摘 要：本文介紹了文化算法的基本原理，總結(jié)了文化算法與遺傳算法、粒子群算法、差分進(jìn)化算法、免疫克隆選擇算法等智能算法的融合技術(shù)及其應(yīng)用，為進(jìn)一步深入研究文化算法與其他智能算法融合，以及多個(gè)智能算法相結(jié)合的研究和應(yīng)用提供了參考和借鑒。

關(guān)鍵詞：文化算法；遺傳算法；粒子群算法；差分進(jìn)化；免疫克隆選擇算法

中圖分類號：TP301.6 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9599 （2013） 09-0000-02

1 引言

Reynolds于1994年提出文化算法，該算法的雙層進(jìn)化機(jī)制為進(jìn)化計(jì)算中的知識引導(dǎo)提供了通用框架，具有許多優(yōu)良特性。文化算法不僅克服了其他進(jìn)化算法的局限性，而且還克服了其他進(jìn)化算法產(chǎn)生的退化現(xiàn)象，文化算法能根據(jù)具體情況設(shè)計(jì)種群空間、信仰空間、接受函數(shù)和影響函數(shù)，有很強(qiáng)的可擴(kuò)充性，易于與其他方法結(jié)合，能夠使其以一定的速度進(jìn)化和適應(yīng)環(huán)境，并互相彌補(bǔ)各傳統(tǒng)算法的不足，提高算法的全局搜索能力、收斂速度、收斂性、計(jì)算精度等，適用范圍廣泛。

文化算法及其與傳統(tǒng)智能算法相結(jié)合的研究剛剛興起，本文在介紹文化算法基本原理的基礎(chǔ)上，對國內(nèi)近五年文化算法與遺傳算法、粒子群算法、差分進(jìn)化算法、免疫克隆選擇算法等相結(jié)合的研究進(jìn)行了綜述，為進(jìn)一步深入研究文化算法與其他智能算法相融合以及多個(gè)智能算法相結(jié)合的應(yīng)用提供了借鑒和參考。

2 文化算法基本原理

文化算法（CA）是由種群空間和信仰空間構(gòu)成的雙層進(jìn)化機(jī)制，主要包括三部分：種群空間、信仰空間和通信協(xié)議。文化算法的基本框架如圖：

種群空間是生物個(gè)體根據(jù)一定的行為準(zhǔn)則進(jìn)化而組成的。信仰空間是文化形成、存儲、更新、傳遞的進(jìn)化過程。兩個(gè)相對獨(dú)立的進(jìn)化過程，但又由通信協(xié)議將二者聯(lián)系在一起，相互影響和促進(jìn)，通信協(xié)議主要包括接受函數(shù)和影響函數(shù)。

3 文化-遺傳算法

遺傳算法（GA）是一種基于自然選擇和基因遺傳學(xué)原理的隨機(jī)并行搜索算法。遺傳算法隨著算法的進(jìn)行其種群多樣性逐漸消失，很容易于陷入早熟收斂，引入隨機(jī)種群可以改善種群的多樣性問題，但是又影響到算法的效率。目前，一些學(xué)者通過文化算法和遺傳算法結(jié)合，將遺傳算法納入文化算法的框架，形成基于遺傳算法的主群體空間和信念空間兩大空間，從收斂速度、收斂效率兩方面來提高遺傳算法的性能。文獻(xiàn)[1]提出一種基于模式學(xué)習(xí)的文化遺傳算法，該方法充分利用了優(yōu)秀個(gè)體所包含的特征信息起引導(dǎo)作用，算例表明，文化-遺傳算法可提高算法收斂速度。文獻(xiàn)[2]為解決函數(shù)優(yōu)化問題，針對遺傳算法的不足之處，將文化-遺傳算法用于函數(shù)優(yōu)化，實(shí)驗(yàn)結(jié)果表明，新算法能夠提高效率和精確度。文獻(xiàn)[3，4]將遺傳算法中交叉和變異算子嵌入文化算法的主群體空間進(jìn)行傳統(tǒng)的遺傳算法操作，形成一種雙層進(jìn)化結(jié)構(gòu)，該算法在計(jì)算效率和求解質(zhì)量上均具有較好的效果。文獻(xiàn)[5]和文獻(xiàn)[6]分別針對DNA編碼問題和裝載機(jī)的連桿機(jī)構(gòu)傳動(dòng)比問題，采用文化遺傳算法克服了遺傳算法進(jìn)化效率不高的問題，從而提高計(jì)算速度。文獻(xiàn)[7]提出了一種基于文化算法的雙層機(jī)制結(jié)構(gòu)的知識遷移多用戶交互式遺傳算法模型，該模型有效提高各用戶的進(jìn)化收斂速度，減輕用戶疲勞。

