群体智能应用综述

莉冶狡不前沿技术群体智能应用综述康琦，张燕，汪镭，吴启迪（同济大学电子与信息工程学院，上海２０００９２）［摘要］群体智能是一种在自然界生物群体所表现出的智能现象启发下提出的智能模式。本文从优化问题求解、电力系统、计算机和冶金自动化等领域出发，全面综述了群体智能在其中的应用成果。［关键词］群体智能；蚁群算法；微粒群算法；应用综述［中图分类号］嘲３４．９［文献标识码］Ａ［文章编号】１０００－７０５９（２００５）０５．０００７—０４ＡｐｐｆｉｃａｔｉｏｎｏｖｅｒｖｉｅｗＫＡＮＧｏｎｓｗａｒｎｌｉｎｔｅｌｌｉｇｅｎｃｅＱｉ，ＺＨＡＮＧＹａｈ，ＷＡＮＧＬｅｉ，ＷＵＱｉ－ｄｉＩｎｆｏｒｍａｔｉｏｎ，ＴｏｎａｌＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄ２０００９２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅｉｓａｋｉｎｄｏｆｉｎｔｅｌｌｉｇｅｎｃｅｍｏｄｅｅｎｌｉｇｈｔｅｎｅｄｂｙｓｏｍｅｉｎｔｅｌｌｉｇｅｎｔｃｏｌｏｎｙｂｅｈａｖｉｏｒｓｉｎｔｈｅｎａｔｕｒｅ．Ａｐｐｌｉｃａｔｉｏｎｏｆｓｗａｌｌ／ｌｉｎｔｅｌｌｉｇｅｎｃｅｉｓｓｕｍｍａｒｉｚｅｄｉｎｓｕｃｈｆｉｅｌｄｓ嬲ｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍ．ｐｏｗｅｒｓｙＳｔｅｍ，ｃｏｍｐｕｔｅｒ，ⅡｌｅｔａⅡｌｌｒｇｉｃａｌｉｎｄｕｓｔｒｙａｕｔｏｍａｔｉｏｎａｎｄ８０ｏｎ．Ｋｅｙｗｏｒｄｓ：ＳＷ＆ＩＴｆｉｉｎｔｅｌｌｉｇｅｎｃｅ；ａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ；ｐａｒｔｉｃｌｅｓｗａｌｌｎｏｐｔｉｍｉｚａｔｉｏｎ；ａｐｐｌｉｃａｔｉｏｎｏｖｅｒｖｉｅｗＯ引言群体智能的概念源于对蜜蜂、蚂蚁、大雁等这类群居生物群体行为的观察和研究，是一种在自然界生物群体所表现出的智能现象启发下提出的人工智能实现模式，是对简单生物群体的智能涌现现象的具体模式研究，即“简单智能的主体通过合作表现出复杂智能行为的特性”［卜４｜。该智能模式需要以相当数目的智能个体来实现对某类问题的求解功能。作为群体智能的典型实现模式，模拟生物蚁群智能寻优的蚁群算法和模拟鸟群运动模式的微粒群算法正在受到学术界的广泛关注。由于其概念简明、实现方便，在短期内迅速得到了国际演化计算研究领域的认可，并在优化问题求解【５娟Ｊ、电力系统［９。…、计算机［１１］、冶金自动化［１，１２］等领域得到了有效的应用。本文中，作者将从这些领域出发，全面综述群体智能算法在其中的应用成果，［收稿日期］２００５－０６－１４；［修改稿收到日期］２００５．０６．２１并作适当评述。１经典优化问题求解１．１组合优化旅行商问题（ｒｌＳｐ）是一类经典的组合优化问题。蚁群算法最初就是针对ｒｌＳＰ问题提出的。在寻求解答时，蚂蚁的相互合作利用的是储存在ＴＳＰ路径上的信息素这种间接的信息形式。实验结果表明，蚁群系统的性能要好于其他诸如模拟退火和进化计算等启发式寻优算法。另有人从更多方面来模仿自然界中蚂蚁的行为，更为合理地制定信息素的动态挥发规则，用动态蚁群算法来解决ｒｌＳｐ问题蚓５，并得到了较好的算法性能。继蚁群算法之后，微粒群算法通过一定的改进或变形也已经成功用于ＴＳＰ问题的求解。例如结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合微粒群算法来求解ＴＳＰ问题［６］６。另外，通过引入交换子和交换序的概念，构造一种特［基金项目］国家自然科学基金（７０凹１０３５；６０１０４００４）；上海市启明星计划（０３ＱＧｌ４０５３）；国家９７３子项目（２００２ＣＢ３１２２０２）；上海市教育科学研究项目（Ａ０４０１）。［作者简介］康琦（１９８０－），男，河南商丘人，博士研究生，主要从事群体智能、进化计算等研究工作。冶金自动化２００５年第５期·７·万方数据　群体智能应用综述殊的微粒群算法，并有效地用于此类问题的求解。新产品组合问题也是一种典型的组合优化问题。引入新产品最佳投入期和相关收益的概念，在产品生命周期量化描述前提下，提出一个非线性半无限规划的相关新产品组合投入模型，并用群体智能算法求解。仿真实例表明，群体智能算法在求解组合优化问题时简便且易于实现，并具有很强的实用性。１．２约束优化—般地，一个约束优化问题由目标函数和约束条件构成。其数学模型一般形式为：ｍｉｎｆ（髫）Ｓ种后启发式算法，现在已被应用到调度问题求解中。蚁群算法对于启发策略而言具有某种改进效果。为了证明蚁群算法的有效性，有论文对加权单机延迟问题进行了计算研究。结果表明，该方法能够有效地改进各种启发式算法的鲁棒性，并在问题求解上要优于现有的启发式方法；在求解的质量和计算的代价上，蚁群算法是一种有效解决时序问题的方法。对Ｆｌｏｗｓｈｏｐ问题的蚁群优化调度方法研究，目前也被广大研究者所重视。根据蚁群路径寻优行为模型及其与混流车间调度的相似性，有论文提出混流车间的蚂蚁调度算法［７］。在双机Ｆｌｏｗｓｈｏｐ调度问题和多机调度问题求解中，蚁群算法也能起到很好的作用。２．２规划ｔ菇＝（Ｘｌ，戈２，…，戈ｎ）－∈ＳｃＲ“式中，．厂（菇）为目标函数；形为ｎ维实数空间。将满足约束条件的解空间Ｊｓ称为可行域，可行域中的解称为可行解，可行域中使目标函数最小的解称为最优解。目前，上述两种群体智能算法模式已被有效应用于约束优化问题求解。例如，可对约束优化问题引入半可行域的概念，提出竞争选择的新规则，并改进基于竞争选择和惩罚函数的进化算法适应度函数，然后结合群体智能本身的特点，设计选择算子对半可行域进行操作，从而得到一个利用群体智能算法求解约束优化问题的改进进化算法。此外，还针对非线性约束优化问题，提出了相应的新算法，并通过数值实验验证了算法的全局寻优能力。