史最优位置，但对微粒的当前位置利用率较低。为此本文 进一步讨论了基于当前位置的群体决策方式，该想法利用适应值与当前位置的比值来设 计权重，将微粒的当前位置加权，以决策出某一预期的移动位置，并利用该位置作为一 个扰动位置，以影响各微粒的移动方式。 最后，本文从植物生长的角度对微粒群算法进行了解释。每个微粒作为独立的植株， 为了更好地生长，它们会向长势更好的个体移动，以获取更多的光照以及其他资源。为 此，本文将单目竞争指数模型引入，用来设计个体的权重，提出了基于单目竞争指数模 型的群体决策的微粒群算法。仿真实验表明该算法的有效性。 关键词：微粒群算法；群体决策；早熟收敛；单目竞争指数模型 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 sap o p u l a t i o n b a s e ds w a r mi n t e l l i g e n t a l g o r i t h mb ys i m u l a t i n gb i r df l o c k i n ga n df i s hs c h o o l i n g t h e r e f o r ei nd e c i s i o n v i e w , t h ee q u a t i o no fp a r t i c l es w a r mo p t i m i z a t i o nc o u l db ec o n s i d e r e da st h e p r o c e s so fi n d i v i d u a ld e c i s i o n ，s o i nt h i sp a p e r , w eu s et h ei d e ao fg r o u p d e c i s i o nm a k i n gt oi m p r o v et h e i rp e r f o r m a n c et h r o u g hs e v e r a lw a y s i nt h i sa l g o r i t h m ，t h ep a r t i c l eu s e st h eb e s ti n d i v i d u a lh is t o r i c a lp o s i t i o n a n dt h es w a r mh i s t o r i c a lp o s i t i o nt om a k ed e c i s i o nf o rn e x te x p e c t a t i o np o s i t i o n ， b u t p o p u l a t i o nd i v e r s i t yd r o pq u i c k l y ，t h ea l g o r i t h m i s e a s yt o f a l li n t o p r e m a t u r ec o n v e r g e n c e s ow ei m p r o v ea l g o r i t h mt h r o u g ht h e i d e ao fg r o u p d e c i s i o nm a k i n g ，i tu s et h eb e s ti n d i v i d u a lh i s t o r i c a lp o s i t i o n f o rm a k i n g d e c i s i o nt or e c e i v ean e wp o s i t i o na n dr e p l a c et h eb e s ts w a r mh i s t o r i c a lp o s i t i o n s oi ne a r l ys t a g e ，t h ea l g o r i t h mh a sl a r g ep o p u l a t i o nd i v e r s i t y ，w h i c hc a u s e t h e ma v o i d p r e m a t u r ec o n v e r g e n c e t h ei m p r o v e m e n ti nl a s tc h a p t e rm e r e l yu s et h eb e s ti n d i v i d u a lh i s t o r i c a l p o s i t i o n ，b u ti tr a r e l yu s e si n d i v i d u a lc u r r e n tp o s i t i o n ，s oi nt h i sp a p e rw ef u r t h e r d i s c u s st h ew a yo fan e wg r o u pd e c i s i o