4 文化-粒子群算法

粒子群算法（PSO）是在研究鳥類的群體行為時(shí)提出來的一種群智能算法。該算法雖簡單，計(jì)算速度快，但收斂性、均勻性和局部搜索能力差。為了解決上述問題，并提高粒子群優(yōu)化算法的精度與計(jì)算的效率，運(yùn)用文化算法的并行計(jì)算能力及PSO的優(yōu)點(diǎn)，將文化算法和PSO結(jié)合形成一種新型的智能算法，該算法利用優(yōu)秀個(gè)體所包含的信息提高算法的收斂性，同時(shí)在局部最優(yōu)問題上有一定的優(yōu)越性，而且避免了群體早熟的發(fā)生。文化-粒子群算法的融合主要是將粒子群算法納入文化算法的框架。

文獻(xiàn)[8]將文化粒子群算法用于求解置換流水車間調(diào)度問題中的最小化最大完成時(shí)間，通過不斷與信念空間中的優(yōu)秀個(gè)體交互，加快群體收斂速度，該算法具有較快的收斂速度。文獻(xiàn)[9]基于粒子群算法的改進(jìn)多目標(biāo)文化算法用于求解多目標(biāo)優(yōu)化問題，測試結(jié)果表明，改進(jìn)多目標(biāo)文化算法能夠在保持Pareto解集多樣性的同時(shí)具有較好的均勻性和收斂性。文獻(xiàn)[10]提出以隨機(jī)粒子群作為信念空間，以粒子群作為種群空間的進(jìn)化算法，集成了rPSO大范圍、高效率搜索和PSO局部精細(xì)化搜索的優(yōu)點(diǎn)，較好地克服了PSO易“早熟”和收斂速度緩慢等問題。[11]利用文化粒子群算法的優(yōu)點(diǎn)，設(shè)計(jì)了一種可快速進(jìn)行多維搜索求解所提的基于模式空間的測向算法。

5 文化-差分進(jìn)化算法

差分進(jìn)化算法（DE）是一種采用實(shí)數(shù)矢量編碼的并行搜索算法，其原理簡單，受控參數(shù)少，易于編碼與實(shí)現(xiàn)。但在收斂速度和搜索魯棒性之間發(fā)生沖突，且后期收斂速度變慢， 容易陷入局部最優(yōu)。無法有效的求解工程中復(fù)雜的高維非線性優(yōu)化問題等缺點(diǎn)。文化-差分進(jìn)化算法有效解決復(fù)雜度問題、提高全局搜索能力和到達(dá)收斂速度快的效果。文化-差分進(jìn)化算法的融合主要是將差分進(jìn)化算法納入文化算法的種群空間。文獻(xiàn)[12]提出一種混沌差分文化算法，測試結(jié)果表明，該算法能有效的避免早熟收斂，搜索到全局最優(yōu)解的能力得到顯著提高。文獻(xiàn)[13]提出的差分文化算法是一種求解實(shí)數(shù)優(yōu)化問題的新算法，具有收斂速度快和優(yōu)化效果好的顯著特點(diǎn)，并把差分文化算法推廣應(yīng)用到其他高維參數(shù)優(yōu)化問題。文獻(xiàn)[14]將改進(jìn)差分進(jìn)化算法引入文化算法的種群空間，并應(yīng)用于約束求解問題。通過對基準(zhǔn)函數(shù)和丁烯烷化生產(chǎn)調(diào)度問題進(jìn)行仿真，結(jié)果表明這一算法有比較好的全局搜索能力，加快了收斂速度，并降低了計(jì)算量。

6 文化-免疫克隆算法

免疫克隆選擇算法模擬生物學(xué)中的抗體克隆選擇機(jī)理，通過克隆操作、免疫基因操作以及選擇操作等新型算子，實(shí)現(xiàn)高效的搜索方法。免疫克隆選擇算法有全局收斂能力差，選擇機(jī)制又容易早熟收斂的缺點(diǎn)。文化-免疫克隆算法可兼顧全局探索和局部搜索能力，提高免疫克隆選擇算法的收斂速度和進(jìn)化性能，該算法主要將免疫克隆選擇算法嵌入文化算法的種群空間，其應(yīng)用前景廣泛。文獻(xiàn)[15]提出一種自適應(yīng)免疫克隆選擇文化算法，實(shí)驗(yàn)結(jié)果表明，該算法在整體上具有較好的全局尋優(yōu)能力和解穩(wěn)定性，且收斂速度較快。文獻(xiàn)[16]提出了基于免疫文化算法的加熱爐優(yōu)化調(diào)度方法，通過利用免疫克隆的較強(qiáng)的搜索能力和文化算法信念知識的指導(dǎo)，使加熱爐調(diào)度得到顯著優(yōu)化，不僅提高了軋制生產(chǎn)線的利用率，還縮短了加熱爐的運(yùn)行時(shí)間，減少了燃料消耗。文獻(xiàn)[17]提出了一種基于免疫文化算法的封裝式特征選擇方法，實(shí)驗(yàn)表明該方法在降低數(shù)據(jù)維度和提高分類準(zhǔn)確率上有著良好的效果。文獻(xiàn)[18]采用文化算法的框架結(jié)構(gòu)，將免疫克隆算法嵌入其中，利用免疫克隆算法的全局收斂性在數(shù)據(jù)庫中迅速搜索關(guān)聯(lián)規(guī)則，實(shí)驗(yàn)表明，該模型具有較快的收斂速度和所得關(guān)聯(lián)規(guī)則的準(zhǔn)確率較高。

