改進(jìn)的社會力模型優(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)化問題。按優(yōu)化算法對求解問題的處理方法，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)分析的方法對目標(biāo)函數(shù)求極值，但是面對不連續(xù)、不可導(dǎo)的函數(shù)時，確定型算法束手無策，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重要分支，成為優(yōu)化算法領(lǐng)域中的一個研究熱點(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行為模型可以解決所面臨的各種問題，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)者們通過對不同生物種群的社會行為進(jìn)行模擬，設(shè)計(jì)出簡單、通用的群智能(Swarm Intelligence，SI)優(yōu)化算法。
　　自然界中，群集由多個智能體組成，每個智能體通過遵循本種群的行為規(guī)則，并且多個智能體相互協(xié)作來使整個群體“涌現(xiàn)”出復(fù)雜的行為特征，種群的這種行為

3、特征不是個體能力的簡單疊加。通過對不同種群的智能行為進(jìn)行模擬，研究者們設(shè)計(jì)出用于求解復(fù)雜優(yōu)化問題的群智能優(yōu)化算法。近年來，通過對生物行為進(jìn)行抽象，提出來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)化時能夠得到比較滿意的結(jié)果，但是在尋優(yōu)的過程中，仍然會表現(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題，目前沒有一種算法可以很好地解決所有優(yōu)化問題。為此，

4、對現(xiàn)有算法的改進(jìn)或設(shè)計(jì)出基于不同機(jī)制的優(yōu)化算法用來解決各種類型的優(yōu)化問題是非常有必要的。
　　社會力模型是對人群密集場所行人流動進(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、建筑安全性能評價、交通樞紐流量的研究分析等領(lǐng)域中。社會力模型定義了行人所受的三種力:(1)自驅(qū)動力，表現(xiàn)了環(huán)境中目標(biāo)對行人的內(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，為了避免擁擠而表現(xiàn)出來個體之間的作用力;(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。作為多個個體自驅(qū)動系統(tǒng)的框架，社會力模型不僅刻畫了個體對周圍環(huán)境的思考和反應(yīng)能力，同時對個體的心理愿望以及個體的受力情況進(jìn)行了很好地抽象，形象逼真地描繪了個體運(yùn)動的整個過程。
　　已有的基于社會力模型優(yōu)化算法(Swarm Optimization algorithm basedon Social Force model，SFSO)對低維多目標(biāo)函數(shù)優(yōu)化問題得到了比較好的效果。但是在實(shí)踐中仍然

6、存在很多問題，比如對高維函數(shù)求解精度差、收斂速度慢、容易陷入局部最優(yōu)等。針對現(xiàn)有SFSO算法存在的一些問題，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benchmark函數(shù)進(jìn)行測試表明: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)選取目前沒有一個比較好的理論依據(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)所存在的問題在于DBN結(jié)構(gòu)參數(shù)的確定，其中隱含層節(jié)點(diǎn)個數(shù)的選取是一個人為確定的過程，需要憑借一定的經(jīng)驗(yàn)。已經(jīng)有部