n m a k i n gb a s e do nc u r r e n tp o s i t i o n ， w h i c ht a k et h ei n d i v i d u a lp o s i t i o nl i n e rw e i g h t e d ，t h e nan e wd e c i d i n gp o s i t i o n t a k e sa sad i s t u r b a n c ep o s i t i o nf o ri n f l u e n c i n gt h ew a yo fi n d i v i d u a ld i r e c t i o n 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 co p t i m i z a t i o na l g o r i t h m i m i t a t i n ga n i m a lb e h a v i o rw h i c hw a sp r o p o s e db yt h e m ，al a r g e n u m b e ro f a c a d e m i c sq u o t e dt h e m ，b e c a u s eo fi t sp o p u l a rc h a r a c t e r s ，s u c ha st h eh i g h s p e e do fs e a r c h i n ga n dt h es i m p l es t r u c t u r e ，w h i c hi sa p p l i e dt oe v e r ya s p e c to f s o c i e t y ，b e c a u s et h ea l g o r i t h mf a l li n t op r e m a t u r ec o n v e r g e n c e ，s ow e u s ea n y w a yt oi m p r o v et h ep e r f o r m a n c ef r o ma n ya s p e c t t h i sp a p e rw e u s et h ei d e ao f g r o u pd e c i s i o nm a k i n gt oi m p r o v e t h e i rp e r f o r m a n c e i nt h ee n d t h i sp a p e re x p l a i n st h ea l g o r i t h mf r o mt h eg r o w t hv i e wo fp l a n t ， e v e r yp a r t i c l et a k e sa sap l a n t ，i no r d e rt og r o wb e t t e r ，t h e yw i l lm o v e t ot h eb e s t i n d i v i d u a lt og e tm o r el i g h t ，a n do t h e rr e s o u r c e s t h i sp a p e rw i l li n t r o d u c ea s i n g l em o n o c u l a rc o m p e t i t i o ni n d e xt od e s i g nt h ew e i g h to fi n d i v i d u a l ，i t p r o p o s et h eg r o u pd e c is i o n m a k i n ga l g o r i t h mb a s e d o n s i n g l em o n o c u l a r c o m p e t i t i o ni n d e xm o d e l ，s i m u l a t i o nr e s u l t ss h o wt h a ti ti se f f e c t i v e k e y w o r d s ：p a r t i c l es w a r mo p t i m i z a t i o n ；g r o u pd e c i s i o n m a k i n g ；p r e m a t u r e c o n v e r g e n c e ；s i n g l em o n o c u l a rc o m p e t i t i o ni n d e xm o d e l i v 1 3 2 微粒群算法与人工社会和群体决策7 1 3 3 标准微粒群算法8 1 3 4 标准算法流程8 1 3 5 微粒群算法的研究背景和现状8 1 4 本文主要完成的工作1 1 第二章基于群体决策的微粒群算法1 