7 文化算法與其他智能算法結(jié)合

文化算法除了與遺傳算法、粒子群算法、差分進(jìn)化算法、免疫克隆選擇算法融合外，還可以與其他智能算法相結(jié)合，如文化算法融合神經(jīng)網(wǎng)絡(luò)[19]，文化算法融合蟻群算法[20-21]。此外，文化與兩種以上的智能算法融合研究也逐步興起，但研究相對較少。

8 結(jié)束語

文化算法是一種基于種群多進(jìn)化過程的全局優(yōu)化算法，通過文化算法與傳統(tǒng)智能算法相結(jié)合可以提高算法的收斂速度、計(jì)算精度等，文化算法與傳統(tǒng)智能算法的結(jié)合為解決復(fù)雜優(yōu)化問題提供了新的途徑，具有較好的應(yīng)用前景。

參考文獻(xiàn)：

[1]高麗麗.基于模式學(xué)習(xí)的文化遺傳算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（22）.

[2]張敏.文化遺傳算法的研究及其在函數(shù)優(yōu)化中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（18）.

[3]李鐵克.基于文化遺傳算法求解柔性作業(yè)車間調(diào)度問題[J].計(jì)算機(jī)集成制造系統(tǒng).2010，16（4）.

[4]王偉玲.一種求解作業(yè)車間調(diào)度問題的文化遺傳算法[J].中國機(jī)械工程，2010，21（3）.

[5]王延峰.基于文化遺傳算法的DNA編碼序列設(shè)計(jì)[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（36）.

[6]齊建家.文化遺傳算法用于裝載機(jī)工作裝置優(yōu)化計(jì)算研究[J].設(shè)備管理與維修技術(shù)，2009，07-0071-03.

[7]張紹娟.基于知識遷移的多用戶交互式遺傳算法[J].控制理論與應(yīng)用，2007，26（10）.

[8]朱霞.一種求解作業(yè)車間調(diào)度的文化粒子群算法[J].計(jì)算機(jī)應(yīng)用研究，2012，29（4）.

[9]吳亞麗.一種基于粒子群算法的改進(jìn)多目標(biāo)文化算法[J].控制與決策，2012，27（8）.

[10]王正帥.基于文化框架的隨機(jī)粒子群優(yōu)化算法[J].計(jì)算機(jī)科學(xué)，2012，39（6）.

[11]李興華.圓陣模式空間的文化粒子群極大似然測向算法[J].應(yīng)用能源技術(shù)，2012（3）.

[12]盧有麟.混沌差分文化算法及其仿真應(yīng)用研究[J].系統(tǒng)仿真學(xué)報(bào)，2009，21（16）.

[13]蘭成章.基于差分文化算法的FIR數(shù)字濾波器設(shè)計(jì)[J].自動(dòng)化技術(shù)與應(yīng)用，2010，29（6）.

[14]黃福令.基于文化算法和改進(jìn)差分進(jìn)化算法的混合算法[J].計(jì)算機(jī)應(yīng)用，2009，29（5）.

[15]郭一楠.自適應(yīng)免疫克隆選擇文化算法[J].電子學(xué)報(bào)，2010，38（4）.

[16]孫學(xué)剛.基免文化算法的特鋼加熱爐調(diào)度優(yōu)化[J].控制理論與應(yīng)用，2010，27（8）.

[17]宋辰，黃海燕.基于免疫文化算法的故障特征選擇方法[J].計(jì)算機(jī)應(yīng)用研究，2012，29（11）.

[18]楊光軍.基于免疫克隆文化算法的關(guān)聯(lián)規(guī)則挖掘[J].計(jì)算機(jī)工程與科學(xué)，2012，34（3）.

[19]魏秀.用文化算法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用[J].科技情報(bào)開發(fā)與經(jīng)濟(jì)，2011，21（10）.

[20]薛小虎.基于改進(jìn)的文化蟻群算法求解最優(yōu)路徑問題研究[J].佳木斯大學(xué)學(xué)報(bào)，2011，29（1）.

[21]李艷紅.基于文化蟻群算法的過熱汽溫PID參數(shù)優(yōu)化仿真研究[J].咸陽師范學(xué)院學(xué)報(bào)，2012，27（4）.

[基金項(xiàng)目]云南省教育廳科學(xué)研究基金項(xiàng)目，項(xiàng)目名稱：“文化算法理論及其應(yīng)用研究”，項(xiàng)目編號：2012Y162。

[作者簡介]賈麗麗（1982-），女，黑龍江齊齊哈爾人，云南大學(xué)滇池學(xué)院，講師，碩士，應(yīng)用數(shù)學(xué)。