基于社會(huì)力模型的智能優(yōu)化算法研究.pdf

1、群集是由大量自治個(gè)體組成的集合，通過個(gè)體的局部感知和反應(yīng)行為，使整體呈現(xiàn)出涌現(xiàn)行為（如自組織現(xiàn)象），通常個(gè)體的感知行為和反應(yīng)行為以及群體所表現(xiàn)出的自組織行為被認(rèn)為是群集智能的體現(xiàn)。在無集中控制且缺少全局信息的條件下，群集智能為解決復(fù)雜的分布式問題提供了一種新的途徑。
　　 自然界以及人工系統(tǒng)中存在著大量的自組織現(xiàn)象，針對(duì)群體的自組織現(xiàn)象以及社會(huì)行為而提出的群集智能計(jì)算成為了一個(gè)新的研究領(lǐng)域。近年來，在群集智能計(jì)算領(lǐng)域，已經(jīng)提出了

2、多種社會(huì)性的仿真模型來解釋群體的自組織現(xiàn)象，受這些仿真模型的啟發(fā)而提出來的智能優(yōu)化算法有蟻群系統(tǒng)(Ant System，AS)、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）、人工魚群算法(Artificial Fish Swarm Search Algorithm，AFSA)等，目前這些智能算法已經(jīng)被用于解決各種優(yōu)化問題。
　　 雖然現(xiàn)有的很多智能優(yōu)化算法都得到了廣泛的應(yīng)用，但是這些算方法，如

3、PSO在求解各種不同的問題時(shí)，總會(huì)遇到全局或者局部搜索能力差、收斂速度慢以及易出現(xiàn)收斂早熟、搜索停滯等問題。事實(shí)上目前還沒有一個(gè)算法能夠滿足人們的需要?！皀o free lunch”理論也已證明不可能存在一個(gè)算法能夠解決所有的問題。因此改進(jìn)已有的算法或提出基于不同機(jī)制的算法，用于解決不同的問題是非常有必要且很有意義的科研課題。
　　 Helbing等人提出的社會(huì)力模型(Social Force Model)用力的方法解釋了個(gè)體之

4、間以及個(gè)體與建筑結(jié)構(gòu)之間的非線性作用。在社會(huì)力模型中，個(gè)體的實(shí)際行為受個(gè)體的心理期望、個(gè)體間相互作用以及建筑結(jié)構(gòu)（如門、墻）三方面因素的影響。社會(huì)力模型用期望力來反映個(gè)體對(duì)目標(biāo)（或者出口）的期望作用，用排斥力來解釋人群個(gè)體之間保持一定距離的原因，個(gè)體對(duì)墻的心理作用也用個(gè)體與墻之間的排斥力來反映。
　　 受社會(huì)力模型的啟發(fā)，本文提出了一種基于社會(huì)力模型的群體優(yōu)化算法(Swarm Optimization algorithm bas

5、ed on Social Force model, SFSO)，并在此算法基礎(chǔ)上形成了MO-SFSO(Multi-Objective SFSO)算法，用于求解多目標(biāo)函數(shù)優(yōu)化問題。
　　 對(duì)SFSO算法的測(cè)試結(jié)果表明算法具有如下特點(diǎn):1）在求解多模態(tài)函數(shù)時(shí)能夠并行對(duì)多個(gè)全局最優(yōu)解進(jìn)行搜索并最終收斂到多個(gè)全局最優(yōu)解;2)算法的這種搜索機(jī)制能夠使種群的多樣性保持在一個(gè)較好的水平，防止算法過早陷入局部最優(yōu);3）SFSO算法的搜索機(jī)制使算

6、法在處理不同類型的優(yōu)化問題時(shí)，具有很強(qiáng)的魯棒性。
　　 PSO算法不能同時(shí)收斂于多個(gè)全局最優(yōu)解，而SFSO算法能夠克服此缺點(diǎn)主要在于SFSO能夠在全局開發(fā)和局部搜索之間能夠做到很好的平衡。SFSO的搜索機(jī)制包括以下幾方面內(nèi)容:1）在算法的開發(fā)階段，行人在運(yùn)動(dòng)過程中，被劃分為自由個(gè)體和非自由個(gè)體。自由個(gè)體的隨機(jī)搜索策略一定程度上能夠增強(qiáng)SFSO算法的全局搜索能力。受目標(biāo)的吸引和周圍個(gè)體的排斥作用，非自由個(gè)體的搜索行為既具有確定性又

7、有隨機(jī)性的特點(diǎn)，而且在搜索的過程中由于排斥力的作用一定程度上避免了個(gè)體間的聚集，也增強(qiáng)了算法搜索能力。2）在算法的開采階段，個(gè)體間通過協(xié)作行為能夠加速對(duì)最優(yōu)解的收斂。
　　 跟SFSO算法一致，MO-SFSO算法的搜索機(jī)制也是通過社會(huì)力來驅(qū)動(dòng)行人，從而在目標(biāo)區(qū)域內(nèi)進(jìn)行搜索來尋找Pareto最優(yōu)解集。典型多目標(biāo)測(cè)試函數(shù)的測(cè)試結(jié)果表明，MO-SFSO算法跟NSGA-Ⅱ的算法性能相差不大，也具有收斂性高，魯棒性強(qiáng)的優(yōu)點(diǎn)，獲得的非支配解