１．３多目标优化群体智能算法在多目标优化问题求解中有成功的应用。通过对微粒群算法全局极值和个体极值选取方式的改进，提出一种用于求解多目标优规划问题实际上是一种约束优化问题。群体智能算法可用于实际的规划问题，如过程系统优化中的非线性规划问题。在此类问题求解中，通过引入罚函数把微粒群算法应用到非线性规划问题的求解中，可以对一般的非线性规划问题和非凸的非线性规划问题进行有效的求解。另外，群体智能算法在整数规划中也有成功的应用。此类算法还被应用于移动机器人路径规划、机器人振动抑制轨迹规划以及交通领域中车辆路径规划等一些典型的规划问题【２“，８｜。在实际尊ｇ优化应用中，蚁群算法和微粒群算法还被用于许多工程优化问题的求解，如神经网络进化、电路设计、数字滤波器设计、半导体器件综合和布局优化等【２“Ｊ。３电力系统的应用群体智能算法在电力系统优化中有着广泛的应用，例如在配电网扩展规划、检修计划、机组组合、负荷经济分配、最优潮流计算与无功优化控制、谐波分析与电容器配置、配电网状态估计、参数辨识、优化设计等方面１２－４］。３．１优化电力系统优化问题存在着维数灾、局部最优和约束条件及目标函数不易处理等特点，随着系统规模的增大，待选方案将显著增多，发生“组合爆炸”现象，有的还属于典型的非凸多峰问题，除了全局最优解外，一般还存在若干局部最优解，因此用传统的优化方法解决这类问题，往往得不到满意的结果，特别在系统规模较大时更是如此。群体智能算法可以有效地进行此类问题的求解。化问题的算法，实现了对多目标优化问题非劣最优解集的搜索。另外，考虑到有固定或自适应权重的加权聚类技巧，并将基于遗传算法用于多目标优化的ＶＥＧＡ（ＶｅｃｔｏｒＥｖａｌｕａｔｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，向量评估遗传算法）方法引入微粒群算法，提出一种可以有效处理多目标优化问题的多群体微粒群算法。此外，利用微粒群算法还可以实现在一个连续变化动态环境下对多个峰值的有效跟踪。２实际优化问题求解２．１调度优化用于调度问题的传统启发式求解方法的一个主要特点是求解的鲁棒性不强，而蚁群算法是一８万方数据　群体智能应用综述在继电控制系统中，元件的连接关系可以使估计和调压器优化设定。配送状态估计方法使用用网络拓扑图描述，元件间的接线路径优化类似了混合微粒群算法来处理配送系统实际测量值和于旅行商ＴＳＰ问题，这属于ＮＰ完备的组合优化问实际设备的非线性特性。用于调压器设定的优化题。在基于蚁群并行算法的电气接线路径优化及方法应用了反应性的禁忌搜寻和列举方法来处理仿真中，有人建立了适用于继电系统接线路径优引入分布式发电机而产生的负载流的变化，该方化的蚁群算法模型，在消息传递界面的基础上实法的可行性在实际配送模型中得到了证明。现了算法的并行化，并通过对算法初始参数进行３．３负载分配及调度的仿真分析，确定了各参数的最佳取值范围。另电力系统经济负荷分配问题是一种复杂的非外，一种求解最优机组组合问题的随机扰动蚁群凸、非线性约束优化问题。有人提出将蚁群算法优化算法也有人进行了深入研究。和其他搜索方法相结合，以改进它的性能，在此领配电网中合理的电容器配置不仅可以有效改域中应用所得到的结果还是比较满意的。通过对善电网的电压水平，降低系统的有功网损，而且能微粒群算法进行一定的改进，可以用于电力系统够避免谐波谐振或电流放大。该问题是一个非线经济负荷分配问题求解。基于随机分析理论，可性和不可微的混合整数优化问题，这个问题带有证明该算法依概率收敛至全局最优，且收敛性与一组等量和不等量的运行条件，并且用数学公式微粒群的初始分布无关。表述这个问题要考虑谐波畸变影响、电容器离散微粒群算法用于电力系统经济调度问题。例特陛和不同的负载水平。对于解决编码方式、操如，可用于解决具有发电机约束的经济调度问题、作过程、目标函数选取、参数调节以及信息共享机具有分段平方成本函数的经济电力调度问题、具制等５类问题圳９，微粒群算法具有优越性。微粒有禁止运行区的有条件经济调度问题、带安全约群算法还用于电力系统的无功优化，例如配电网束的经济负荷分配问题、带线路流量和电压约束络的无功补偿优化。有论文介绍采用微粒群算法的经济负荷分配问题以及对非平滑价值函数进行对配电网络的无功补偿优化数学模型进行了优化经济负荷分配等。另外，基于蚁群算法还可进行计算【１０Ｊ，计算结果符合实际情况，表明微粒群算法电力系统最优切换方法的研究。在发电调度问题应用于电力优化计算切实可行，为复杂的电力系求解中，还有人使用蚁群智能搜索方法进行短期统优化设计问题提供了新的思路和方法。发电调度问题的时序求解。这是一种通用的互助此外，在电力系统机组组合优化问题求解、多智能体方法，所提基于蚁群算法的搜索策略，能解机器功率系统稳定器的最优设计等方面［２“］，微决短期的热电系统调度问题。粒群算法和蚁群算法都具有突出的求解性能。４计算机领域中的应用３．２参数辨识、估计与调整４．１任务分配微粒群算法可被用于同步发电机的参数辨任务分配问题的解决是有效利用分布或并行识。通过在微粒群算法中采用更多微粒位置值信式计算机系统能力的核心步骤之一，是将一程序息进行变异操作，并且根据各微粒适应值大小来任务在分布计算机系统的不同处理器之间进行分确定算法的控制参数，可保证扩展后算法的收敛配，以减少程序的运行时间，增加系统解决问题的性，并用于电力系统的参数辨识问题仿真实验，仿能力。它是一个ＮＰ完全问题，其目标通常是，在真结果表明，在系统受到较大干扰的情况下，微粒最大化和平衡资源利用的同时最小化处理器之间群算法仍具有精确的参数综合辨识能力和很高的的通信。用微粒群算法求解任务分配问题，可用收敛效率。相互作用图的形式描述任务分配问题，寻找问题微粒群算法可有效地对电力系统进行分布状解和算法中微粒问的恰当映射，使得所有处理器态估计。考虑到实际设备的非线性特性以及分布的最大处理时间为最小。