3 2 1 群体决策的生物学背景1 3 2 2 群体决策的依据1 3 2 2 1 决策过程1 3 2 2 2 决策结果1 4 2 3 算法步骤1 4 2 4 算法流程1 5 2 5 仿真试验1 5 2 5 1 参数设置1 5 2 5 2 基准函数问题1 5 2 5 3 对比试验1 7 2 6 结论2 5 第三章基于群体决策的随机附加项的微粒群算法2 7 3 1 基于群体决策的微粒群算法分析2 7 3 2 基于群体决策的随机附加项算法的提出2 7 v 3 2 1 决策依据2 7 3 2 2 决策过程及结果2 8 3 3 具体步骤2 9 3 4 算法流程2 9 3 5 性能测试与结果讨论3 0 3 5 1 参数设置3 0 3 5 2 样本函数选择3 0 3 5 3 对比试验3 1 3 6 结论3 8 第四章基于单木竞争指数模型的群体决策微粒群算法3 9 4 1h e g y i 单木竞争指数模型3 9 4 2 对基于群体决策随机附加的微粒群算法的研究3 9 4 3 基于单木竞争指数模型的群体决策算法的提出3 9 4 3 1 决策依据以及决策目标4 0 4 3 2 决策过程4 0 4 3 3 决策结果4 0 4 4 具体步骤4 1 4 5 算法流程4 1 4 6 性能测试与结果讨论4 2 4 6 1 参数设置4 2 4 6 2 样本函数选择4 2 4 6 3 对比试验4 3 4 7 结论4 9 第五章总结与展望5 l 参考文献5 3 研究生期间发表的论文5 7 致谢5 9 个人简介及联系方式6 1 v i 第一章绪论 第一章绪论 1 1 人工社会 人工社会作为一种概念【1 ，2 1 ，最早作为a g e n t 的一种模糊的概念出现，是一种新的 基于a g e n t 仿真，但它并不能说明人工社会种种问题。人工社会仿真社会现象，这些现 象能被社会所产生的信息所定义，例如一个很大规模的部落的社会现象可以被很多种方 式记录，例如文档、目击的报道、手写记录等等。去模拟这样一种现象构建一个流程以 及模拟的数据的相关方式来表示这种现象，进而去分析社会的基本规律。 人工社会模拟社会现象是基于a g e n t 模型的，在这些模型中，一些聚集状态的系统 被是由个体a g e n t 所决定的，每个a g e n t 可以代表人、公司或者一个国家等等。它可以 拥有一些属性或者一些行为规则。这些a g e n t 都是异构的，因为这些模型都能说明每个 a g e n t 都有不同的属性。这些a g e n t 都是自治的，因为他们的交互都是由他们的规则所 决定的。a g e n t 影响环境是通过它们的行动依次轮流通过它们同伴所创造。仿真模拟一 个目标通过模仿个体a g e n t 的行为对一些输入信息的反应。 通过掌握个体a g e n t 的所有属性规则来模拟生物的进化、战争以及市场行情的变 化。最后通过观察这群a g e n t 整体作用的涌现属性找到人工社会的规律，并用这些规律 解释现实人类社会中出现的宏观现象。 a g e n t 是一个具有自适应性和智能性的软件实体，它不仅能代表用户还能代表程序， 以主动服务的方式完成一项特定的工作。a g e n t 应具有以下几方面的重要属性：自主 性：a g e n t 具有根据其自身的计算资源来进行自身行为控制的机能，能在无外界直接干 扰的情况下，根据其内部自身状态和感知到的外部信息状态，来对自身的行为进行决定 和控制。交互性：每个a g e n t 能与其他个体进行多种方式的信息交互，这样能有效地 与其他a g e n t 协同工作。反应性：每个a g e n t 能感知外部的环境的变化信息，并能对 相关事件做出一定地反应。主动性：能遵循规则并采取主动行动，表现出面向目标的 行为。推理能力：每个a g e n t 具有相互学习以及经验交流并进行相关的推理和计算的 能力。 多a g e n t 系统( m a s ) 由多个自主或半自主的智能体构成的，每个a g e n t 通过履行 自己的职责，或者通过其他a g e n t 通信得到信息来协作完成对相应问题的求解。与单个 a g e n t 相比，m a s 有如下特点：社会性：a g e n t 处于山多个a g e n t 组成的社会环境中， 通过某种语言或者规则与其他a g e n t 进行各种各样的交互，从而实现与其他a g e n t 在重 要行动的合作、协同、协商、竞争等。自制性：在该系统中，当一个a g e n t 发出请求 基丁群体；火策的微粒群算法 后，其他a g e n t 只有同时拥有此种服务的能力，才能接受该动作委托，这样一个a g e n t 不能强制另一个a g e n t 提供它本身所不能具备某种服务的能力。协作性：在多a g e n t 系统中，具有不同目标的各个a g e n t 对它们所术完成问题进行相互协作、协同、协商来 求解问题。 