《蜂群算法原理及其应用》王海泉，徐晓滨，郭丽作|(epub+azw3+mobi+pdf)电子书下载

图书名称：《蜂群算法原理及其应用》

【作　者】王海泉，徐晓滨，郭丽作

【页 数】 139

【出版社】 北京：中国纺织出版社 , 2021.03

【ISBN号】978-7-5180-8323-7

【价 格】68.00

【参考文献】 王海泉，徐晓滨，郭丽作. 蜂群算法原理及其应用. 北京：中国纺织出版社, 2021.03.

图书封面：

图书目录：

《蜂群算法原理及其应用》内容提要：

本书介绍了蜂群算法的原理，深入研究了如何提升蜂群算法搜索和开发能力，系统探讨了蜂群智能算法的改进策略。并在此基础上，对蜂群算法在物流调度、自动控制、数据挖掘等领域的实际工程应用进行了研究，证实了相关算法的有效性。 本书各章节之间既互相联系又相对独立，读者可根据自己需要选择阅读。本书可作为人工智能、自动控制、模式识别等专业的研究生和高年级本科生教材使用，也可供从事相关专业科研的工程技术人员阅读参考。

《蜂群算法原理及其应用》内容试读

001

第1章绪论

1.1最优化方法

最优化方法，是指解决最优化问题的方法。所谓最优化问题，指在某些约束条件下，决定某些可选择的变量应该取何值，使所选定的目标函数达到最优的问题(如果仅有一个目标函数，那么它是单目标优化问题，如果待优化的目标函数超过

一个，则为多目标优化问题)。即运用最新科技手段和处理方法，使系统达到总体最优，从而为系统提出设计、施工、管理、运行的最优方案。

最优化方法是个古老的课题，早在17世纪，科学家牛顿(Newton)和莱布尼茨(Leibniz)在所创建的微积分中就提出了极值问题，后来又出现了拉格朗日(Lagrange)乘数法。1847年法国数学家Cauchy研究了函数值沿什么方向下降最快的问题，提出最速下降法。1939年苏联数学家康拓罗维奇提出了解决下料问题和运输问题这两种线性规划问题的求解方法。传统优化方法在求解简单优化问题时绰绰有余，而随着人类认识世界和建设世界的能力越来越强，优化问题呈现出高维化、强非线性、强约束化、动态变化等特点，传统优化方法的局限性，如单点运算方式造成的计算效率低下、全局搜索能力弱等问题越来越突出。可喜的是近年来计算机技术的突飞猛进发展，最优化理论和算法迅速发展，形成一个新的学科，成为了现代科学的重要理论基础和不可缺少的方法，被人们广泛地应用到公共管理、经济管

理、工程建设、国防等各个领域，发挥着越来越重要的作用。

从数学意义上来说，最优化方法是一种求极值的方法，即在一组约束为等式或

不等式的条件下，使系统的目标函数达到最大值或最小值。按照核心处理算法的不

同，最优化方法可分为确定型算法和概率型算法两大类。

确定型算法属于早期优化方法，它们依据某一确定性策略搜索局部极小，并试

002蜂群算法原理及其应用

图跳跃已获得的局部极小而达到某个全局最优点，它能充分利用问题的解析性质，

计算效率高。常用的基于梯度信息的方法和迭代求解方法都属于该范畴。其中基于

梯度信息的方法包括了梯度下降法、共轭梯度法以及自然梯度法等，其利用导数值

(即函数的梯度方向)代表函数值增加或减少速度最快的方向这一数学原理，当目

标被设定为求解目标函数的最小值的时候，只要朝着梯度下降的方向前进，就能不

断接近最优值，但由于需要对目标函数求导，该类方法对解决不连续、不可导等问

题无能为力。而以爬山法和单纯型法为代表的迭代求解法是根据当前解的搜索方向

以及解的质量计算下一个解，并进行迭代往复。这类方法虽说不要求导数的存在，但其弱点是容易陷入局部极值，且其解严重依赖于起始点的选取。种种问题导致了确定型算法的应用受到了很大制约，为了弥补其不足，概率型算法应运而生。

