文化算法融合传统智能优化算法的研究综述

2022-04-15 08:26:27 | 浏览次数：

摘要：本文介绍了文化算法的基本原理，总结了文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等智能算法的融合技术及其应用，为进一步深入研究文化算法与其他智能算法融合，以及多个智能算法相结合的研究和应用提供了参考和借鉴。

关键词：文化算法；遗传算法；粒子群算法；差分进化；免疫克隆选择算法

中图分类号：TP301.6 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02

1 引言

Reynolds于1994年提出文化算法，该算法的双层进化机制为进化计算中的知识引导提供了通用框架，具有许多优良特性。文化算法不仅克服了其他进化算法的局限性，而且还克服了其他进化算法产生的退化现象，文化算法能根据具体情况设计种群空间、信仰空间、接受函数和影响函数，有很强的可扩充性，易于与其他方法结合，能够使其以一定的速度进化和适应环境，并互相弥补各传统算法的不足，提高算法的全局搜索能力、收敛速度、收敛性、计算精度等，适用范围广泛。

文化算法及其与传统智能算法相结合的研究刚刚兴起，本文在介绍文化算法基本原理的基础上，对国内近五年文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等相结合的研究进行了综述，为进一步深入研究文化算法与其他智能算法相融合以及多个智能算法相结合的应用提供了借鉴和参考。

2 文化算法基本原理

文化算法（CA）是由种群空间和信仰空间构成的双层进化机制，主要包括三部分：种群空间、信仰空间和通信协议。文化算法的基本框架如图：

种群空间是生物个体根据一定的行为准则进化而组成的。信仰空间是文化形成、存储、更新、传递的进化过程。两个相对独立的进化过程，但又由通信协议将二者联系在一起，相互影响和促进，通信协议主要包括接受函数和影响函数。

3 文化-遗传算法

遗传算法（GA）是一种基于自然选择和基因遗传学原理的随机并行搜索算法。遗传算法随着算法的进行其种群多样性逐渐消失，很容易于陷入早熟收敛，引入随机种群可以改善种群的多样性问题，但是又影响到算法的效率。目前，一些学者通过文化算法和遗传算法结合，将遗传算法纳入文化算法的框架，形成基于遗传算法的主群体空间和信念空间两大空间，从收敛速度、收敛效率两方面来提高遗传算法的性能。文献[1]提出一种基于模式学习的文化遗传算法，该方法充分利用了优秀个体所包含的特征信息起引导作用，算例表明，文化-遗传算法可提高算法收敛速度。文献[2]为解决函数优化问题，针对遗传算法的不足之处，将文化-遗传算法用于函数优化，实验结果表明，新算法能够提高效率和精确度。文献[3，4]将遗传算法中交叉和变异算子嵌入文化算法的主群体空间进行传统的遗传算法操作，形成一种双层进化结构，该算法在计算效率和求解质量上均具有较好的效果。文献[5]和文献[6]分别针对DNA编码问题和装载机的连杆机构传动比问题，采用文化遗传算法克服了遗传算法进化效率不高的问题，从而提高计算速度。文献[7]提出了一种基于文化算法的双层机制结构的知识迁移多用户交互式遗传算法模型，该模型有效提高各用户的进化收敛速度，减轻用户疲劳。

4 文化-粒子群算法

粒子群算法（PSO）是在研究鸟类的群体行为时提出来的一种群智能算法。该算法虽简单，计算速度快，但收敛性、均匀性和局部搜索能力差。为了解决上述问题，并提高粒子群优化算法的精度与计算的效率，运用文化算法的并行计算能力及PSO的优点，将文化算法和PSO结合形成一种新型的智能算法，该算法利用优秀个体所包含的信息提高算法的收敛性，同时在局部最优问题上有一定的优越性，而且避免了群体早熟的发生。文化-粒子群算法的融合主要是将粒子群算法纳入文化算法的框架。

文献[8]将文化粒子群算法用于求解置换流水车间调度问题中的最小化最大完成时间，通过不断与信念空间中的优秀个体交互，加快群体收敛速度，该算法具有较快的收敛速度。文献[9]基于粒子群算法的改进多目标文化算法用于求解多目标优化问题，测试结果表明，改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性。文献[10]提出以随机粒子群作为信念空间，以粒子群作为种群空间的进化算法，集成了rPSO大范围、高效率搜索和PSO局部精细化搜索的优点，较好地克服了PSO易“早熟”和收敛速度缓慢等问题。[11]利用文化粒子群算法的优点，设计了一种可快速进行多维搜索求解所提的基于模式空间的测向算法。

