程 適， 王 銳， 伍國(guó)華， 郭一楠， 馬連博， 史玉回

(1.陜西師范大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院， 陜西 西安 710119； 2.國(guó)防科技大學(xué) 系統(tǒng)工程學(xué)院, 湖南 長(zhǎng)沙 410073； 3.中南大學(xué) 交通運(yùn)輸工程學(xué)院, 湖南 長(zhǎng)沙 410075； 4.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院, 江蘇 徐州 221116； 5.東北大學(xué) 軟件學(xué)院， 沈陽(yáng) 遼寧 110819； 6.南方科技大學(xué) 計(jì)算機(jī)科學(xué)與工程系， 廣東 深圳 518055)

0 引言

群體智能(swarm intelligence)的核心思想就是若干個(gè)簡(jiǎn)單個(gè)體構(gòu)成一個(gè)群體，通過(guò)合作、競(jìng)爭(zhēng)、交互與學(xué)習(xí)等機(jī)制表現(xiàn)出高級(jí)和復(fù)雜的功能，在缺少局部信息和模型的情況下，仍能夠完成復(fù)雜問(wèn)題的求解[1].其求解過(guò)程為對(duì)求解變量進(jìn)行隨機(jī)初始化，經(jīng)過(guò)迭代求解，計(jì)算目標(biāo)函數(shù)的輸出值.群體智能優(yōu)化算法不依賴(lài)于梯度信息，對(duì)待求解問(wèn)題無(wú)連續(xù)、可導(dǎo)等要求，使得該類(lèi)算法既適應(yīng)連續(xù)型數(shù)值優(yōu)化，也適應(yīng)離散型組合優(yōu)化.同時(shí)，群體智能優(yōu)化算法潛在的并行性和分布式特點(diǎn)使其在處理大數(shù)據(jù)時(shí)具備顯著優(yōu)勢(shì).因此，群體智能優(yōu)化算法越來(lái)越多地受到各個(gè)領(lǐng)域?qū)W者的關(guān)注，成為一個(gè)熱門(mén)研究方向.

1 群體智能算法的優(yōu)越性

群體智能優(yōu)化算法包括了多種算法，例如經(jīng)典的粒子群優(yōu)化算法(particle swarm optimization，PSO)，蟻群優(yōu)化算法(ant colony optimization，ACO)等[1].近年來(lái)，又涌現(xiàn)出不少新算法，例如頭腦風(fēng)暴優(yōu)化算法(brain storm optimization，BSO)[2-4]，煙花算法(fireworks algorithms，F(xiàn)WA)[5],鴿群算法[6]等.新的群體智能優(yōu)化算法為求解多種多樣的實(shí)際問(wèn)題提供了新的思路和手段.以頭腦風(fēng)暴優(yōu)化算法為例，這種算法的特點(diǎn)是將群體優(yōu)化方法和數(shù)據(jù)挖掘/數(shù)據(jù)分析的方法進(jìn)行融合，以數(shù)據(jù)分析的方法為基礎(chǔ)去選擇相對(duì)較好的解.通過(guò)對(duì)求解問(wèn)題的大量解的數(shù)據(jù)進(jìn)行分析，根據(jù)待求解問(wèn)題特征與算法優(yōu)化過(guò)程中生成解集合的分布情況，建立待求解問(wèn)題解的結(jié)構(gòu)(Landscape)，在待求解問(wèn)題與算法關(guān)聯(lián)的基礎(chǔ)上，更好地求解問(wèn)題.

將最優(yōu)化問(wèn)題建模為在解空間上搜索最優(yōu)值的搜索問(wèn)題，群體優(yōu)化算法通過(guò)啟發(fā)式信息來(lái)指導(dǎo)搜索過(guò)程.在搜索過(guò)程中，多個(gè)個(gè)體通過(guò)競(jìng)爭(zhēng)與協(xié)作的方式，共同對(duì)解空間進(jìn)行搜索.由于有多個(gè)個(gè)體同時(shí)協(xié)作進(jìn)行搜索，使得群體優(yōu)化算法具有一種潛在的并行性.不同于常規(guī)的數(shù)值解法，群體優(yōu)化算法對(duì)目標(biāo)函數(shù)的性態(tài)(單調(diào)性、可導(dǎo)性、模態(tài)性)幾乎沒(méi)有限制，甚至不需要知道目標(biāo)函數(shù)的表達(dá)式，因此群體智能優(yōu)化算法極大地拓展了可求解的最優(yōu)化問(wèn)題的范圍，可以廣泛地應(yīng)用于各種優(yōu)化問(wèn)題中，如動(dòng)態(tài)優(yōu)化問(wèn)題、約束優(yōu)化問(wèn)題、不確定環(huán)境優(yōu)化問(wèn)題及多目標(biāo)優(yōu)化問(wèn)題等.

2 群體智能算法專(zhuān)題論文概述

遺傳規(guī)劃是一種演化計(jì)算算法，能夠利用計(jì)算機(jī)技術(shù)自動(dòng)生成“程序”(模型)解決實(shí)際問(wèn)題.畢瑩等撰寫(xiě)的文章《GP算法在圖像分析上的應(yīng)用綜述》介紹了GP算法基本原理、發(fā)展及其主要應(yīng)用領(lǐng)域[7].對(duì)GP算法在圖像分析方面如特征提取、圖像分類(lèi)、邊緣檢測(cè)、圖像分割等的代表性研究進(jìn)行了較為系統(tǒng)全面的綜述，并對(duì)GP算法在圖像分析上的研究難點(diǎn)及熱點(diǎn)如計(jì)算復(fù)雜度、泛化能力、遷移學(xué)習(xí)等進(jìn)行了總結(jié)和歸納，指出了未來(lái)主要研究方向.

