计算智能的算法比较

1、计算智能各种算法比较算法名称遗传算法遗传规划进化策略进化规划部件0/1字符串表示染色体长度大小可变的程序树表示染色 体米用传统的十进制实数表达问题米用传统的十进制实数表达问题知识获取染色体字符串染色体字符串十进制实数标记个体十进制实数标记个体推理方法并行计算/导向随机搜索并行计算/导向随机搜索并行计算/导向随机搜索并行计算/导向随机搜索泛化能力一般模式检测一般模式检测一般模式检测一般模式检测适应能力重组算子和适应度的修改重组算子和适应度的修改重组算子和适应度的修改突变产生的随机概率鲁棒性GA的择优机制是一种软决策，加 上其良好的并行性和全局搜索性，使得GA具有十分顽强的稳健性是否能够收敛到全局

2、最优解（或 满意解）与初始群体的质量、参 数选取、遗传操作及适应值的测 试方式等有很大关系每一维的常数的标准偏差（平均 步长）使收敛最优值的速度变慢； 点对点搜索的不稳定性可能造成 停止于局部最小值。EP具有隐含并行性，不但使EP 再次提高了搜索效率，而且易于 采用并行机作并行高速运算，进 化容易出现过早收敛，陷入局部 极值点，即早熟现象。学习能力调整群体的大小和使用遗传操作 的概率等调整群体的大小和使用遗传操作 的概率等调整群体的大小和使用遗传操作 的概率等采用概率作为工具应用场合优化（函数优化、可靠性优化、组 合优化、多目标优化）、机器学习、 程序设计、自动控制、机器人智能 控制、人工生命

3、图论中的欧拉图问题、电子线路 设计、预测和分类、信息检索、 进化硬件、人工智能，机器学习， 控制技术数值优化问题、神经网络的训练 与设计、系统识别、机器人控制 和机器学习数据诊断，模式识别，控制系统 的设计，并行多机调度，树型网 络设计，无线电通信系统，电力 系统基本流程（1）确定个体的字符串的组成及 长度。（2）随机建立初始群体。（3）计算各个体的适应度。（4）根据遗传概率，用下述操作 产生新群体：（1）确定个体的表达方式，包括函数集F及终止符集T。（2）随机产生初始个体。（3）计算各个体的适应度。（4）根据遗传函数，用下述操作（1）确定问题的表达方式。（2）随机生成初始群体，并计算 其适应

4、度。（3）根据进化策略，用下述操作 产生新群体：（1）重组。将两个父代个体变换1）确定问题的表达方式。（2）随机产生初始群体，并计算 其适应度。（3）用下述操作产生新群体：1）突变。对旧个体添加随 机量，产生新个体；1）复制。将已有的优良个体复制 后添入新群体中，删除劣质个体。2）交换。将选出的两个个体进行 交换，所产生的新个体进入新群 体。3）突变。随机地改变某个体的某 一字符后，将新个体添入新群体。（5）反复执行（3）及（4），直至 达到终止条件，选择最佳个体作为 遗传算法的结果。产生新个体：（1）复制。将已有的优良个体复 制，加入新群体中，并相应删除 劣质个体。（2）交换。将选出的两个个

5、体进 行交换，所产生的两个新个体插 入新群体中。（3）突变。随机改变个体某一部 分，将新个体插入新群体中。（5）反复执行（3）及（4），直 至取得满意结果。目标变量和随机因子，产生新个 体。（2）突变。对重组后的个体添加 随机量，产生新个体。（3）计算新个体适应度。（4）选择。根据选择策略，挑选 优良个体组成下一代群体。（4）反复执行（3），直至达到终 止条件，选择最佳个体作为进化 策略的结果。2）计算新个体适应度；3）选择。挑选优良个体组 成新群体。（4）反复执行（3），直至满足终 止条件，选择最佳个体作为进化 规划的最优解。算法名称粒子群算法人工鱼群算法蚁群算法人口迁移算法部件向量表示粒子

6、的位置和速度向量表示人工鱼的个体状态信息素强度值和概率函数人口规模，人口流动次数，收缩 系数，人口压力参数，迭代次数知识获取通过迭代找到最优解构造人工鱼来模仿鱼群行为实现寻优构造人工蚁，根据最终信息素浓 度来决定最优路径的选择通过迭代找到最优解推理方法并行计算/导向随机搜索泛化能力一般模式检测适应能力初始化粒子的速度和位置构造人工蚁和初始化信息素，先 验值初始化人口规模，人口流动次数和迭代次数鲁棒性有实现容易、可调参数少，收敛速 度快，易陷入局部最优，易发生过 早收敛，并具有精度较低，易发散对搜索空间有一定自适应能力， 对初值与参数选择不敏感，收敛 速读快，搜索盲目性较大较强的鲁棒性，分布式计

