Lecture8：生物进化算法.ppt

* Biomedical Engineering * Biomedical Engineering 计算机仿真 Lecture 8：生物进化算法之粒子群算法 刘 恒 博士 hengliusky@ 西南科技大学信息工程学院 8. 粒子群算法 [主要内容] 一、背景 二、算法介绍 三、参数分析 四、Matlab实例及仿真演示 8.1 粒子群算法的背景 一、人工生命基本概念 社会和科技的飞速发展，已使模拟或者部分模拟生物群体的生命活动成为可能。人工生命：研究具有某些生命基本特征的人工系统。或着：人工生命是研究怎样通过抽取生物现象中的基本动力规则来理解生命，并且在物理媒体如计算机上重建这些现象，使它们成为一种新的实验方式和受操纵。 包括两方面内容： 1、研究如何利用计算技术研究生物现象； 2、研究如何利用生物技术研究计算问题。 作为生物工程，我们重点关注的是第二点。 已有很多源于生物现象的计算技巧，例如神经网络和遗传算法。 现在讨论另一种生物系统---社会系统：由简单个体组成的群落和环境及个体之间的相互行为。 一个人工生命的例子 26个模拟生物来自一个人工进化群落。每个生物的行为是四种因素优化后的结果:1.游泳的速度；2.行进的速度；3.跳跃的高度；4.跟踪能力 群智能(swarm intelligence) 模拟系统利用局部信息从而可以产生不可预测的群行为。 思考？我们经常能够看到成群的鸟、鱼或者浮游生物。 这些生物的聚集行为有利于它们觅食和逃避捕食者。它们的群落动辄以十、百、千甚至万计，并且经常不存在一个统一的指挥者。它们是如何完成聚集、移动这些功能呢？ 二、群智能概念 Millonas在开发人工生命算法时(1994年)，提出群体智能概念并提出五点原则： 1、接近性原则：群体应能够实现简单的时空计算； 2、优质性原则：群体能够响应环境要素； 3、变化相应原则：群体不应把自己的活动限制在一狭小范围； 4、稳定性原则：群体不应每次随环境改变自己的模式； 5、适应性原则：群体的模式应在计算代价值得的时候改变。 社会组织的全局群行为是由群内个体行为以非线性方式出现的。个体间的交互作用在构建群行为中起到重要的作用。 从不同的群研究得到不同的应用。最引人注目的是对蚁群和鸟群的研究。 其中粒群优化方法就是模拟鸟群的社会行为发展而来。 三、鸟群行为模拟： 生物学家发现，鸟群在行进中会突然同步的改变方向，散开或者聚集等。那么一定有某种潜在的能力或规则保证了这些同步的行为。这些科学家都认为上述行为是基于不可预知的鸟类社会行为中的群体动态学。 在这些早期的模型中仅仅依赖个体间距的操作，也就是说，这中同步是鸟群中个体之间努力保持最优的距离的结果。 四、鱼群行为分析 生物社会学家鱼群进行研究表明：鱼群的个体成员能够受益于群体中其他个体在寻找食物的过程中的发现和以前的经验，这种受益超过了个体之间的竞争所带来的利益消耗，不管任何时候食物资源不可预知的分散。这说明，同种生物之间信息的社会共享能够带来好处。这是PSO的基础。 8.2 粒子群算法结构简介 粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation）,由Eberhart博士和kennedy博士于1995年提出 。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。 PSO算法起源于对简单社会系统的模拟，最初设想是模拟鸟群的觅食过程。但实际中发现粒子群算法是一种很好的优化算法。其优势在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。 设想这样一个场景：一群鸟在随机的有哪些信誉好的足球投注网站食物。 在这个区域里只有一块食物，所有的鸟都不知 道食物在那。但是它们知道自己当前的位置距 离食物还有多远。 那么找到食物的最优策略是什么？ 最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 算法抽象 抽象： 鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间，粒子I 在N维空间的位置表示为矢量Xi＝(x1，x2，…，xn)，飞行速度表示为矢量Vi＝(v1，v2，…，vn)．每个粒子都有一个由目标函数决定的适应值(fitness value)，并且知道自己到目前为止发现的最好位置(pbest)和现在的位置Xi．这个可以看作是粒子自己的飞行经验．除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest)(gbest是pbest中的最好值)．这个可以看作是粒子同伴的经验．粒子就是通过自己的经验和同伴中最好的经验来决定下一步