多种仿生优化算法的特点
转自http://blog.chinaunix.net/uid-27795088-id-3409480.html
（1） 蚁群算法
蚁群算法利用信息正反馈机制，在一定程度上可以加快算法的求解性能，同时算法通过个体之间不断的进行信息交流，有利于朝着更优解的方向进行。尽管单个蚁群个体容易陷入局部最优，但通过多个蚁群之间信息的共享，能帮助蚁群在 解空间中进行探索，从而避免陷入局部最优。
基本蚁群算法搜索时间长，而且容易出现停滞。由于蚁群算法在求解的过程中，每只蚂蚁在选择下一步移动的方向时，需要计算当前可选方向集合的转移概率，特别是当求解问题的规模较大时，这种缺陷表现得更为明显。同时，由于正反馈机制的影响，使得蚁群容易集中选择几条信息素浓度较高的路径，而忽略其他路径，使算法陷入局部最优解。其次，算法的收敛性能对初始化参数的设置比较敏感。
（2） 遗传算法
遗传算法以决策变量的编码作为运算对象，借鉴了生物学中染色体和基因等概念，通过模拟自然界中生物的遗传和进化等机理，应用遗传操作求解无数值概念或很难有数值概念的优化问题。遗传算法是基于个体适应度来进行概率选择操作的，从而是搜索过程表现出较大的灵活性。遗传算法中的个体重要技术采用交叉算子，而交叉算子是遗传算法所强调的关键技术，它是遗传算法产生新个体的主要方法，也是遗传算法区别于其它仿生优化算法的一个主要不同之处。
遗传算法的优点是将问题参数编码成染色体后进行优化，而不针对参数本身进行，从而保证算法不受函数约束条件的限制。搜索过程从问题解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，大大减少算法陷入局部最优解最小的可能性。遗传算法的主要缺点是对于结构复杂的组合优化问题，搜索空间大，搜索时间比较长，往往会出现早熟收敛的情况。对初始种群很敏感，初始种群的选择常常直接影响解的质量和算法效率。
（3） 微粒子群算法
微粒子群算法是一种原型相当简单的启发式算法、与其他仿生优化算法相比，算法原理简单、参数较少、容易实现。其次微粒子群算法对种群大小不十分敏感，即使种群数目下降其性能也不会受到太大的影响。同时算法收敛速度较快。微粒子群算法目前存在的问题是：精度较低，易发散，若加速系数、最大速度等参数太大，微粒子群可能错过最优解，算法不能收敛。而在收敛情况下，由于所有的粒子都同时向最优解的方向飞去，所以粒子趋向同一化（失去了多样性），使算法容易陷入局部最优解，即算法收敛到一定精度时，无法继续优化。
（4） 人工神经网络
人工神经网络系统是一个高度复杂的非线性动力学系统，不但具有一般非线性系统的共性、更主要的是它还具有高维性和神经元之间的广泛互连性。
人工神经网络能广泛地进行知识索引，对待噪声、不完整或不一致的数据具有很强的处理能力，使人工神经网络成为多变量经验建模的有效工具。
人工神经网络算法的不足是：1）学习速度较慢；2）人工神经网络算法是一种局部搜索算法，求解复杂非线性函数的极值问题时，算法容易陷入局部解；3）网络结构的选择没有统一的理论指导，只能依靠经验选定；4）存在过度拟合现象，即使一般情况下，训练能力差时，预测能力也差，在一定程度上，预测能力随着训练能力的提高而不断提高，但这种趋势存在一个极值，当达到这个极值时，预测能力随着训练能力的提高反而下降；5）改进的人工神经网络收敛速度较慢，且目前尚无成熟的理论依据确定其隐含层数和隐含层节点数。
（5） 人工免疫算法
人工免疫算法的特征包含每个元素具有智能，具有较高的自治性，能判断其他元素是否为自体类型，免疫系统元素选择性的识别非自体类型，多样性是由基因组合产生的。在网络组件阶段自我学习，只要新的非自体出现就进行非自体学习。识别是被动方式，试图识别非自体，单位之间的通信是之间的亲和度，而不是硬链接。
人工免疫算法模拟了人体免疫系统所特有的自适应性和人工免疫这一加强人体免疫系统的手段，采用了基于浓度的选择更新策略，防止了早熟现象的发生，保证了搜索过程朝着全局最优进行。人工免疫算法的搜索目标具有一定的分散性和独立性，实现的是多样性搜索。
人工免疫算法是建立在精确数学模型或进化计算的基础上，数学模型简单，易于实现，但功能不强，且容易失真，其智能度也没有其他几种仿生优化算法高，较其他仿生优化算法相比，改进麻烦。
（6） 人工鱼群算法
人工鱼群算法的特点：1）人工鱼群算法具有快速跟踪极值点漂移的能力，而且也具有较强的跳出局部极值点的能力；2）算法只需要比较目标函数，对目标函数的性质要求不高；3）算法对初值和参数设定的依赖性不高，可以通过随机或者设置固定值的方式产生初值，参数设定也容许在较大的范围内取得；4）具有较快的搜索速度和并行处理问题的能力，对于精度要求不高的问题，可以快速得到问题的一个可行解；5）不需要问题的严格机理模型，甚至不需要对于问题的精确描述，应用范围较广。
人工鱼群算法的缺点：1）算法只获取问题的满意解域，对于精确解的获取，还需对其进行适当改进；2）当人工鱼个体的数目较少时，人工鱼群算法便不能体现其快速有效集群性的优势；3）人工鱼群算法的数学基础比较薄弱，目前还缺乏具有普遍意义的理论分析；4）当寻优的域较大时或出于变化相对平坦的区域时，搜索性能下降；5）算法在搜索初期有较快的收敛速度，但后期搜索速度较慢。
多种仿生优化算法的特点相关推荐
- 萤火虫算法_40多种智能优化算法原理和代码分享
40多种智能优化算法原理和代码分享 <智能优化算法讲解>PDF下载地址: <智能优化算法原理讲解>PDFmianbaoduo.com 包括: 1.海鸥算法SOA 智能优化算法 ...
