一种混合智能优化方法
【专利摘要】本发明公开了一种混合智能优化方法，属于人工智能与数据挖掘【技术领域】。本发明将遗传优化算法与细菌觅食优化算法有机结合，首先利用遗传优化算法的广度搜索性得到初步的较优解，并将其作为后期细菌觅食算法中的初始细菌种群，充分利用细菌觅食算法的趋化、复制和驱散操作，不断产生优秀个体，最终逐渐向最优解收敛。本发明进一步在上述技术方案基础上，从遗传选择算子、最佳结合点、细菌趋化和复制操作四个方面分别进行了改进。相比现有技术，本发明能够提高最优解集的收敛速度和精度，且具有更广泛的适用性。
【专利说明】一种混合智能优化方法
【技术领域】
[0001]本发明涉及一种优化方法，尤其涉及一种混合智能优化方法，属于人工智能与数据挖掘【技术领域】。
【背景技术】
[0002]自上个世纪70年代以来，智能优化算法凭借着高效的优化性能一直受到各领域的研究与应用。尤其是针对大规模优化问题，传统的基于线性规划的方法获得较优解的时间十分漫长，而智能优化算法能够在较短的时间内获得最优解，因此智能优化算法不仅得到了业界的认同，而且也成为了学者们的研究热点。目前，智能算法可分为两大类:传统的智能优化算法和混合智能优化算法。
[0003]1975年，美国Michigan大学 J.Holland教授的一篇著作《Adaptation in Naturaland Artificial Systems》开启了学术界智能优化算法研究领域的大门，J.Holland提出的遗传优化算法(Genrtic Algorithm, GA)源于达尔文生物进化论中的适者生存、优胜劣汰理论。接着，伴随着时间的推移以及人们对自然界规律的不断认识与探索，新的智能优化算法慢慢地别学者们研究出来。1983年，S.Kirkpatrick等人基于固体物质退火思想提出了模拟退火算法(Simulated Annealing, SA) ；1991年，Dorigo等人通过模拟蚂蚁在寻找食物过程中的发现路径行为，提出了蚁群优化算法(Ant Colony Optimization, ACO) ；1995年，Eberhart和Kennedy通过模拟鸟群觅食行为提出了基于群体协作的粒子群优化算法(Particle Swarm Optimization, PS0) ;2002年，Passino通过对人类肠道中大肠杆菌在觅食过程中所体现出来的智能行为进行模拟，提出了细菌觅食优化算法(Bacteria ForagingOptimization, BF0)o
[0004]由于单一智能优化算法都存在各自的缺点，如遗传优化算法前期容易陷入局部最优，后期搜索缓慢；细菌觅食算法不能使用整数编码等，而且有的智能优化算法不能很好地适应某一类应用，如大规模的动态资源调度问题等，因此混合优化算法应运而生，鉴于传统智能优化算法的优点和缺点，大量学者提出了混合优化算法。
[0005]基于粒子群算法和遗传优化算法的混合优化算法是首先用粒子群优化算法对种群进行迭代到一定次数后，保留最优的M个粒子，然后以剩余的粒子为基础，进行重编码后执行遗传优化算法的交叉和变异操作，经过多次迭代后得到N个个体，最后将之前保留的M个粒子和后来的N个个体组合成新的粒子种群，进入下一个循环。该算法在进化迭代的过程中能够实现信息的交换，充分发挥各自的优势，具有收敛速度快、优化精度高的优点。
[0006]基于人工鱼群和粒子群的混合优化算法的思想是:初始种群分为两个独立的子群体A和B，每一次迭代的过程中，群体A采用人工鱼群算法进行优化，群体B采用粒子群算法进行优化，最后将两个群体的解结合后进入下一次迭代。该混合优化算法不仅利用了人工鱼群算法的随机快速搜索能力和发挥了粒子群算法不断追逐优秀个体的收敛性，而且克服了人工鱼群算法运行速度慢和粒子群容易陷入局部最优的缺点。