有论文结果显示［１１ｊ，微式系统中的实际量测，通过最小化测量和计粒群算法较传统优化算法具有更好的效果。算电压及电流之间的差别，可以估计每个节点上４．２数据分类的负荷和分布式发电输出值。聚类分析通常被用于模式识别、颜色量化和微粒群算法可在电力配送系统中被用于状态图像分类。它可以帮助用户从海量的数据中辨别冶金自动化２００５年第５期·９·万　方数据群体智能应用综述数据结构，简化数据的复杂度。在提取这些数据之后，用户可以理解其内含的信息。在实际情况中，信息的分布可以是任何的规模和形式。使用微粒群算法和蚁群算法可以自动搜索任意数据集中的聚类中心。这种方法非常简单有效，它可以避免陷人局部最小值。４．３专家系统专家系统中，有一种基于或然论的专家系统被叫做贝叶斯网络。蚁群算法可在其中加以应用，在贝叶斯网络中搜寻最佳的消除顺序。另外，基于蚁群算法还可进行学习型贝叶斯网络的构建。对于通过数据学习构建贝叶斯网络问题，一种重要的方法就是在数据基础上，对于给定的候选网络，用十进制来估计其适应值，然后提供一种搜寻方法去研究这个网络结构。常用的搜索方法是贪婪性爬山算法，或是确定性的爬山算法，或是不确定性的爬山算法。对于学习性贝叶斯网络，蚁群算法是一种新的求解模式，它对于解决其他各种组合优化问题也是非常有效的。此外，群体智能算法还在数据挖掘、图像处理以及计算机图形学领域都有着成功的应用。作所需时间显著减少了，这导致了总体较低的生产成本，同时得到了更好的研磨质量。这一概念正被扩展到其他的机器制造过程，以及一个更复杂过程参数集的预测和优化。还有人将进化计算和微粒群算法进行结合提出一种用于端铣削过程的模型并且预测表面光洁度的新方法。从切割试验中得到的数据被用于模型的标定和合理性论证。模型的输入包括进刀、速度和切割深度，模型的输出是表面的光洁度。模型合理性是通过实验值和相应的预测值之间的比较来进行的。除了上述应用领域外，群体智能在通信领域，如通信网络的负载平衡问题、路由选择问题、移动计算等，化工领域，生物医学以及电磁学等领域都有一定的应用［２－４Ｊ。６结论群体智能是一种基于自然界生物群体行为模拟的人工智能实现模式。自提出以来，群体智能在优化问题求解、电力系统、计算机和冶金自动化等领域表现出了较好的寻优性能，因而引起了相关领域研究者的广泛关注。尽管对群体智能的研究仍处于初级阶段，但它具有很大的发展潜力，因此对其应用领域的拓展研究具有广阔的前景。［参考文献］［Ｉ］ｇｅｎｎｅｃｌｙＪ，ＥｂｅｔｈａｒｔＲ５冶金自动化领域的应用在冶金自动化领域，群体智能算法也有成功的应用。例如，在对粗轧宽展控制模型进行优化方面，采用微粒群算法对粗轧宽展控制模型进行优化［１２］。宽度是粗轧中最重要的一个指标，热轧的宽度控制主要在粗轧完成。其中粗轧宽展控制模型的参数不够精确在很大程度上影响着粗轧宽度控制的效果。对其中影响较大的系数，如对自然宽展、狗骨宽展修正系数口、ｐ以及水平机架的人口宽度等进行优化，以期达到提高控制精度的目的。由于粗轧过程本身非常复杂，且考虑到常规的优化方法很难有好的效果，因此，经微粒群算法优化后的模型能较好地反映实际宽展的情况，算法精度明显优于遗传算法。通过遗传算法和微粒群算法对粗轧宽展模型进行的对比优化仿真表明，优化后的模型效果明显优于原来模型，体现了微粒群算法在冶金自动化领域的优越性。微粒群算法还被用于计算机数字控制的研磨优化…。其中，多点金属切割过程的基本原理还未被很好理解，同时这一过程还具有高度的非线性特性。而使用微粒群优化进行的网络权值进化则提供了一种准确可靠的方法。完成终端研磨操Ｃ．Ｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅ［Ｍ］．ＳａｎＦｒａｎｃｉｓｃｏ：ＭｏｒｇａｎＫａｎｆｉｍｎｎ，２００１．［２］康琦．微粒群优化算法的研究与应用［Ｄ］．上海：同济大学，２００５．ＫＡＮＧＱｉ．Ｒｅｓｅａｒｃｈａｎｄｉｔｓｐａｒｔｉｃｌｅｓｗａｒｍ．ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍＵｎｉｖｅｒｓｉｔｙ，２００５．ａｐｐｌｉｃａｔｉｏｎ［Ｄ］．Ｓ１１锄９１１８ｉ：Ｔｏｎｉ［３］吴启迪，汪镭．智能蚁群算法及应用［Ｍ］．上海：上海科技教育出版社，２００４．ＷＵＱｉ．ｄｉ，ＷＡＮＧＬｅｉ，ＩｎｔｅｌｌｉｇｅｎｔｉｔｓａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍａｎｄＳｃｉｅｎｔｉｆｉｃａｐｐｌｉｃａｔｉｏｎ［Ｍｊ．Ｓｈａｎｇｈａｉ：ＳｈａｎｇｈａｉａｎｄＴｅｃｈ－ｎｏｌｏｏｃａｌＥｄｕｃａｔｉｏｎＰｕｂｌｉｓｈｉｎｇ，２００４．［４］吴启迪，汪镭．智能微粒群算法的研究及应用［Ｍ］．南京：江苏教育出版社，２００５．ＷＵＱｉ—ｄｉ，ＷＡＮＧＬｅｉ，ＩｎｔｅｌｌｉｇｅｎｔｐａｒｔｉｃｌｅｓｗａｒｌＴｌｏｐｔｉａｔｉｒ．ａｆｉｏｎａｌｇｏｒｉｔｈｍｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｎａｎｊｉｎｇ：ＪｉａｎｇｓｕＥ—ｄｕｃａｔｉｏｎＰｕｂｌｉｓｈｉｎｇＨｏｕｓｅ，２００５．［５］李勇，段正澄．动态蚁群算法求解ＴＳＰ问题［Ｊ］．计算机工程与应用，２００３，３９（１７）：１０３．１０６．ＬＩＹｏｎｇ，ＤＵＡＮＺｈｅｎｇ—ｅｈｅｎｇ．Ａｌ＇ｌｅＷａｎｔｓｙｓｔｅｍｆｏｒＴＳＰｓ（下转第２５页）１０·万方数据　本钢转炉自动化二级网关系统３．４数据转换从服务器接收的数据的整个处理过程是在内存中数据转换包括两部分内容：数据格式的转换进行的，因此可以说其处理速度达到了硬件允许和数据结构的转换。的极限速度；稳定性和可靠性高；实现了工业以太西门子ＰＬＣ上ＤＢ块中数据的存储格式是先网协议（ＩＳＯＩｎｄＥｔｈｅｍｅｔ）与ＴＣＰ／口不同协议之间保存高位字节，再保存低位字节，而在微机上采用的数据转换；软件和数据均模块化，结构合理、灵的是Ｉｎｔｅ］的数据存储格式，即先保存低位字节，再活，易于扩展；实现了数据格式的转换和数据结构保存高位字节。