人工社会是一门集成了计算机科学、社会科学、系统科学、计算机模拟技术、多 a g e n t 系统技术、人工智能技术等等领域的混合学科。同时人工社会基于a g e n t 的 社会学仿真又不只是- l j 专门搞技术的学科，它形成了另一条认识社会、理解社会的一 种新的途径。自然科学主要是强调科学实验，然后得出结论然而在社会科学中，实验方 法几乎不可能得到。现在通过基于a g e n t 方法的社会学仿真，人们可以通过研究现实社 会模拟在计算机中的智能体，这样可以方便的修改人工社会所遵循的规则以及属性，进 行各种各样的社会学实验【3 1 。因此也有人说人工社会就是研究各种各样可能的社会【4 】。 基于a g e n t 的建模和模拟，是目前研究人工社会的主流方法，主要是依赖e p s t e i n 和 a x t e l l 的结果【川，通过利用代理方法来研究人工社会问题和现象提供了一种新的研究思 想和方法。人工社会的代理方法主要由三部分组成，即代理、环境和规则。代理即人工 社会中的“人”，具有自己特有的内部状态、行为规则，随着时间、其他外部环境的变 化而变化。环境或空间是代理生存的地方，是它们展示自己的平台，可以是现实中的物理 环境，也可以是虚拟的计算机过程，一般表示为存有代理食物的场所而产生的网格。最 后是规则，规则是代理、场所本身、代理之间、场所之间、代理与场所之间所共同遵守 的准则或者章程，从最基本最简单的代理移动规则，到比较复杂的文化、战争和贸易规 则。利用面向对象的方法和技术，将代理、环境和规则可以模拟成为抽象对象来处理， 然后进行模拟实验，从中进行分析，得出一些社会结论。 1 2 群体决策 在人工社会，每个智能体都有通过自己的信息进行自身行为的控制和决策，都有与 外界环境进行交互的能力，同时又能感知外界信息的能力，通过这些来协同工作完成 项工作，这就是群体决策的基本思想，综合研讨的过程也就是群体决策的过程。下面来 介绍群体决策的内容。 1 2 1 群体决策的定义 对群体决策的研刭6 | ，较早的文献町以追溯到法因数学家b o r d a 于1 7 8 4 年发表的 关于选择选举制的论文以及c o n d o r c e t 于1 8 7 5 年发表的陪审团定理( c o n d o r c e t j u r y t h e o r e m ) 1 7 】，但群体决策( g r o u pd e c i s i o nm a k i n g ) 作为一个明确的概念则是在1 9 4 8 年由 b l a c k d 首次提出。 2 第一章绪论 群体决剩8 , 9 1 是人们为实现一定目标而制订行动方案、并准备实施的活动，也是一 个提出问题分析、解决问题的过程。可以集合不同专家的知谚 经验和信息，借助众人的 智慧弥补个人才智和经验的不足。 群体决策包括决策者、决策依据、决策目标、决策方案四个基本要素。 1 2 2 群体决策的过程与方法 ( 一) 群体决策的过程 在群体决策的过程中【1 0 】，群体成员面对所要决定的问题以及各种可能选择的解决办 法，需要做出分析、比较、选择。群体决策包括三个方面：成员参与决策的程度：群体 决策的内容；群体决策的范围。这三个方面决定了群体决策的水平和质量。管理心理学 研究提出，群体决策的过程大致可以分为三个阶段： 1 问题诊断阶段 群体在此阶段确认问题的性质、问题的情景和问题产生的原因，提出解决问题的标 准。 2 备择方案阶段 群体成员提出各种可能采用的解决方案以及实施措施。 3 选择决策阶段 通过群体讨论、分析、比较，可以做出对不同备择方案的评价意见，决定获得最佳 效果的解决办法的最佳方案。 在群体活动中，有时候需要进行个体决策，而大部分时候要进行群体决策。与个体 决策相比，群体决策有其利弊之处。我们可以从解决问题的效率、准确性、创造性以及 解决问题的效率等方面进行比较。 ( 二) 群体决策的方法 实际决策中常常不是那么规范和理性的，受到社会因素以及其他因素的影响。因此， 群体决策过程与群体各个成员的价值观念、思想、态度、愿望以及群体规范等有关系。 以下是群体决策的六种方法。 1 无反应决策法 群体在决策过程中提出多种建议，却不做任何评论。在最终采纳一种方案时，不加 评价就放弃了其他建 义。 2 权威决策法 通常由群体领导为群体迅速做出的选择和决策，决策效果取决于决策者所j 爿j 有的知 识能力以及水平和群体其他成员对决策的认可程度。 3 基丁群体决策的微粒群算法 3 少数人决策法 群体中少数人控制决策过程，然后通过征求其他人的意见，得出最终方案。 4 多数人决策法 通过群体中多数人的投票或者讨论的方式来做出选择和决策。 5 共同意见决策法 在群体决策中，力图取得多数人的共同意见，然后得到其他人的支持。对于重要的 问题，共同意见决策法可以提高决策的有效性以及可接受性。 6 一致意见决策法 这是指群体所有成员必须完全同意所要选择的预备方案和计划。