7、算，易 于与其它方法相结合。限于局部 最优解，工作过程的中间停滞问 题，较长的搜索时间预测精度高，误差小，寻优性能 好，易陷入局部最优，“早熟”状 态及全局不收敛学习能力调整初始化粒子群的位置和速度更新信息素初始化人口规模，人口流动次数和迭代次数应用场合多目标优化、函数优化、非线性连 续优化、组合优化、神经网络训练、 模糊系统控制、车间作业调度、机 器人实时路径规划、自动目标检 测、时频分析、分类与决策、模式 识别、信号处理等连续性优化问题、组合优化、时 变系统的在线辩识、鲁棒PID的 参数整定、优化前向神经网络、 电力系统无功优化、多用户检测 器、信息检索和油田多级站定位于求解TSP，分配，

8、Job-Shop调 度，大规模集成电路综合布线， 电信网络路由，电力系统优化， 机器人路径规划，车辆路径，光 纤网络中的波分复用动态拓扑最 优传输规划，移动自组网最优规 划非晶格模型中，对蛋白质结构进 行预测，训练前向神经网络，求 解TSP问题的嵌入交叉算子，求 解非线性方程基本流程随机初始化粒子种群，即初 始化种群中所有粒子的速度和位 置(可行解)；根据适应度函数对粒子种群 进行评价；更新粒子的个体极值；更新粒子的群体极值；根据式(1)和(2)进行速度和位 置的迭代；重复(2)(5),直到满足 算法停止迭代的条件。觅食行为:一般情况下鱼在水 中随机地自由游动，当发现食物 时,则会向食物逐渐增

9、多的方向 快速游去。聚群行为:鱼在游动过程中为 了保证自身的生存和躲避危害会 自然地聚集成群，鱼聚群时所遵 守的规则有三条:分隔规则:尽量 避免与临近伙伴过于拥挤；对准 规则:尽量与临近伙伴的平均方 向一致;内聚规则:尽量朝临近伙 伴的中心移动。追尾行为：当鱼群中的一条或 几条鱼发现食物时，其临近的伙 伴会尾随其快速到达食物点范围：蚂蚁观察到的范围是 一个方格世界，蚂蚁有一个参数 为速度半径(一般是3)，那么它 能观察到的范围就是3*3个方格 世界，并且能移动的距离也在这 个范围之内。环境：蚂蚁所在的环境是一 个虚拟的世界，其中有障碍物， 有别的蚂蚁，还有信息素，信息 素有两种，一种是找到食物

10、的蚂 蚁洒下的食物信息素，一种是找 到窝的蚂蚁洒下的窝的信息素。 每个蚂蚁都仅仅能感知它范围内 的环境信息。环境以一定的速率 让信息素消失。觅食规则：在每只蚂蚁能感 知的范围内寻找是否有食物，如 果有就直接过去。否则看是否有初始化人口规模，流动次数， 迭代次数计算各点的收入/吸引力按(2)所得的计算值，初始化最优记录值和最优记录点在各自区域内进行人口流动，均匀随机变动每一个点计算各点的收入/吸引力记录最优值，记录最优点。人口流动次数1若小于预先指定的次数则转(4)人口迁移：以吸引力最大点(即最优记录点)为中心，按各 分量的大小确定优惠区域，在该 区域内均匀随机产生N个点，替信息素，并且比较在能

11、感知的范 围内哪一点的信息素最多，这样， 它就朝信息素多的地方走，并且 每只蚂蚁都会以小概率犯错误， 从而并不是往信息素最多的点移 动。蚂蚁找窝的规则和上面一样， 只不过它对窝的信息素做出反 应，而对食物信息素没反应。移动规则：每只蚂蚁都朝向 信息素最多的方向移，并且，当 周围没有信息素指引的时候，蚂 蚁会按照自己原来运动的方向惯 性的运动下去，并且，在运动的 方向有一个随机的小的扰动。为 了防止蚂蚁原地转圈，它会记住 最近刚走过了哪些点，如果发现 要走的下一点已经在最近走过 了，它就会尽量避开。避障规则：如果蚂蚁要移动 的方向有障碍物挡住，它会随机 的选择另一个方向，并且有信息 素指引的话，