概率型算法也叫随机化算法，与确定型算法固定搜索方向不同，概率算法中搜

索的下一步向哪个方向走并不是确定的，而是允许算法在执行过程中随机地选择下

一个计算方向，这样即使算法的当前解处于一个局部极值点，它向不好解的方向走

的概率并不为零，也就是说它有可能跳出局部极值。该型算法包括了经典的随机搜索、模拟退火、禁忌搜索等，以及基于自然选择和遗传进化思想的、以遗传算法和

差分进化算法为代表的进化计算，更具代表性的则是当今应用中最为广泛的群体智

能算法。

1.2群体智能算法

1.2.1概述

群体指的是一群无序移动的个体或对象，如昆虫、鸟、鱼，它们是相互作用的

同类个体的集合。虽然个体结构很简单，但它们能基于社会实体间分散的、集体的

和自组织的合作行为进行协调，因此把这些群体运动称作群体行为，比如鸽子利用

地球磁场和地标组合来归巢、蚂蚁觅食和蜜蜂采蜜时的自组织合作特性等。学者受

到生物界群体行为的启发，开始探索这些生物群体的进化过程或觅食过程，并创造

性地提出了群体智能方法来解决优化问题。

群体智能(Swarm Intelligence)的概念最早由Beni、Hackwood和Wang三人在

006蜂群算法原理及其应用

PIO算法)在群体智能优化领域逐渐取得关注。鸽群算法是段海滨等人[9根据鸽

群在归巢过程中寻找路径的行为机制提出的一种仿生群体智能优化算法。该算法相较于一般仿生优化算法具有结果最优性、快速收敛性以及参数量适中等显著优势，被广泛用于解决无人机编队[0)、控制参数优化2)等多个领域。

在现实当中，在鸽子的飞行过程中，影响鸽子导航的主要因素可分为3类，分别是太阳、地球磁场和地标，当鸽子距离目标较远时，通过感知磁场在脑海中形成

地图，来不断接近目标：随着鸽子不断接近目的地，其导航工具由磁场变为目的地

附近的地标。熟悉地标的鸽子直接飞往目的地，其他鸽子则跟随那些熟悉地标的鸽

子向目的地飞行。而鸽群算法正是基于此原理，以鸽子的位置作为待优化问题的解，

将优化迭代过程分为地图迭代和地标迭代两步，在寻优过程前期借助地图算子进行

全局搜索，借助最优信息更新鸽群自身的速度和种群，防止鸽群过早收敛，保持种

群多样性；当迭代次数到达最大迭代次数的75%以后，进入地标迭代的过程，将适应度较优的前一半全体的位置中心作为参考方向，没有了个体本身速度惯性的干扰，

通过局部搜索种群可以很快地收敛到最优值。

显然，鸽群算法具有原理相对简单、所需调整的参数较少、容易实现等特点，但与此同时鸽群优化算法还存在不足之处，该算法有收敛精度偏低、容易出现局部最优的情况、稳定性较差等缺点。

1.2.2.4鲸群算法

鲸鱼算法(Whale Optimization Algorithm,WOA算法)是在20l6年Mirjalili和

Lewis等人根据鲸鱼围捕猎物的行为提出的一种元启发式优化算法7)。

它的灵感来自座头鲸的“螺旋气泡网”捕食策略，当座头鲸群捕食磷虾或小鱼

群时，会采用逐渐缩小半径的形式沿着螺旋状路径包围小鱼群，同时沿着圆形或“9”形路径创建独特的气泡，将猎物逐渐逼向水面。

WOA算法模仿包围猎物、狩猎行为、随机搜索猎物的3种行为展开优化迭代。

每个鲸鱼的位置代表了待优化问题的一个可行解。在包围猎物阶段，不断更新位置，

以当前处在最佳围捕位置的鲸群位置为目标猎物或接近最佳目标猎物（适应度最

优)，进一步进行狩猎，以螺旋形式游向猎物并收缩包围圈，从而进一步定位最优解的实时位置。此外，当算法确定某一解非最优时，通过参数设置使鲸群偏离原猎物，并随机选择其他鲸鱼位置进行下一步搜索，从而有效提高算法的探索能力。

···试读结束···