在群体决策时，这 种状态往往成为空想不能实现，因而群体会转向多数人决策或共同意见决策法来解决问 题。 1 2 3 群体决策的优点与缺点 ( 一) 群体决策的优点 1 更丰富的信息 群体决策条件下可以比个体决策获得更多的信息和更充分的运用知识来解决问题。 尤其是多样性比较高的群体中，将会在群体决策时有更多的信息来处理问题，这样的决 策的力是比较全面的。群体成员参与决策，加强了多种方面多渠道信息的交流。群体成 员还可以通过沟通，更好地了解决策过程所决定的内容以及任务的要求，有利于提高随 后的工作效率。 2 更多的备择方案 在群体决策中，往往产生很多方案，这样可以做出更多选择，提高决策的准确性， 避免由于个人视野而影响最优方案的选择，造成决策失误。 3 更高的接受度 由于群体成员的参与，群体决策的结果更易受到所有成员的接受，群体成员更愿意 承担他们所决定的任务，然后去执行，这样增加了成员的相互了解和信任，利用适当的 群体压力制定力所能及的目标去实现。 4 更高的合法度 我们现民主决策被认为更具合法性。比如一位管理者在决策时在不征求其他人的意 见，单独决策，很可能被认为是滥用职权。 ( 二) 群体决策的缺点 1 花费太多时间 4 第一章绪论 在多数情况下，群体决策效率要比个体决策效率低。组织一个群体需要时间，群体 成员的相互作用往往导致决策的效率下降。因此群体决策和个体决策相比，需要花费更 多的时问，这样做出的决策，效率会大大降低。 2 群体压力的影响 群体中存在社会压力。群体成员希望被群体接受和重视的愿望，这样会导致成员不 愿过多地表达自己的意见，而受到其他成员的漠视，使得出现从众现象，群体成员在决 策时都追求观点和意见的统一化。 3 个别或少数人处于支配地位 在一些群体决策中，个别或者少数人参与决策由于受其地位或者权势的影响，实际 控制着决策的方向，使得群体决策由几个人控制。 4 责任不清 在群体决策的情况下，决策成员对决策结果共同承担责任，很难对一个人追究具体 的责任，但对个人决策而言，责任是非常明确的，但对于群体决策，任何一个成员的参 与决定都会使责任的降低。 上述缺点是影响群体决策的效果的主要因素。不过一般来说，群体决策的失误经常 要比个人决策失误低，所以说群体决策比个体决策更有效率。 1 2 4 群体决策中的两种现象 在实际的群体决策的情景中，由于受各种因素的干扰和制约，群体决策往往存在两 种潜在的现象，即“群体思维”和“群体偏移”。这两种潜在的现象影响着群体决策的 质量。 ( 一) 群体思维 群体思维最早由心理学詹尼斯( i r v i n gl j a n i s ) 命名。詹尼斯考察了美国历史上一 些重大失误的群体决策事件，提出在群体决策中存在的群体思维现象，这是指群体决策 时，一些群体热衷倾向于保持表面一致的意见的议案阻碍不同意见的发表，使得群体丧 失对少数提出的以及不受欢迎的观点进行评判，进而在群体压力的作用下，对一些事实 或者道德的判断出现误差，进一步导致决策失误。 ( 二) 群体偏移 群体偏移也叫极端性转移或群体极化，这是指群体决策比个体决策时更容易出现冒 险倾向或极端倾向，还有可能趋向于保守。这种情况下主要是由于群体决策中责任分散 造成的，斯通纳的研究证明，造成极端性转移现象是由于群体成员的| u j 题都有比较一致 的意见。群体决策一丌始就倾向于冒险决策或保守，取决于群体成员多数人的偏好，如 气 基丁群体决策的微粒群算法 果多数人一丌始就偏向于冒险或保守这样的方式，则群体决策就越容易向冒险或保守转 移。因此，群体决策起到了强化最初群体偏向和使之成为舰范的作用，其中包含了社会 规范影响和信息影响两种成分。社会规范影响是指群体决策初期多数人意见形成的思想 规范，在随后的决策中得到进一步的体现，由于群体成员不愿意偏离规范，而发生极端 性转移。信息影响是指群体讨论过程中各个成员提供的极端化、激进的信息，会加速群 体向极端的一面发展，最终导致一致意见转移，这种现象在许多任务决策中更容易出现。 在群体决策中需要注意预防和矫正极端性转移倾向，提高决策的质量。 1 2 5 群体决策技术 ( 一) 头脑风暴法 头脑风暴法是一种比较著名的群体决策或创新的技术。这种方法对促进群体的创造 力是很有作用的。在典型的头脑风暴决策中，通常有6 至1 2 人坐在一起，组织者用清 楚明了的方式把要解决的问题告诉大家，然后在给定的时间内，每个参与者，可以自由 发言，可以抛出一个或者几个想法，参与者所激发的不只是自己的想象力，而是所有参 加者的想象力。并且，个人因在群体中获得一定的地位就会同别人竞争，因此更具有动 力，想出更多更好的点子。此外，群体决策并不排除任何一种想法，这使所有参与者都 受到鼓励，从而提出更多的观点。 ( 二) 名义群体法 名义群体法指在群体过程中对群体成员讨论或人际沟通加以一定的限制，从字面上 看，就是群体在一定意义上只是名义上存在。 名义群体法的优点是在于所有参与决策的人都享有均等的机会，讨论不受任何个人 的左右，过程所耗时间受到严格控制。