从西门子ＰＬＣ上读取的数据，必的转换；通信连接故障排除后，系统能自动恢复，须先经过高、低字节的交换处理，转换成Ｉｎｔｅｌ的数不需要人工干预等。据格式，再发送给Ｏｒａｃｌｅ服务器和ＳＱＬＳｅｒｖｅｒ服务５结束语器；同样，从Ｏｒａｃｌｅ服务器上接收的数据，也必须本文介绍的二级系统与ＰＬＣ系统不同协议系先经过高、低字节的交换处理，转换成西门子ＰＬＣ统之间的数据通信网关系统，在本钢二炼钢现场的数据格式，再发送至所有的ＰＬＣ上。运行已经一年多。一年多的运行结果表明，该网Ｏｒａｃｌｅ服务器上的数据结构是外商根据二级关系统性能稳定、可靠，通信速度快，功能齐备，完系统自身的需要预先定义好的，某些数据结构的全达到设计要求。数据来自多个ＰＬＣ，这就要求网关系统将从ＰＬＣ上读取的数据分块，并重新排列、组织，生成Ｏｒａｃｌｅ［参考文献］服务器要求的数据结构，再发送至Ｏｒａｃｌｅ服务器［１］蒋东兴，林鄂华，陈棋德，等．ＷｉｎｄｏｗｓＳｏｃｋｅｔｓ网络程序和ｓＱＬＳｅｒｖｅｒ服务器上。设计大全［Ｍ］．北京：清华大学出版社，１９９９．４系统特点［２］汪翔，袁辉．ＶｉｓｕａｌＣ＋＋实践与提高——网络编程网关系统的特点有：通信速度快，由于本系统篇［Ｍ］．北京：中国铁道出版社，２００１．采用ｃ＋＋语言编程，并且对从ＰＬＣ接收的数据和［编辑：夏宁］夺·牵·夺·夺·夺·夺·夺·夺·夺·夺·夺·夺·夺·－ｅｅ－·－４＞·夺·夺·夺·幸·夺·夺·夺·夺·夺·夺·幸·牵·夺·夺·夺·夺·夺·夺·夺·夺·争·夺·夺·÷·夺·夺·争·夺·夺·夺·（上接第１０页）［Ｊ］．ＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００３，３９（１７）：１０３－１０６．ｒｅａｃｔｉｖｅｐｏｗｅｒａｎｄｖｏｌｔａｇｅｃｏｎｔｒｏｌｉｎｅｌｅｃｔｒｉｃｐｏｗｅｒｓｙｓｔｅｍｓ［６］高尚，韩斌，吴小俊，等．求解旅行商问题的混合粒［Ａ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅＥｖｏｌｕｔｉｏｎａｒｙ子群优化算法［Ｊ］．控制与决策，２００４，１９（１１）：１２８６－Ｃｏｍｐｕｔａｔｉｏｎ［Ｃ］．Ｓｏｕｌ：ＩＥＥＥ，２００１．８７－９３．１２８９．［１０］闻朝中，李智．粒子群算法在配电网络无功补偿优ＧＡＯＳｈ卸ｇ，ＨＡＮＢｉｎ，ＷＵＸｉａｏ－ｊｕｎ，ｅｔ８１．Ｓｏｌｖｉｎｇｔｒａｖｅｌ－化中的应用［Ｊ］．武汉工业学院学报，２００４，２３（１）：１８．ｌａｇｓａｌｅｓｍａｎｐｒｏｂｌｅｍｂｙｈｙ妊ｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌ·２１．ｇｏｒｉｔｈｍ［Ｊ］．ＣｏｎｔｒｏｌａｎｄＤｅｃｉｓｉｏｎ，２００４，１９（１１）：１２８６－ＷＥＮＣｈａｏ－ｚｈｏｎｇ．ＬＩＺｌ＇ｆｉ．Ａｐｐｌｉｃａｔｉｏｎｏｆｐａｒｔｉｃｌｅｓｗａ肌ａｌ－１２８９．ｇｏｒｉｔｈｍｉｎｒｅａｃｔｉｖｅｐｏｗｅｒｃｏｍｐｅｎｓａｔｉｏｎｏｆｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔ—［７］郜庆路，罗欣．基于蚂蚁算法的混流车间动态调度研ｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＷｕｈａｎＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，２００４，究［Ｊ］．计算机集成制造系统——ｃＩ懈，２００３，９（６）：２３（１）：１８．２１．４５６４５９．［１１］ＳａｌｍａｎＡ，ＡｂｒｏａｄＩ，Ａ１－ＭａｄａｎｉＳ．Ｐａｒｔｉｃｌｅ鳓ｗ啪ｏｐｔｉｎ＿ｌｉｚａ．ＨＡＯＱｉｎｇ－ｌｕ，ＬＵＯＸｉｎ．Ｄｙｌ珊ｎｉｃ：ｓｃｈｅｄｕｌｉｎｇｉｎｈｙⅫｆｌｏｗｔｉｏｎｆｏｒｔａｓｋａｓｓｉ斟ｍｅｎｔｐｒｏｂｌｅｍ［Ｊ］．Ｎｉｅｒｏｐｒｏｃｅｓｓｏｒｓａｎｄｓｈｏｐｕｓｉｎｇａｎｔａｌｇｏｒｉｔｈｍ［Ｊ］．ＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄ１ＶＩａｎｕｆａｃ－１Ｖｌｉｃｒｏｓｙｓｔｅｍｓ，２００２，２６（８）：３６３－３７１．ｔｕｒｉｎｇＳｙｓｔｅｍｓ，２００３，９（６）：４５６－４５９．［１２］符强，夏瑛，张华，等．基于粒子群算法的粗轧［８］秦元庆，孙德宝，李宁，等．基于粒子群算法的移动机宽展控制模型优化仿真［Ｊ］．冶金自动化，２００３，２７器人路径规划［Ｊ］．机器人，２００４，２６（３）：２２２－２２５．（３）：１－４．Ｑ］ＮＹｕａｎ－ｑｉｎｇ，ＳＵＮＤｅ－ｂａｏ，ＬＩＮｉｎｇ，ｅｔａ１．ＰａｔｈｐｌａｎｎｉｎｇＦＵＱｉａｎｇ，ＸＩＡＹｉｎｇ，ＺＨＡＮＧＨｕａ，ｅｔ８１．Ｓｉｍｕｌａｔｉｏｎｆｏｒｍｏｂｉｌｅｒｏｂｏｔｂａｓｅｄｐａｒｔｉｃｌｅ鼽姻ＩＩＩｌｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ｓｅａｒｃｈｏｐ＂ｕｍｉ妞ｗｉｔｈｅｘｐａｎｓｉｏｎｍｏｄｅｌｏｆｒｏｕｇｈｉｎｇｍｉｌｌＲｏｂｏｔ，２００４，２６（３）：２２２．２２５．ｂａｓｅｄｏｎｐ出ｌｅ㈣ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｊ］．１Ｖｌｅｔａｌｌｕｒ－［９］ＦｕｋｕｙａｍａＹ，Ｙ０ｓｌｌｉｄａＨ．Ａｐａｒｔｉｃｌｅｓ，ｗａｎ＇ｎｏｐｔｉｍｉｚａｔｉｏｎｆｏｒｇｉｅａｌＩｎｄｕｓｔｒｙＡｕｔｏｍａｔｉｏｎ，２００３，２７（３）：１－４．［编辑：魏方］·２５冶金自动化２００５年第５期万　方数据群体智能应用综述