[0007]基于遗传-粒子群混合优化的模糊C均值算法混合了遗传优化算法、粒子群算法和模糊C均值聚类算法，首先以粒子群算法为基础，将遗传优化算法的选择、交叉和变异操作用于粒子，然后以粒子群算法的编码方式为聚类中心编码，最后采用基于遗传操作的粒子群算法进行聚类中心的选取。改进后的算法不仅解决了模糊C均值算法的收敛速度对初始值敏感的问题，而且由于基于遗传操作的粒子群算法具备的全局寻优能力也解决了模糊C均值算法采用梯度下降法所带来的局部最优问题。
[0008]基于模拟退火和粒子群的混合优化算法是在总体并行搜索的前提下对每个温度串行地依次进行粒子群和模拟退火搜索，将粒子群算法的一代结果作为模拟退火算法的初始解P，P经过Metropolis抽样后得到的解Q又成为下一代粒子群算法的初始种群。该混合算法将粒子群算法和模拟退火算法的并行搜索结构串连起来，增强了全局和局部的搜索能力和效率。
[0009]综上所述，混合优化算法是将两个或者更多的智能优化算法通过某种方式进行融合，吸取各自算法的优点，摒弃各自算法的缺点，从而使得混合后的算法具有高效的搜索能力。
【发明内容】
[0010]本发明所要解决的技术问题在于克服现有技术的不足，提供一种将遗传优化算法与细菌觅食优化算法相结合的混合智能优化方法，有效提高优化效率。
[0011]本发明具体采用以下技术方案:
[0012]一种混合智能优化方法，用于从对象的若干可行解中搜索出最优解，首先将对象的可行解进行编码，然后利用遗传优化算法得到一组较优解，最后利用细菌觅食优化算法从所述较优解中得到最优解。
[0013]作为本发明的第一个进一步改进方案，所述细菌觅食优化算法中的趋化操作具体如下:
[0014]首先对将进行趋化的细菌进行第一次变异操作:将该细菌编码序列的中间位置两边的两个一级子序列互换；
[0015]对第一次变异操作前、后的两个细菌中适应度较高的细菌进行第二次变异操作:将该细菌编码序列的中间位置左/右边的一级子序列从中间位置划分为两个二级子序列，将这两个二级子序列互换；
[0016]对第二次变异操作前、后的两个细菌中适应度较高的细菌进行第三次变异操作:将该细菌编码序列最左/右边的二级子序列从中间位置划分为两个三级子序列，将这两个三级子序列互换；
[0017]依此方式不断向细菌编码序列的左/右递归，直到细菌编码序列的首/末位，趋化操作结束。
[0018]作为本发明的第二个进一步改进方案，所述细菌觅食优化算法中的复制操作具体如下:
[0019]将当前细菌种群中的细菌按照适应度从小到大或从大到小的顺序进行排序；
[0020]对其中的第i个细菌Xi和第i+S'个细菌Xi+S,进行以下交叉操作，i=l，2，〃，S'，
[0021]S' =S/2，S为所述细菌种群的规模:分别从细菌Xi和细菌Xi+S,的编码序列中截取相同长度的片段；然后将从细菌Xi截取的片段插入细菌xi+s,剩余部分之前/后，将从细菌Xi+S,截取的片段插入细菌Xi剩余部分之前/后，得到两个新的细菌并保留其中适应度较高的细菌；
[0022]待当前细菌种群中的所有细菌均完成交叉操作后，对保留的细菌进行复制，得到新的细菌种群。
[0023]作为本发明的第三个进一步改进方案，所述遗传优化算法中的选择操作是指从当前种群中选择被选择概率较高的部分个体，第i个染色体在j代的被选择概率Pi按照下式得到:
[0024]，
【权利要求】
1.一种混合智能优化方法，用于从对象的若干可行解中搜索出最优解，其特征在于，首先将对象的可行解进行编码，然后利用遗传优化算法得到一组较优解，最后利用细菌觅食优化算法从所述较优解中得到最优解。