这种方法的缺陷在于程序较为固定，成员感受不 到群体的凝聚力，难以从别人那罩充分获得灵感，难以形成有效地建议。 ( 三) 德尔菲法 德尔菲法和名义群体法一样，能够保证每一个人不受他人的不利影响。此外由于决 策成员不需要见面，决策组织者可以使身处不同地点的人参与决策。跨国公司可以用这 种方法让各地分公司的经理人出谋划策，一起决定公司的运营计划。 德尔菲法法的不足之处在于：第一，它需要较长的决策时问，因而在需要做出迅速 决策的情境下，这种方法不适用；第二，这种方法难以提出丰富的解决问题的方案；第 三，这种方法难以出现由于群体成员间由于高涨的热情而产生比较有开创意义的决策。 ( 四) 电子会议决策法 电子会议室随着电脑技术的发展而产生的一种新的决策方法，或者况是电脑辅助下 6 第一章绪论 的群体决策。在一个典型的电子会议上，参与决策者围坐在会议桌旁，每人面前都有一 台电脑终端。要解决的问题通过大屏幕呈现给参与者，并要求他们把各自的意见输入电 脑，然后在投影屏幕上显示，让所有人都能看到，他们每个人都能根据别人的想法不断 修改或改善自己的方案，从而逐渐形成一致意见。 、 电子会议的主要优势是：匿名、可靠、迅速。参与者可以充分地把自己的真实态度 表达出来，而不用担心受到处罚。会议没有偏离主题的闲聊，因而决策较为迅速。专家 经调查发现，电子会议决策通常比传统的面对面的口头讨论会议快。 1 3 微粒群算法 1 3 1 微粒群算法简介 微粒群算法【11 , 1 2 1 最早是在19 9 5 年由美国社会心理学家j a m e sk e n n e d y 和电气工程 师r u s s e l le b e r h a r t 共同提出的，其基本思想是受他们早期对许多鸟类的群体行为进行 建模与仿真研究结果的启发。而他们的模型及仿真算法来源于生物学家f r a n kh e p p n e r 的模型。 f r a n kh e p p n e r 1 3 1 的鸟类模型在反映群体行为方面与其它类模型有很多类似的地 方，不同的地方在于：鸟类被吸引飞向栖息地。在仿真中，一丌始每一只鸟均无特定目 标进行飞行，直到有一只鸟飞到栖息地，当设置期望栖息比期望留在鸟群中具有较大的 适应值时，每一只鸟都将离开群体而飞向栖息地，随后就自然地形成了鸟群。 他们在研究人类的决策中，发现人们决策使用两类信息，一类是自身的信息，一类 是其他人的信息，也就是说人类通过自身信息和外界其他信息进行自己的决策，这是微 粒群算法的另一种基本概念。通过这些我们可以看出微粒群算法也可以模拟人类的基本 决策行为。 1 3 2 微粒群算法与人工社会和群体决策 微粒群算法是一种模拟动物行为的智能算法，同时它又可以模拟人类社会的决策。 由于其微粒具有简单的智能，和人工社会的智能体很相似，但不具有感知外部环境、协 同：l 作的能力，由此引入了人工社会的思想，增强了微粒的智能性。人工社会通过将个 人作为一个智能体，具有协调、白适应、自学习的功能，通过计算机仿真来模拟人工社 会的种种现象，进而探索人类社会的基本规律。由于微粒群算法本身是利用决策的思想 进行搜索，但是没有充分利用微粒的信息，而我们群体决策f 好可以充分利用这些信息 进行决策，从而提高了决策的效率，而人工社会通过智能体来完成一项问题的求解，本 身是一种群体决策的过程。这样我们利用三者的共同的优点来协调改进微粒群算法。所 以在本文中，我们把每个微粒作为一个a g e n t ，使其具有学习以及群体决策的能力。通 7 基于群体决策的微粒群算法 过结合群体决策的思想，利用人工社会的方法来改进微粒群算法。 1 3 3 标准微粒群算法 p s o 算法作为一种仿生演化算法，是基于群体的，将每个个体看作是在n 维搜索空 间中的一个没有质量和体积的微粒，并且在搜索空问以变动的速度飞行，该飞行速度根 据个体的飞行经验和群体的飞行经验进行动态调整。设有m 个微粒，誓= ( 五。，誓：，x i n ) 为微粒f 的当前位置，v ，= ( v 。，e ：，) 为其当前速度，只= ( b 。，p j ：，) 为其经历 的最优位置，即微粒f 所经历的具有最好适应值的位置。对于最小化问题而言，目标函 数值越小，其对应的适应值越好，即对应的位置越优。p 譬= ( p g l ，p 9 2 ，p 印) 为群体所 经历的当前最优位置，称为全局最优位置。 标准微粒群算法的进化方程为： v , j ( t + 1 ) 2w v , j ( t ) + q r l ( p o ( t ) 一勃o ) ) + 乞( o ) 一o ) ) ( 1 1 ) x , j ( t + 1 ) 2 x i ( t ) + v ，( ，+ 1 ) ( 1 2 ) 其中：下标表示微粒的第j 维，f 表示微粒f ，f 表示第f 代，q 、c 2 为自信参数，q 表示自身认知系数，乞表示社会学习能力，通常在0 2 间取值，、眨是 o ，l 】之间的随 机数p ，和p 。