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

康琦， 张燕， 汪镭， 吴启迪， KANG Qi， ZHANG Yan， WANG Lei， WU Qi-di同济大学,电子与信息工程学院,上海,200092冶金自动化

METALLURGICAL INDUSTRY AUTOMATION2005，29(5)4次

1.Kennedy J.Eberhart R C Swarm intelligence 20012.康琦 微粒群优化算法的研究与应用[学位论文] 20053.吴启迪.汪镭 智能蚁群算法及应用 20044.吴启迪.汪镭 智能微粒群算法的研究及应用 2005

5.李勇.段正澄 动态蚁群算法求解TSP问题[期刊论文]-计算机工程与应用 2003(17)

6.高尚.韩斌.吴小俊 求解旅行商问题的混合粒子群优化算法[期刊论文]-控制与决策 2004(11)

7.郜庆路.罗欣 基于蚂蚁算法的混流车间动态调度研究[期刊论文]-计算机集成制造系统--CIMS 2003(06)8.秦元庆.孙德宝.李宁 基于粒子群算法的移动机器人路径规划[期刊论文]-机器人 2004(03)

9.Fukuyama Y.Yoshida H A particle swarm optimization for reactive power and voltage control inelectric power systems 2001

10.闻朝中.李智 粒子群算法在配电网络无功补偿优化中的应用[期刊论文]-武汉工业学院学报 2004(01)11.Salman A.Ahmad I.Al-Madani S Particle swarm optimization for task assignment problem 2002(08)12.符强.夏瑛.张华 基于粒子群算法的粗轧宽展控制模型优化仿真[期刊论文]-冶金自动化 2003(03)

1.学位论文 王会颖 蚁群算法及群体智能的应用研究 2007

自然界里蚂蚁、蜜蜂等，虽然他们个体的智能并不高，却表现出很高的群体智能。群体智能起源于科学家对群居性昆虫的观察和研究。群体智能是指任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置。群体智能以其简单性、灵活性、分布性、健壮性在组合优化问题、知识发现、通信网络、机器人等研究领域显示出巨大的潜力和优势，并推动复杂科学的发展。

蚁群算法是一种新型仿生类进化算法，是继模拟退火、遗传算法、禁忌搜索等之后的又一启发式智能优化算法。蚂蚁有能力在没有任何提示下找到从巢穴到食物源的最短路径，并且能随环境的变化，适应性地搜索新的路径，产生新的选择。根本原因是蚂蚁在寻找食物时，能在其走过的路上释放一种特殊的分泌物一信息素，随着时间的推移该物质会逐渐挥发，后来的蚂蚁选择该路径的概率与当时这条路径上信息素的强度成正比。当一条路径上通过的蚂蚁越来越多时，其留下的信息素也越来越多，后来蚂蚁选择该路径的概率也越高，从而更增加了该路径上的信息素强度。而强度大的信息素会吸引更多的蚂蚁，从而形成一种正反馈机制。通过这种正反馈机制，蚂蚁最终可以发现最短路径。蚁群算法由意大利学者M．Dorigo等人首先提出，并成功地应用于求解TSP、二次分配、图着色、车辆调度、集成电路设计及通信网络负载等问题。蚁群算法从提出到现在，短短十余年的时间，以其在离散型组合优化问题中的突出表现，吸引了人们的极大关注。

论文研究了群体智能的多个模型，研究的目的，一方面是探索和验证群体智能在解决分布式问题方面的特性，另一方面是拓宽群体智能的应用领域。文章的研究工作主要包括以下几个方面：