2.如权利要求1所述混合智能优化方法，其特征在于，所述细菌觅食优化算法中的趋化操作具体如下: 首先对将进行趋化的细菌进行第一次变异操作:将该细菌编码序列的中间位置两边的两个一级子序列互换； 对第一次变异操作前、后的两个细菌中适应度较高的细菌进行第二次变异操作:将该细菌编码序列的中间位置左/右边的一级子序列从中间位置划分为两个二级子序列，将这两个二级子序列互换； 对第二次变异操作前、后的两个细菌中适应度较高的细菌进行第三次变异操作:将该细菌编码序列最左/右边的二级子序列从中间位置划分为两个三级子序列，将这两个三级子序列互换； 依此方式不断向细菌编码序列的左/右递归，直到细菌编码序列的首/末位，趋化操作结束。
3.如权利要求1所述混合智能优化方法，其特征在于，所述细菌觅食优化算法中的复制操作具体如下: 将当前细菌种群中的细菌按照适应度从小到大或从大到小的顺序进行排序； 对其中的第i个细菌名和第i+f个细菌fi+s.进行以下交叉操作，: = 1,2,...,$, = , S为所述细菌种群的规模:分别从细菌名和细菌名+s.的编码序列中截取相同长度的片段；然后将从细菌名截取的片段插入细菌石+s.剩余部分之前/后，将从细菌石+s.截取的片段插入细菌4剩余部分之前/后，得到两个新的细菌并保留其中适应度较高的细菌； 待当前细菌种群中的所有细菌均完成交叉操作后，对保留的细菌进行复制，得到新的细菌种群。
4.如权利要求3所述混合智能优化方法，其特征在于，在从细菌名和细菌的编码序列中截取片段时，截取位置为随机生成。
5.如权利要求1所述混合智能优化方法，其特征在于，所述遗传优化算法中的选择操作是指从当前种群中选择被选择概率较高的部分个体，第τ个染色体在J代的被选择概率巧按照下式得到:
6.如权利要求1所述混合智能优化方法，其特征在于，在所述遗传优化算法中，将每一代种群的适应度方差与一预设的阈值进行比较，如当前种群的适应度方差小于所述阈值，则停止遗传优化算法，转而执行细菌觅食优化算法。
7.—种云环境下的虚拟机调度方法，其特征在于，利用权利要求1~6任一项所述混合智能优化方法从若干可行的调度方案中搜索出最优的调度方案，具体编码方法如下:用一个一维整数串来表示可行调度方案的编码，个体的长度为当前需调度的任务数量，个体的每一位序号代表任务的编号，每一位上的值代表虚拟机节点的编号。
8.一种物流车辆的路径优化方法，其特征在于，利用权利要求1~6任一项所述混合智能优化方法从若干可行的运输方案中搜索出最优的运输方案，具体编码方法如下:用一个一维整数串来表示可行运输方案的编码，个体的长度为当前运输货物的车量数，个体的每一位序号代表车辆的编号，每一位上的值代表需要送货的地点编号。
9.一种基于二维熵阈值的图像分割方法，其特征在于，利用权利要求1~6任一项所述混合智能优化方法从若干可行的分割阈值中搜索出最优的分割阈值，具体编码方法如下:用8位二进制代码表示256级灰度的图像，每个染色体表示一个阈值。
10.一种旅行商问题的优化方法，其特征在于，利用权利要求1~6任一项所述混合智能优化方法从若干可行的巡回路径中搜索出最优的巡回路径，具体编码方法如下:用一个一维整数串来表示可行巡回路径的编码，个体的长度为所有城市的数量，个体的每一位为城市的编号。
【文档编号】G06F19/00GK103942419SQ201410137336
【公开日】2014年7月23日 申请日期:2014年4月4日 优先权日:2014年4月4日
【发明者】程春玲, 殷小龙, 张登银, 付雄, 华禹铭 申请人:南京邮电大学