，w 是惯性权重一般取值在0 到1 之间，用来控制历史速度对当前速度的影响 程度。将限定在v m 舣一定范围内，即【一v m 。，。】。 1 3 4 标准算法流程 基本微粒群算法的流程如下： s t e p l ，依照初始化过程，对微粒群的随机位置和速度进行初始设定； 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，将其适应值与所经历过的最好位置p 的适应值进行比较， 若较好，则将其作为当前的最好位置； s t e p 4 ，对每个微粒，将其适应值与全局所经历的最好位置p 。的适应值进行比较， 若较好，则将其作为当前的全局最好位置； s t e p 5 ，根据方程( 1 ) ，( 2 ) 对微粒的速度和位置进行进化； s t e p 6 ，如未达到结束条件通常为足够好的适应值或达到一个顸设最大代数( g m a x ) ， 则返回s t e p 2 。 1 3 5 微粒群算法的研究背景和现状 为了改善基本p s o 算法的收敛性能，y s h i 与r c e b e r h a r t 1 4 1 在1 9 9 8 年引入 惯性权重作为影响算法收敛的因子，该随机数取值从0 9 线性递减到o 4 ，从试验仿真 结果可以证明，大的惯性权重有利于进行全局搜索，而小的惯性权重有利于局部搜索。 r 第一章绪论 而惯性权重等于l 的时候，我们把这个新改进的方程称作为标准微粒群算法( s t a n d a r d p s o ，s p s o ) 。 微粒群算法当中，普遍认为种群多样性是算法早熟收敛的个很重要的因素。k r i n k t 【5 1 提出通过解决微粒之间的聚集和冲突，k a z e m ib a l f m 】分析微粒与最优个体之间的距 离，h ux h ，e b e r h a r tr c 1 7 】提出种群随机初始化多代的思想等来提高种群多样性。还有 一些人提出通过变异策略来控制多样性，x i ex f f l 8 1 通过对速度引入了一个随机变异操 作，h i g a s h i n 19 1 ，k e n n e d yj 【2 0 1 ，z h a n gw j l 2 1 】引入了不同均值方差和高斯变异操作， 来增强算法的多样性。l o v b j e r gm 2 2 1 提出了一种自组织临界点控制，通过设定每个微粒 增加了临界值，以控制种群多样性的目的。r a t n a w e e r aa 2 3 在自组织的基础上，提出了 变异随时间变化的自适应微粒群算法。 通过在基本的p s o 中引入混合算法的概念，增强其收敛性和寻求最优解的能力。李 金l j 2 4 】等人为了解决背包问题，提出求解该问题的混合遗传微粒群算法。贺文阳【2 5 】通过 对r b f 神经网络的拓扑结构的优化，提出了混合微粒群学习算法。苗成1 2 6 j 提出基于 h o o k j e v e e s e 搜索法和改进的微粒群算法的混合算法，h o o k e j e e v e s 搜索法和惯性 权重线性调整的局部收缩的微粒群算法的混合算法。刘国志【27 j 提出利用p o w e l l 搜索法 来调整局部收缩微粒群算法的混合算法，该算法易于计算，不进行梯度计算。黄冀卓【2 8 j 提出结合梯度法的混合微粒群优化算法，所有微粒结合梯度进行寻优，找到优秀个体来 替代当前个体进行进化。陈烨 2 9 】等人提出用于求解机组组合优化问题的蚁群粒子群混合 优化算法。 近几年来，有些学者是通过生物学原理、社会行为方面以及心理方面来提出的改进 的微粒群算法。比如吕艳萍【3 0 】提出自适应扩散混合变异机制微粒群算法，结合生物群体 扩散的习性，设计考虑微粒分布的函数，自适应调整微粒社会认知能力。 赫然【3 l j 提出 一种逃逸的微粒群算法，利用生物生存环境过大，生物通过迁移行动，逃逸来解决陷入 局部最优的问题。现在主要是通过利用文化进化算法来改进微粒群算法，利用人类文化 的进化模拟，通过上代进化种群中的微粒，来获取搜索最优解的知识，并指导以后的搜 索活动。文化算法就是利用上层文化的经验知识来指导下层的搜索过程。为了平衡微粒 群算法的精度和效率，王奕首【3 2 】提出了文化粒子群算法，通过将文化机制引入微粒群算 法，在上层空| 日j 知识的促进引导下，增加了种群多样性，从而有效避免早熟收敛。比如 罗强【3 3 】提出来基于模糊文化算法的自适应粒子群优化，利用模糊规则来表示个体在进化 过程中所得到的经验，然后形成群体文化来共享，然后指导各个微粒的进化。为了改进 微粒群算法在处理大规模问题求解的性能，马慧刚3 4 】提出了基于文化进化的并行粒子群 9 基丁群体决策的微粒群算法 算法，在本文中，该算法有多个群体空间，各群体空间单独对空问中的粒子的进行适应 值的计算，然后产生群体空间的区域最佳微粒，然后根据算法方程进行进化。