(1)蚁群算法的研究。提出一种求解TSP问题的分段交换蚁群算法。分段交换蚁群算法把小窗口、随机分段优化求解、模拟退火充分交换的思想引入蚁群算法，把蚁群算法和模拟退火算法融合。该算法在蚁群算法陷入局部最优解的情况下，能改进其局部最优解，并可减少迭代次数。

(2)蚁群算法应用于0-1背包问题的研究。0-1背包问题是典型的NP完全问题，且蚁群算法已成功地解决了许多组合优化的难题。因此，文章介绍一种基于蚁群算法求解0-1背包问题的算法，并对此算法进行优化，提出一种求解0-1背包问题的快速蚁群算法。当物品数较大时，也取得了较好的求解质量。

(3)蚁群算法应用于圆排列问题的研究。本章提出一种求解圆排列问题的快速蚁群算法。优化后的该算法，大大减少了蚁群算法的搜索时间，有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。

(4)改进蚁群算法及两类应用模型的研究。论文通过改变概率的计算时机，按“概率之和为u的轮盘赌”方式选择下一个元素，基于模拟退火的分段交换优化当前最优解，对基本的蚁群算法进行改进，提出一种改进的蚁群算法。文章还对蚁群算法解决组合优化问题进行总结，提出了蚁群算法的两类应用模型。

(5)基于群体智能求解N后问题的研究。文章提出一种求解N后问题的蚂蚁模型算法，它受启发于群体智能的蚂蚁算法和多Agent系统，又吸收了回溯算法的优点。该算法是一种随机搜索算法，从根本上改变了回溯算法的系统地搜索机制，避免了大量的冗余搜索，又保证了必要的搜索。在求解N后问题的第一个解时，大大减少求解时间和求解步数，当N较大时，也可得到较好的求解效果。

2.期刊论文 宁爱兵.马良.熊小华.NING AIBING.MA LIANG.XIONG XIAOHUA 基于复杂适应系统的蚂蚁群体智能研究 -微计算机信息2008,24(1)

蚁群算法是一种基于群体智能的算法,蚂蚁群体智能有广泛的实际应用,该智能有其本身的优点,但同时也存在群体迷失的问题.首先简单介绍蚂蚁群体智能、复杂适应系统和涌现,然后利用复杂适应系统和涌现对蚂蚁群体智能的特点和运行机制进行分析,最后用这些特点来分析蚂蚁群体智能中的群体迷失现象产生的条件和原因,并提出相应对策.

3.学位论文 许珂 基于群体智能的关联规则挖掘方法及应用 2008

近十几年来，数据挖掘技术有了长足的进步。数据挖掘己经成为数据库研究、开发、和应用活跃的分支之一，数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。它在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。关联规则研究有助于发现交易数据库中不同商品(项)之间的联系，找出顾客购买行为模式，分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。

群体智能是在近十几年来在协同进化论基础上发展起来的一种新的优化算法。它是将由单个复杂个体完成的任务交给大量简单的个体组成的群体合作完成，而后者往往更具有健壮性、灵活性和经济上的优势。群体智能利用群体优势，在没有集中控制，不提供全局模型的前提下，为寻找复杂问题解决方案提供了新的思路，是“无智能的主体通过合作表现出智能行为的特性”。作为群体智能的典型实现模式，模拟生物蚁群智能寻优的蚁群算法和模拟鸟群运动模式的微粒群算法正在受到学术界的广泛关注。由于其概念简明、实现方便，在短期内迅速得到了国际演化计算研究领域的认可。

数据挖掘技术是分析大规模数据集的有效方法。由于数据内在的不精确性和多属性之间的复杂性，有时己有的方法就失效了，而软计算技术在这两方面有着独到的优势，所以以软计算技术为手段研究新的数据挖掘方法具有重要的意义。本文力图采用群体智能研究解决数据挖掘中的关联规则提取问题。

本文对群体智能，尤其是蚁群算法进行了较为系统地分析和研究，结合关联规则的特点，提出了一些改进的算法，主要包括以下一些内容：

(1)关联规则挖掘的综述。在关联规则基本概念的基础上，介绍了关联规则的定义、关联挖掘的过程和关联规则的种类，并对关联规则挖掘领域的代表算法进行了分析。

(2)群体智能技术和遗传算法的研究。介绍了群体智能的基本概念、系统结构、主要应用等等。尤其重点研究了常用的群体智能重要模式蚁群算法，同时对遗传算法做了介绍和分析。

(3)基于群体智能的关联挖掘。本文结合蚁群算法和遗传算法的优势提出混合蚁群算法，并将其运用在关联规则挖掘中，提出了一种基于混合蚁群算法的关联规则挖掘算法。传统的数据挖掘算法虽然在理论上保证了结果的高精度，然而对于商品种类过多，交易量非常大的关联发现，其计算时间却是相当可观的。我们认为，结合蚁群算法和遗传算法的优势解决关联规则的挖掘问题具有很好的研究前景，利用群体智能技术加快挖掘过程，增加挖掘的智能性，可以大大提高挖掘效率。 (4)基于群体智能的关联规则挖掘的应用研究。将基于群体智能的关联挖掘算法应用于教育领域中的教师测评系统，给出了该应用的实现技术和算法。通过应用实例证明了算法的有效性，实验效果良好。

4.学位论文 程世娟 改进蚁群算法及其在结构系统可靠性优化中的应用 2009

受自然界生物群体所表现出的智能行为的启发，研究人员提出了人工智能新的实现模式----群体智能。群体智能的核心是由众多简单个体组成的群体能够通过相互之间的简单合作来实现某一功能、完成某一任务。群体智能中的主体在环境中表现出自主性、反映性、学习性和自适应性等智能特性。
　　

群体智能的研究始于蚁群算法。作为群体智能的典型形式，蚁群算法是基于蚂蚁群体觅食过程沿最短路径行进的生物学行为发展起来的一类群智能优化方法。该算法在解决传统优化方法难以奏效的具有NP-Hard特性的组合优化问题中取得了可喜的成果，因而受到学术界和工业界的广泛关注。在过去短短的十多年时间里，已经在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得了广泛的应用。目前，蚁群优化算法成为计算智能方法中的一个重要分支，并在很多国际会议上作为专题加以论，成为蓬勃发展的热点研究课题。本文针对传统蚁群算法种群单一、求解速度慢等缺陷，提出了一种改进蚁群算法----分段多种群蚁群算法，并用改进蚁群算法成功解决了复杂系统可靠性冗余优化问题及工程网络结构系统可靠性拓扑优化问题等。本文的主要研究成果包括：
　　