12、它会按照觅食的规 则行为。播撒信息素规则：每只蚂蚁 在刚找到食物或者窝的时候撒发 的信息素最多，并随着它走远的 换原来的点。计算各点的收入/吸引力记录最优值，记录最优点。(11 )收缩优惠区域：8= (1 - 2 ( 为收缩系数，0 a(15 )若 j (a为人口压力参数，预先给定的正小量)，转(11)。报告结果。人口扩散：在搜索空间内距离，播撒的信息素越来越少。均匀随机产生N个点1 2Nx，x， ，x ，替换原来的点， 按步骤1的方法确定人口流动区 域。计算各点的收入/吸引力f (x，)0记录最优值，记录最优点。迭代次数m加1，若迭代 次数小于指定次数则转步骤4o结束算法名称模拟退火算法差分

13、进化算法量子进化算法免疫算法部件将退火过程中系统熵值类比为目 标函数值利用NP个维数为D的实数值参 数向量作为每一代的种群引入量子比特来编码染色体S中属性字符串/复杂结构知识获取使用马尔科夫过程进行模拟寻找初始种群的方法是从给定边 界约束内的值中随机选择量子比特编码的染色体抗体分子字符串/网络连接强度推理方法并行计算/导向随机搜索通过对个体进行变异，交叉和选 择并行计算/导向随机搜索并行计算/导向随机搜索泛化能力一般模式检测一般模式检测一般模式检测交叉反应阈值适应能力冷却进度表直接决定了算法的效 率，需要大量实验才能得到最佳组 合从给定边界约束内的值中随机选 择，进行种群的初始化重组算子和适应

14、度的修改属性字符串或网络连接识别、细胞更新鲁棒性计算过程简单，通用，鲁棒性强，描述问题的方式接近实际，具备具有全局收敛性，收敛速度快，知识分布在个体的群体/网络中适用于并行处理，可用于求解复 杂的非线性优化问题，收敛速度 慢，执行时间长，算法性能与初 始值有关及参数敏感微调功能，进化过程控制变量较 少，鲁棒性好种群多样性好，能有效克服早熟 现象学习能力从初始温度开始，通过在每一温度 的迭代和温度的下降，最后达到终 止原则而停止微分进化有三个参数：差分向量 的放大系数F，交叉控制参数 CR，种群大小NP，可以进行参 数调节调整群体的大小和使用遗传操作 的概率等改变免疫细胞、抗体等的浓度和亲和力应

15、用场合VLSI、生产调度、控制工程、机器 学习、神经网络、图像处理等领域实参数优化问题，解决问题包括 单目标无约束和有约束优化、混 合整数非线性规划、多目标优化、 含噪声问题、并行优化、动态系 统优化数值优化、组合优化、信号处理、 参数估计、组合逻辑电路设计、 传感器网络的拓扑控制信息安全、模式识别、数据挖掘、 优化、故障诊断、机器学习、联 想记忆、控制等基本流程初始化：初始温度T(充分大)， 初始解状态S(是算法迭代的起点)， 每个T值的迭代次数L对 k=1，.，L 做第(3)至第 61匕步：产生新解S， 计算增量At,=C(S,)-C(S)，其中 C(S)为评价函数若At0,然后转 第2步

16、。（6）对临时种群进行评价，计算 目标函数值。（7）进行选择操作，得到新种群。（8）进化代数k=k+1。转（4）。算法名称文化算法种子优化算法羊群算法蟑螂算法部件文化算法框架是由群体空间和信念空间两部分组成种子个体用实值向量表示，被随机散播到问题空间知识获取个体经验和群体经验的获取更新根据父种适应度的大小决定后代推理方法并行计算/导向随机搜索泛化能力一般模式检测适应能力任何符合文化算法要求的进化算 法都能嵌入到文化算法框架中初始化种群的规模，适应度函数 的设置鲁棒性支持不同算法的混合问题求解，提 供在进化模型中自适应加速和传 递文化的构架，群体空间的演化是 由知识空间中保存的知识进行引 导，能够加速搜索，当变量（维数） 增大时，该算法的速度便会受到限 制，不能够保证全局最优性具有较好的寻优性能，求解效率 较高，参数设置复杂，易用性较 差，算法的全局寻优性能与父种 的规模相关学习能力个体经验，行为规则，信念空间的更新与修改适应度函数的调整，父种规模的 调整应用场合数据挖掘、多目标优化、语义网络、 动态环境优化等智能决策支持系统基本流程Begin t=0;（1）算法开始（2）种群初始化Initialize Population POP(t);Initialize Belief Space BLF(t);