王晟【”j 提出了个体激励的粒子群算法，通过社会行为学、心理学对微粒群算法进行改进，增强 微粒的智能性。 利用文化粒子群算法该求解各种优化方面的问题，高丽丽【3 6 1 提出文化粒子群算法改 进约束优化的问题，采用高斯以及柯西分布作为群体空问，利用最优个体的信息，提高 算法的进化速度。卢有麟【37 】提出混沌文化粒子群算法来解决现实社会洪灾评估方法，该 算法不仅有效避免早熟收敛，同时还提出了一种新的预报灾害方法。 微粒群算法的应用已经深入到各个方面，比如在神经元网络训练、图像处理、模糊 系统控制、调度优化以及其他方面已经有广泛的应用。j ef i e l d s e n d 3 8 】中利用p s o 解决 多目标优化问题时，分析了种群最优解、当代最优解、个体最优解对算法特性的影响， 并通过对惯性权重来实现其动态调整得到最好的效果。李崇浩【3 9 1 提出通过改进微粒群算 法然后在水库调度优化中的应用，贾传峻【4 0 j 利用调整的微粒群算法对列车运行调度的研 究。汪新星【4 l 】利用改进微粒群算法来对水火电力系统短期发电计划优化，并应用于求解 最优分配问题水火电力系统的短期有功负荷。程赐胜【4 2 】以道路货物运输为研究对象， 采用多频次调度方法对随机需求的道路货运调度问题进行研究，给出了基于随机需求的 多频次调度模型及求解模型的微粒群算法。王国利【4 3 】提出了基于p s o 算法的洪水优化 调度模型，针对传统的洪水调度方案存在的缺陷，进行了改进。 神经元网络训练方面，e n g e l b r e c h t 等【删利用p s o 来训练神经元网络；王俊年【4 5 1 根 据基本微粒群算法的特点，应用该算法进行径向基神经网络训练，使网络的泛化能力得 到增强。赵辉【4 6 】为提高神经网络的泛化能力，以均方误差为适应度的p s o 算法在训练 神经网络时会产生一定的过拟合问题，提出对均方误差和误差分布均匀度进行信息融 合，构成复合适应度作为训练指标。都延丽1 47 】提出一种改进协同微粒群算法，应用该模 型建立一类非线性对象的神经网络辨识模型，并对系统的模糊神经网络自适应控制器的 参数进行了离线和在线优化。 在图像处理方面，王亚伟1 4 引，针对任意形体微粒特征概率分布函数，提出了一种由 微粒群光学显微图像进行一体性数值处理求得微粒群形体分布函数的方法。根据光学测 量的要求，白杨【4 9 】将微粒群算法用于人脸图像的识别中，为人脸识别问题的研究开辟了 新的途径。董建明1 5 0 j 针对大多数图像分割方法计算量大，不利于分割，提出用微粒群算 法( p s o ) 优化最小误差分割方法。 l o 第一章绪论 1 4 本文主要完成的工作 在人工社会的模型中，每个个体a g e n t 一般都能够独立进行决策，并具有一定的适 应和学习的功能。本文将人工社会的方法和群体决策的思想引入微粒群算法，提出基于 群体决策的微粒群算法，即把微粒群中的每个微粒看成一个具有学习、决策行为的智能 体( a g e n t ) ，充分利用个体的智能行为来改进微粒群算法的寻优方式，并通过群体的决 策，来找到问题的最优解。本文的研究内容有： 第二章简要描述微粒群算法的缺陷，将每个微粒作为一个智能体，由于没有充分利 用微粒的信息，我们提出引进群体决策的思想，并运用群体决策的方法，如何去解决微 粒群算法的缺陷，使算法得到最好解，并通过仿真试验去验证算法的可行性。 第三章是第二章的延伸，还是基于群体决策，利用类斜率的概念，通过适应值与距 离的比值作为微粒赋权的依据，得出比值的大小。然后将得出的新的位置作为第四项随 机附加，然后通过仿真试验，表明该算法解决高维函数，具有很好地性能。 第四章是对第三章的更进一步地延伸，利用生物学单木竞争指数模型，标准微粒群 算法衡量微粒好坏的适应值，我们引入该模型，使每个微粒根据他的竞争指数进行赋权， 整个算法显得更加符合现实背景，仿真实验结果表明该算法对优化单峰还有多峰函数具 有良好的性能。 ： 第五章在总结论文工作的基础上，对后续工作的展丌提出了描述。 第二章基丁群体决策的微粒群算法 第二章基于群体决策的微粒群算法 2 1 群体决策的生物学背景 由于b o y d 和r i c h a r d s o n 在研究人类的决策中，提出了个体学习和文化共享的概念， 人们在决策过程中使用两类信息，一类是个体自身的信息，另一类足其他个体的信息， 也就是说人们在决策的过程当中，利用自己的信息和其他个体的信息进行决策，这也很 类似我们群体决策的概念，每个微粒通过自身最好位置和群体历史最优位置来进行寻 优，由于每个个体利用的信息太少，没有充分利用其他个体的经验，这样导致信息的利 用率降低，所以容易导致陷入局部最优。而群体决策正好是集众人之所长的过程，充分 利用各个微粒的经验，然后做出正确的决策，从而避免尽快陷入早熟收敛。这是我们引 入群体决策的主要