(1)对现有的蚁群算法从以下几个方面进行了改进：
　　

第一，根据自然界中蚂蚁分工的不同，在算法中引进多种搜索蚂蚁----先驱蚁、搜索蚁和叛逆蚂蚁，各种蚂蚁按给定的规则进行搜索，在加快解的进化的同时又保持了解的多样性。
　　

第二，采用分阶段搜索策略，在算法初期适当放大选择概率，增加较好路径在算法初期被选择的机会，使较好路径上的信息素在算法初期有所加强；在算法后期为了防止陷入局部最优，在前期信息素积累的基础上恢复正常的选择概率，确保算法不出现停滞现象。
　　

第三，在信息素的更新方式上，把信息素的挥发速度设置为信息素浓度的函数，更贴近自然现象的本质，在信息素的更新方式上采用信息素的全局更新方式。
　　

实例测试结果表明，改进的蚁群算法在解决TSP问题上收敛速度快，并且比文献中的对比结果具有更小的相对误差。
　　

(2)将改进蚁群算法应用到串并系统可靠性冗余优化中，结合工程实际，文中既考虑到冗余部件的个数又考虑到冗余部件的类型，采用分级网络和并行搜索机制，解决了系统的元件可选择不同类型的串并联系统可靠性优化问题。
　　

(3)通过分级网络、向量编码将复杂系统可靠性优化问题转化为蚂蚁可识别的点线结构，采用并行搜索机制改进将蚁群算法应用到复杂系统可靠性优化问题中。将信息素集中于各级节点作为节点对蚂蚁的吸引强度，由节点的吸引强度指导蚂蚁在解空间上高效启发式搜索。计算结果表明，蚁群算法能快速搜索到问题的最优解，计算结果比所列举的算法都好。
　　

(4)以“从输入节点到该节点至少有一条路通的概率”为网络节点的可靠度约束，采用二进制编码将工程网络结构的拓扑优化问题转化为0-1规划问题，提出了工程网络结构可靠性拓扑优化的蚁群算法。采用递归法对所提出的方法作进一步的近似估计，给出在满足一定的可靠度区间约束条件下网络造价的一个估计，既减少了计算复杂度使算法有利于编程，又提高了算法效率。结果表明递归近似处理的计算复杂度低，效率高，精度高，方案合理，可以处理大型的复杂网络，比其他算法更有效。
　　

最后，对全文的工作进行总结，并展望了蚁群算法进一步还要研究的课题。

5.期刊论文 王辉.钱锋.WANG Hui.QIAN Feng 群体智能优化算法 -化工自动化及仪表2007,34(5)

讨论四种群体智能优化算法--蚁群算法、微粒群算法、人工鱼群算法和混合蛙跳算法,对其算法的原理、发展及应用进行了综述.提出了群体智能优化算法统一框架模式,并对群体智能优化算法进一步发展进行了讨论.

6.学位论文 康琦 群体智能计算模式的统一性及多样性实例研究 2008

自然界不仅有智能的集成大者和统治者，同时还存在着那些让人类也叹为观止的生物群体智能现象。蜂巢之精美，蚁群之有序，雁队之和谐，这些群居生物所体现的社会性和分布式智能实现模式确实值得我们人类学习。群体智能就是这样一种在自然界生物群体表现出的智能现象启发下提出的人工智能模式，是对简单生物群体智能涌现现象的具体模式研究。群体智能的迅速发展体现了科学领域发展中生命科学与工程科学的相互交叉、相互渗透和相互促进。

在群体智能计算及智能控制相关的研究领域，各类算法模式层出不穷，它们形态各异，理念各异，建模及分析工具各具特色，但这恰恰体现了智能计算的多样性。而在某些智能算法之间也必然存在着一定程度的统一性，离开了多样性，智能的统一性就无从谈起，但离开了统一性，对各具特色的智能工具也就无法进一步深入认识了。由以上观念，再结合智能计算领域的各类相关研究成果，本文将其中的某些具有相当数量共同特征的算法加以详细分析，构建一套各相关算法都能遵从，并在具体应用时又能不失其多样性的群体智能计算分析框架，即本文主题：群体智能计算模式的统一性及多样性实例研究。

本文主要的创新性结果体现在如下几个方面：

（1）在群体智能中，不同的智能体具有不同的外在表现形式，但它们所表现出来的计算模式具有相对的统一性。基于这一理念，对群体智能的总体模式进行了形式化描述和探讨，提出群体智能计算模式的统一框架，给出了群体智能的总体分层框架模型。然后，基于群体智能计算模式的统一框架，以蚁群算法、微粒群算法、分布估计算法和人工免疫算法等典型的群体智能计算模式为例加以具体论述，分别给出了这几种算法的总体形式化描述和智能计算模式框架理念求证，通过形式化描述、框架性建模、典型算法模型展开及分析，使群体智能计算理念从宏观到微观再到宏观、从统一性到多样性再到统一性得到了较为系统的展现。

（2）以一种典型的群体智能计算模式-微粒群算法为例，进行具体的群体智能的多样性实例研究。对智能微粒群算法的优化效能评价进行系统化工作，在智能优化基本指标体系的指导下，构建一种能够综合评价算法整体优化性能和群体总体寻优动态的智能微粒群优化动态效能评价模式体系，并分别对算法最优值动态、群体聚合度动态、重心收敛度动态和群体多样性动态等评价模式进行了实例仿真和有效性验证。

（3）在群体智能统一框架理念的指导下，进行微粒群改进模式的研究，分别提出了两种微粒群算法改进模式-基于生态群竞争模型的微粒群算法（EPSO）和基于引力场模型的微粒群算法（GPSO），并进行了数值仿真与比较分析。该研究通过抽取生态系统的信息处理机制，考虑到生态学中的种群竞争机制，拓展了传统微粒群算法的种群组织和寻优模式，拓展了微粒群算法的生态基础和系统行为。GPSO借鉴了自然界万有引力概念，从引力场的对个体运动的作用方面来改进微粒群算法的组织形式及运动模式，其中的微粒群具有自组织的场结构模型，同时微粒的质量遵循质量可变的原则。