曾冰等撰寫(xiě)的文章《鯨魚(yú)群算法及其應(yīng)用》研究了一種新的群體智能優(yōu)化算法——鯨魚(yú)群算法[8].文章系統(tǒng)介紹了鯨魚(yú)群算法的原理、基本步驟及與其他典型群體智能優(yōu)化算法相比的優(yōu)點(diǎn).并針對(duì)多峰優(yōu)化問(wèn)題的特點(diǎn)，改進(jìn)鯨魚(yú)群算法的迭代規(guī)則，引入穩(wěn)定性閾值和適應(yīng)度閾值兩個(gè)參數(shù).最后以煉鋼連鑄調(diào)度問(wèn)題為例，闡述了鯨魚(yú)群算法在工程優(yōu)化領(lǐng)域的具體應(yīng)用.

針對(duì)傳統(tǒng)約束優(yōu)化算法采用相同的進(jìn)化策略處理位于Pareto邊緣的解與函數(shù)值較差的解，使得尋優(yōu)結(jié)果較差的問(wèn)題，李二超等撰寫(xiě)的文章《兩階段三存檔集約束優(yōu)化算法(TSDA)》提出一種兩階段三存檔集約束優(yōu)化算法[9].該算法與其他約束多目標(biāo)進(jìn)化算法在3種經(jīng)典約束測(cè)試函數(shù)上進(jìn)行了對(duì)比，仿真結(jié)果表明，該算法在不同類(lèi)型約束條件下的尋優(yōu)能力均具有優(yōu)勢(shì).

針對(duì)傳統(tǒng)人工蜂群算法收斂速度慢、易陷入局部最優(yōu)解等不足，王守娜等撰寫(xiě)的文章《一種應(yīng)用于函數(shù)優(yōu)化問(wèn)題的多種群人工蜂群算法》提出一種基于種群分割的應(yīng)用于函數(shù)優(yōu)化問(wèn)題的多種群人工蜂群算法[10].6個(gè)基準(zhǔn)測(cè)試函數(shù)的實(shí)驗(yàn)表明，該算法適應(yīng)度高、收斂速度快，克服了傳統(tǒng)人工蜂群算法易陷入局部最優(yōu)解的不足，在函數(shù)優(yōu)化問(wèn)題中表現(xiàn)出了更好的性能.

人工蜂群算法存在收斂速度慢、求解精度不高、易陷入局部最優(yōu)解等問(wèn)題.基于受粒子群?jiǎn)l(fā)的多精英人工蜂群優(yōu)化算法,金葉等撰寫(xiě)的文章《基于單純形的改進(jìn)精英人工蜂群算法》引入了蜂群中的精英個(gè)體和全局最優(yōu)個(gè)體增強(qiáng)開(kāi)發(fā)全局最優(yōu)解的能力[11].數(shù)值實(shí)驗(yàn)表明，該改進(jìn)算法的尋優(yōu)精度和收斂速度均有明顯提高.

為改進(jìn)基本磷蝦算法收斂效率低下、容易收斂到局部極值的不足，劉振等撰寫(xiě)的文章《一種量子行為磷蝦算法及其仿真分析》基于協(xié)同進(jìn)化和量子計(jì)算基本理論，提出一種量子行為磷蝦算法，稱(chēng)之為協(xié)同進(jìn)化量子磷蝦算法[12].仿真驗(yàn)證表明，該算法能得到更優(yōu)解，具備良好的優(yōu)化性能.

針對(duì)微電網(wǎng)能源調(diào)度優(yōu)化問(wèn)題，李佳華等撰寫(xiě)的文章《基于多目標(biāo)蜂群進(jìn)化優(yōu)化的微電網(wǎng)能量調(diào)度方法》提出了微電網(wǎng)系統(tǒng)運(yùn)行的經(jīng)濟(jì)和環(huán)保的雙重優(yōu)化模型，根據(jù)調(diào)度系統(tǒng)的評(píng)估結(jié)果對(duì)調(diào)度方案進(jìn)行優(yōu)化[13].并將所提模型和基于指標(biāo)化擁堵距離的多目標(biāo)蜂群算法應(yīng)用于解決含有多種分布式電源的微電網(wǎng)能量動(dòng)態(tài)調(diào)度實(shí)驗(yàn)中.仿真結(jié)果表明，通過(guò)合理安排微電源出力，所提方法能夠有效降低系統(tǒng)總成本.

文笑雨等撰寫(xiě)的文章《基于廣義粒子群優(yōu)化模型的工藝規(guī)劃方法研究》在廣義粒子群優(yōu)化模型基礎(chǔ)上，結(jié)合工藝規(guī)劃問(wèn)題的特性，設(shè)計(jì)了求解工藝規(guī)劃問(wèn)題的改進(jìn)廣義粒子群優(yōu)化算法[14].與其他算法相比，該算法在求解工藝規(guī)劃問(wèn)題時(shí)具有更高的求解效率和更好的穩(wěn)定性.

3 結(jié)束語(yǔ)

本專(zhuān)題的討論將有益于群體智能優(yōu)化算法的研究，促進(jìn)群體智能優(yōu)化算法在實(shí)際問(wèn)題求解中的應(yīng)用.本專(zhuān)題的順利完成, 離不開(kāi)作者、審稿專(zhuān)家和《鄭州大學(xué)學(xué)報(bào)(工學(xué)版)》編輯們的大力支持與協(xié)助，在此表示誠(chéng)摯的感謝.