改進(jìn)的社會(huì)力模型優(yōu)化算法的研究與應(yīng)用.pdf

1、優(yōu)化是在特定的條件下尋找問(wèn)題的最優(yōu)解，是一種應(yīng)用科學(xué)。優(yōu)化算法的出現(xiàn)目的是為了能夠解決現(xiàn)實(shí)中遇到的各類優(yōu)化問(wèn)題。按優(yōu)化算法對(duì)求解問(wèn)題的處理方法，可以將優(yōu)化算法分為確定型算法和概率型算法。傳統(tǒng)的優(yōu)化算法通常根據(jù)數(shù)學(xué)分析的方法對(duì)目標(biāo)函數(shù)求極值，但是面對(duì)不連續(xù)、不可導(dǎo)的函數(shù)時(shí)，確定型算法束手無(wú)策，并且全局搜索能力差，在很大程度上限制了確定型算法的應(yīng)用。進(jìn)化算法作為概率型算法的一個(gè)重要分支，成為優(yōu)化算法領(lǐng)域中的一個(gè)研究熱點(diǎn)。自從仿生學(xué)創(chuàng)立之后，

2、許多優(yōu)化算法的研究者發(fā)現(xiàn)，在自然界中，不同的生物種群利用他們本能擁有的社會(huì)行為模型可以解決所面臨的各種問(wèn)題，他們具有自組織、自學(xué)習(xí)和自適應(yīng)的特點(diǎn)。受自然界的啟發(fā)，學(xué)者們通過(guò)對(duì)不同生物種群的社會(huì)行為進(jìn)行模擬，設(shè)計(jì)出簡(jiǎn)單、通用的群智能(Swarm Intelligence，SI)優(yōu)化算法。
　　自然界中，群集由多個(gè)智能體組成，每個(gè)智能體通過(guò)遵循本種群的行為規(guī)則，并且多個(gè)智能體相互協(xié)作來(lái)使整個(gè)群體“涌現(xiàn)”出復(fù)雜的行為特征，種群的這種行為

3、特征不是個(gè)體能力的簡(jiǎn)單疊加。通過(guò)對(duì)不同種群的智能行為進(jìn)行模擬，研究者們?cè)O(shè)計(jì)出用于求解復(fù)雜優(yōu)化問(wèn)題的群智能優(yōu)化算法。近年來(lái)，通過(guò)對(duì)生物行為進(jìn)行抽象，提出來(lái)許多具有代表性的群智能優(yōu)化算法（粒子群優(yōu)化算法、人工魚(yú)群算法、蜂群算法、蟻群算法等）。雖然這些群智能算法用于函數(shù)優(yōu)化時(shí)能夠得到比較滿意的結(jié)果，但是在尋優(yōu)的過(guò)程中，仍然會(huì)表現(xiàn)出不同的缺點(diǎn)，如搜索能力差、收斂速度慢、早熟收斂及搜索停滯等問(wèn)題，目前沒(méi)有一種算法可以很好地解決所有優(yōu)化問(wèn)題。為此，

4、對(duì)現(xiàn)有算法的改進(jìn)或設(shè)計(jì)出基于不同機(jī)制的優(yōu)化算法用來(lái)解決各種類型的優(yōu)化問(wèn)題是非常有必要的。
　　社會(huì)力模型是對(duì)人群密集場(chǎng)所行人流動(dòng)進(jìn)行模擬的仿真模型，當(dāng)前被普遍應(yīng)用于人群疏散模擬與分析、建筑安全性能評(píng)價(jià)、交通樞紐流量的研究分析等領(lǐng)域中。社會(huì)力模型定義了行人所受的三種力:(1)自驅(qū)動(dòng)力，表現(xiàn)了環(huán)境中目標(biāo)對(duì)行人的內(nèi)在期望作用;(2)行人之間的作用力，當(dāng)行人之間的距離很小時(shí)，為了避免擁擠而表現(xiàn)出來(lái)個(gè)體之間的作用力;(3)行人與建筑物之間的

5、力，模擬了行人避免與建筑物發(fā)生碰撞的心理。作為多個(gè)個(gè)體自驅(qū)動(dòng)系統(tǒng)的框架，社會(huì)力模型不僅刻畫了個(gè)體對(duì)周圍環(huán)境的思考和反應(yīng)能力，同時(shí)對(duì)個(gè)體的心理愿望以及個(gè)體的受力情況進(jìn)行了很好地抽象，形象逼真地描繪了個(gè)體運(yùn)動(dòng)的整個(gè)過(guò)程。
　　已有的基于社會(huì)力模型優(yōu)化算法(Swarm Optimization algorithm basedon Social Force model，SFSO)對(duì)低維多目標(biāo)函數(shù)優(yōu)化問(wèn)題得到了比較好的效果。但是在實(shí)踐中仍然

6、存在很多問(wèn)題，比如對(duì)高維函數(shù)求解精度差、收斂速度慢、容易陷入局部最優(yōu)等。針對(duì)現(xiàn)有SFSO算法存在的一些問(wèn)題，本文采用了一些改進(jìn)策略。為了驗(yàn)證算法的有效性，選取63個(gè)benchmark函數(shù)進(jìn)行測(cè)試表明:改進(jìn)后的SFSO能夠使算法在全局搜索和局部搜索中達(dá)到較好的平衡，有較強(qiáng)的全局尋優(yōu)能力，對(duì)各類函數(shù)有較高的求解精度和成功率。
　　支持向量機(jī)(Support Vector Machine，SVM)的參數(shù)選取目前沒(méi)有一個(gè)比較好的理論依據(jù)，

7、大量實(shí)驗(yàn)表明，參數(shù)選取不當(dāng)在很大程度上影響支持向量機(jī)的性能。將改進(jìn)后的SFSO引入支持向量機(jī)的參數(shù)優(yōu)化中，實(shí)驗(yàn)表明:經(jīng)過(guò)改進(jìn)SFSO算法優(yōu)化后的支持向量機(jī)，其分類性能有了明顯的提高。
　　深度信念網(wǎng)絡(luò)(Deep Belief Networks，DBN)是一種當(dāng)今較為流行的機(jī)器學(xué)習(xí)方法，但是采用DBN進(jìn)行原始數(shù)據(jù)的特征學(xué)習(xí)所存在的問(wèn)題在于DBN結(jié)構(gòu)參數(shù)的確定，其中隱含層節(jié)點(diǎn)個(gè)數(shù)的選取是一個(gè)人為確定的過(guò)程，需要憑借一定的經(jīng)驗(yàn)。已經(jīng)有部