（4）对微粒群算法的收敛性进行了较为系统的分析总结。基于简化的离散微粒群系统的收敛条件，将微粒群优化与自适应动态规划进行结合，进行了基于群体智能搜索模式的离散微粒群系统参数的近似动态优化。首先，在对一个近似简化的离散反馈控制微粒群系统进行收敛性分析的基础上，提出了一种群体智能近似动态规划算法（swarm-ADP）；然后考虑微粒群算法中随机变量的影响，以离散随机系统的模式来分析微粒群系统的收敛性，并对随机PSO系统进行参数的动态优化研究，提出了一种群体智能近似随机动态规划算法（ASDP）；最后通过数值实验验证了所提出的群体智能近似动态优化方法的有效性。

（5）进行了群体智能的应用领域拓展研究。首先，将群体智能引入到大学排名系统参数优化，以上海交通大学高等教育研究所发布的世界大学排名系统为例，设计一种非线性的映射关系来模拟该排名指标体系，并利用微粒群算法进行排名体系的学习和映射关系参数的优化。然后，将群体智能应用于半导体封装测试生产中，基于实际的生产数据，进行了基于微粒群优化的焊球回流工序的残次品主次成因群体智能分析与仿真，并对一类简化的封装作业车间调度优化问题进行研究，提出了一种基于群体智能的动态调度方法。

最后，对论文的研究工作进行了总结，并展望了群体智能理论需要进一步研究的课题和实际应用拓展的前景。

7.学位论文 吴斌 群体智能的研究及其在知识发现中的应用 2002

该文研究了群体智能的多个模型,并将相关模型应用于知识发现.该文的研究目的,一方面是探索和验证群体智能在解决分布式问题方面的特性,另一方面拓展群体智能的应用领域,促进群体智能理论的完善和成熟.该文的研究工作主要包括如下几个方面：（1）蚁群算法的研究：提出了一种基于蚁群算法的TSP问题分段求解算法.（2）基于群体智能的分工协作模型研究：提出了一种用于多主体系统协调的记忆合同网算法MCNP.（3）提出一种基于群体智能的混合聚类算法CSIM.（4）提出了一种基于群体智能的客户行为分析算法.

8.期刊论文 张昭涛.杨燕.JIANG Bo.ZHANG Zhao-tao.YANG Yan.JIANG Bo 基于群体智能的一种聚类算法研究 -淮海工学院学报（自然科学版）2005,14(2)

研究了一种聚类组合算法.首先概要介绍了数据挖掘中聚类分析的概念,同时对当前研究的热点群体智能也作了简要的说明,对基本的蚁群聚类算法作了详细的分析,提出了一种基于群体智能的聚类组合算法,借鉴改进的单蚁群算法SACA的聚类收集和标识方法,进行聚类的标识.并根据蚂蚁觅食的转移概率进行二次聚类.实验表明,该算法用于对银行客户细分有较好的聚类效果.

9.学位论文 张小冬 蚁群算法在医学图像识别中的研究与应用 2009

随着数字化影像设备在医学临床工作中日益广泛的应用，数字化医学图像大量产生，单纯的依赖医务人员对数字化医学图像的人工识别已经不能满足需求。随着计算机技术的发展，利用各种智能算法对医学图像进行自动识别成为当前研究的热点。
　　

在自动化智能算法研究领域，具有群体智能特征的算法研究受到越来越多的关注，作为群体智能的典型实现，蚁群算法正在受到学术界的广泛关注和研究，其应用领域已经从单纯的组合优化问题求解扩展到网络路由、多目标优化、数据分类聚类、图像处理、机器人路径规划等多个方面。
　　

将蚁群算法应用于图像处理和识别，尤其是对医学图像的处理和识别也是近年来的研究热点，但是相关的研究成果并不多。本文对医学图像识别技术以及蚁群算法理论进行了深入系统的研究，通过建立模型将蚁群算法运用于医学图像识别问题中。
　　 本文的主要研究工作及获得的结论包括：
　　

1、对医学图像处理的相关技术和研究现状进行了系统的阐述。
　　 2、对蚁群算法的发展历程以及当前的研究现状进行了系统的阐述。
　　 3、将蚁群算法应用在医学图像识别的图像分割中。
　　 4、使用蚁群算法对医学图像的特征进行特征选取。
　　

5、使用蚁群聚类算法对乳腺钼靶图像的乳腺肿瘤良恶性进行分类。
　　

6、基于扬州市妇幼保健医院图像数据建立了乳腺钼钯图像计算机自动识别系统，取得了良好的实用效果。

10.学位论文 陈红洲 群体智能若干算法研究 2004

群体智能是这样的系统所表现出的特性:低级个体与它们的环境局部交互所表现的集体行为形成了一致功能的整体模式.它为不需要集中控制或提供全局模型就能探索集体合作(或分布式)问题提供了基础.一些群体智能算法,如蚁群算法和微粒群算法,同归于进化计算的范畴,因此在原理机制里隐藏着和进化算法相似的地方,也有着相同的缺陷:总是存在着收敛速度与收敛质量的矛盾.另外一方面,在它们的发展过程中,很多改善的思想也都来源于进化计算领域.论文在讨论进化计算领域中各种典型方法的基础上,研究了了蚁群算法和微粒群算法,包括算法的原理机制,流程实现,优点缺陷,改进思想和方法,顺便介绍了蜂巢的路由与调度机制.最后集中对微粒群算法作了深入的研究,包括对微粒群算法全局与局部搜索能力的缺点分析,各种改进的策略,心理学中的感觉规律与量化,提出了一种具有感觉特征的微粒群算法,将感觉模型引入了微粒群的开发部分中,以加强局部搜索的能力.通过仿真与遗传算法、基本的微粒群算法、耗散式微粒群算法的计算结果作对比,验证了具有感觉的微粒群算法优越的开发能力、全局局部搜索协调的能力.还对算法的重要参数作了讨论.

1.庞永杰.唐旭东.李晔 基于改进精英机制的双种群蚁群算法[期刊论文]-自动化技术与应用 2008(2)

2.康琦.汪镭.刘小莉.吴启迪 基于群体智能框架理念的遗传算法总体模式描述[期刊论文]-智能系统学报 2007(5)3.三种基于进化技术的优化算法及其对比[期刊论文]-信息技术与信息化 2006(3)

4.刘希玉.王文平.姚坤 微粒群优化算法及其在创新概念设计中的应用[期刊论文]-山东交通学院学报 2006(3)

本文链接：http://d.wanfangdata.com.cn/Periodical_yjzdh200505002.aspx

授权使用：陕西师范大学(xasxsfdx)，授权号：5563c014-9a12-44eb-acb1-9e6e00be672c

下载时间：2011年1月17日