- 麻雀优化算法_多种智能优化算法应用案例分享-附代码
1.智能优化算法应用:基于灰狼算法的Otsu图像多阈值分割 智能优化算法应用:基于灰狼算法的Otsu图像多阈值分割-附代码_Jack旭的博客-CSDN博客blog.csdn.net 2.智能优化算法 ...
- 数学建模常用算法：启发式优化算法合辑（内含多种智能优化算法，使用java实现算法、详细注释、并进行结果可视化）
一.启发式算法介绍 启发式算法(heuristic algorithm)是相对于最优化算法提出的.一个问题的最优算法求得该问题每个实例的最优解.启发式算法可以这样定义:一个基于直观或经验构造的算法 ...
- 【智能优化算法-人工蜂鸟算法】基于人工蜂鸟算法求解多目标优化问题附matlab代码MOAHA
1 内容介绍 在这项工作中提出了一种新的仿生优化算法,称为人工蜂鸟算法(AHA)来解决优化问题. AHA算法模拟自然界中蜂鸟的特殊飞行技能和智能觅食策略.模拟了觅食策略中使用的三种飞行技能,包括轴向. ...
- 萤火虫算法_智能优化算法萤火虫算法
今天介绍的算法是萤火虫算法(Firefly Algorithm,简称FA),也是一种仿生优化算法.从算法名字就知道了,该算法的思想来源于萤火虫,具体是萤火虫的闪烁行为.下面是展开对算法相关内容的介绍. ...
- 基于精英反向学习和Lévy飞行的鲸鱼优化算法
文章目录 一.理论基础 1.鲸鱼优化算法 2.改进鲸鱼优化算法 (1)基于精英反向学习的种群初始化 (2)自适应权重 (3)Lévy飞行 二.实验结果与分析 三.参考文献 一.理论基础 1.鲸鱼优化算 ...
- 优化算法：人工蜂鸟算法AHA
目录 灵感 原理 初始化 引导觅食Guided foraging 领土觅食Territorial foraging 迁移觅食Migration foraging AHA伪代码 AHA与ABC的概念比较 ...
- 基于藤壶交配优化算法的函数寻优算法
文章目录 一.理论基础 1.藤壶交配优化算法 1.1 哈迪-温伯格(Hardy-Weinberg)法则 1.2 BMO 1.2.1 初始化 1.2.2 选择过程 1.2.3 繁殖 2.BMO算法伪代码 ...
- 人工智能之优化算法1-蚁群优化算法
原文作者: <蚁群算法原理及其应用>:段海滨,科学出版社. <智能蚁群算法及其应用>:吴启迪,汪镭,上海科技教育出版社. 链接: http://www.nocow.cn/ind ...
最新文章
- openid java_微信小程序调用微信登陆获取openid及java做为服务端示例
- (0009) iOS 开发之友盟统计分析SDK已全面支持HTTPS的更新
- hdu 4419 Colourful Rectangle （离散化扫描线线段树）
- 如何在Hibernate中维护表的历史记录
- css 透明度_如何在网页控制透明度
- [Leetcode]-- Valid Number
- 2021江西高考成绩小分查询,2021江西高考成绩查分时间
- 中国可打印标签市场趋势报告、技术动态创新及市场预测
- gsm模块 java 录音_Android GSM驱动模块详细分析
- app的证书签名，eclipse的sha1和md5值
- 《Flutter 从0到1构建大前端应用》读后感—第8章【持久化】
- 文件系统 和 网络附接存储(NAS: Network Attached Storage)
- c++中变量名和变量值
- python阈值分割_Python实现otsu阈值分割算法
- 网线制作ppt_制作网线图解讲解.ppt
- 游戏开发物语方案点数分配_《游戏开发物语》官方超全新手攻略和名词解析！...
- phalapi可以依赖注入么_3.2 PhalApi 配置
- Backtrader量化平台教程（五）Signal
- 国产loongarch64（龙芯）GCC的初体验
- MarkDown 排版测试