5 文化-差分进化算法

差分进化算法（DE）是一种采用实数矢量编码的并行搜索算法，其原理简单，受控参数少，易于编码与实现。但在收敛速度和搜索鲁棒性之间发生冲突，且后期收敛速度变慢，容易陷入局部最优。无法有效的求解工程中复杂的高维非线性优化问题等缺点。文化-差分进化算法有效解决复杂度问题、提高全局搜索能力和到达收敛速度快的效果。文化-差分进化算法的融合主要是将差分进化算法纳入文化算法的种群空间。文献[12]提出一种混沌差分文化算法，测试结果表明，该算法能有效的避免早熟收敛，搜索到全局最优解的能力得到显著提高。文献[13]提出的差分文化算法是一种求解实数优化问题的新算法，具有收敛速度快和优化效果好的显著特点，并把差分文化算法推广应用到其他高维参数优化问题。文献[14]将改进差分进化算法引入文化算法的种群空间，并应用于约束求解问题。通过对基准函数和丁烯烷化生产调度问题进行仿真，结果表明这一算法有比较好的全局搜索能力，加快了收敛速度，并降低了计算量。

6 文化-免疫克隆算法

免疫克隆选择算法模拟生物学中的抗体克隆选择机理，通过克隆操作、免疫基因操作以及选择操作等新型算子，实现高效的搜索方法。免疫克隆选择算法有全局收敛能力差，选择机制又容易早熟收敛的缺点。文化-免疫克隆算法可兼顾全局探索和局部搜索能力，提高免疫克隆选择算法的收敛速度和进化性能，该算法主要将免疫克隆选择算法嵌入文化算法的种群空间，其应用前景广泛。文献[15]提出一种自适应免疫克隆选择文化算法，实验结果表明，该算法在整体上具有较好的全局寻优能力和解稳定性，且收敛速度较快。文献[16]提出了基于免疫文化算法的加热炉优化调度方法，通过利用免疫克隆的较强的搜索能力和文化算法信念知识的指导，使加热炉调度得到显著优化，不仅提高了轧制生产线的利用率，还缩短了加热炉的运行时间，减少了燃料消耗。文献[17]提出了一种基于免疫文化算法的封装式特征选择方法，实验表明该方法在降低数据维度和提高分类准确率上有着良好的效果。文献[18]采用文化算法的框架结构，将免疫克隆算法嵌入其中，利用免疫克隆算法的全局收敛性在数据库中迅速搜索关联规则，实验表明，该模型具有较快的收敛速度和所得关联规则的准确率较高。

7 文化算法与其他智能算法结合

文化算法除了与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法融合外，还可以与其他智能算法相结合，如文化算法融合神经网络[19]，文化算法融合蚁群算法[20-21]。此外，文化与两种以上的智能算法融合研究也逐步兴起，但研究相对较少。

8 结束语

文化算法是一种基于种群多进化过程的全局优化算法，通过文化算法与传统智能算法相结合可以提高算法的收敛速度、计算精度等，文化算法与传统智能算法的结合为解决复杂优化问题提供了新的途径，具有较好的应用前景。

参考文献：

[1]高丽丽.基于模式学习的文化遗传算法研究[J].计算机工程与应用，2007，43（22）.

[2]张敏.文化遗传算法的研究及其在函数优化中的应用[J].计算机工程与应用，2009，45（18）.

[3]李铁克.基于文化遗传算法求解柔性作业车间调度问题[J].计算机集成制造系统.2010，16（4）.

[4]王伟玲.一种求解作业车间调度问题的文化遗传算法[J].中国机械工程，2010，21（3）.

[5]王延峰.基于文化遗传算法的DNA编码序列设计[J].计算机工程与应用，2008，44（36）.

[6]齐建家.文化遗传算法用于装载机工作装置优化计算研究[J].设备管理与维修技术，2009，07-0071-03.

[7]张绍娟.基于知识迁移的多用户交互式遗传算法[J].控制理论与应用，2007，26（10）.