智能进化算法研究现状论文

演化算法在20世纪60年代被提出时并未受到普遍重视，主要原因有三点，一是这些方法当时并不成熟；二是这些方法运行需要较大的计算量，当时计算机速度跟不上要求；三是当时解决类似难题人工智能方法可以得出很好的结果，人们难以过多的关注其他算法。传统人工智能解决问题的局限性在20世纪80年代初被凸显出来，当时计算机速度已经明显提高并且普及，制约演化计算的一大瓶颈已经不复存在。演化计算在机器学习，工程优化，过程控制等领域取得极大地成功，这引起了包括数学，物理学在内的各个学科及工程应用领域专家的兴趣。某些学者研究了演化计算的灵现行为(Emergent Behavior)后声称,演化计算与混沌理论、分形几何将成为人们研究非线性现象和复杂系统的新的三大方法,并将与神经网络一起成为人们研究认知过程的重要工具。自20世纪80年代中期以来，世界上许多国家都掀起了演化计算的研究热潮。目前，以演化计算为主题的国际会议在世界各地定期召开，如IEEE。随着演化计算的广泛应用，一些杂志都设置专栏介绍这方面的文章，现在还出版了两种关于演化计算的影响力较大的新杂志《Evolutionary Computation》和《IEEE Transactionson Evolutionary Computation》。演化计算是一种通用的问题求解方法,具有自组织、自适应、自学习性和本质并行性等特点,不受搜索空间限制性条件的约束,也不需要其它辅助信息。因此,演化算法简单、通用、易操作、能获得较高的效率,越来越受到人们的青睐。演化计算在大型优化问题求解、机器学习、自适应控制、人工生命、神经网络、经济预测等领域取得的成功，引起了包括数学、物理学、化学、生物学、计算机科学、社会科学、经济学及工程应用等领域科学们的极大兴趣。现在，演化计算的研究内容十分广泛，例如演化计算的设计与分析、演化计算的理论基础以及在各个领域中的应用等。随着演化计算的理论研究的不断深入和应用领域的不断扩展，演化计算将会取得很大的成功，必将在当今社会占据更重要的位置。

进化计算的三大分支包括：遗传算法(Genetic Algorithm ，简称GA)、进化规划(Evolu-tionary Programming，简称EP)和进化策略(Evolution Strategies ，简称ES)。这三个分支在算法实现方面具有一些细微的差别，但它们具有一个共同的特点，即都是借助生物进化的思想和原理来解决实际问题。 遗传算法是一类通过模拟生物界自然选择和自然遗传机制的随机化搜索算法，由美国Holand J教授于1975年首次提出。它是利用某种编码技术作用于称为染色体的二进制数串，其基本思想是模拟由这些串组成的种群的进化过程，通过有组织的、然而是随机的信息交换来重新组合那些适应性好的串。遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并根据适应性来选择染色体，使适应性好的染色体比适应性差的染色体有更多的繁殖机会。遗传算法尤其适用于处理传统搜索方法难于解决的复杂的非线性问题，可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域，是21世纪有关智能计算中的关键技术之一。 1964年，由德国柏林工业大学的RechenbergI等人提出。在求解流体动力学柔性弯曲管的形状优化问题时，用传统的方法很难在优化设计中描述物体形状的参数，然而利用生物变异的思想来随机地改变参数值并获得了较好效果。随后，他们便对这种方法进行了深入的研究和发展，形成了进化计算的另一个分支——进化策略。 进化策略与遗传算法的不同之处在于：进化策略直接在解空间上进行操作，强调进化过程中从父体到后代行为的自适应性和多样性，强调进化过程中搜索步长的自适应性调节;而遗传算法是将原问题的解空间映射到位串空间之中，然后再施行遗传操作，它强调个体基因结构的变化对其适应度的影响。 进化策略主要用于求解数值优化问题。 进化规划的方法最初是由美国人Fogel LJ等人在20世纪60年代提出的。他们在人工智能的研究中发现，智能行为要具有能预测其所处环境的状态，并按照给定的目标做出适当的响应的能力。在研究中，他们将模拟环境描述成是由有限字符集中符号组成的序列。 进化算法与传统的算法具有很多不同之处，但其最主要的特点体现在下述两个方面： 进化计算的智能性包括自组织、自适应和自学习性等。应用进化计算求解问题时，在确定了编码方案、适应值函数及遗传算子以后，算法将根据“适者生存、不适应者淘汰"的策略，利用进化过程中获得的信息自行组织搜索，从而不断地向最佳解方向逼近。自然选择消除了传统算法设计过程中的-一个最大障碍：即需要事先描述问题的全部特点，并说明针对问题的不同特点算法应采取的措施。于是，利用进化计算的方法可以解决那些结构尚无人能理解的复杂问题。 进化计算的本质并行性表现在两个方面： 一是进化计算是内在并行的，即进化计算本身非常适合大规模并行。 二是进化计算的内含并行性，由于进化计算采用种群的方式组织搜索，从而它可以同时搜索解空间内的多个区域，并相互交流信息，这种搜索方式使得进化计算能以较少的计算获得较大的收益。