基于学习机制的群智能算法及其应用研究

Based on the analysis of complex network, a novel swarm intelligence algorithm model is designed in which the individuals interact with each other based on a given complex network. Meanwhile, the core of the project is the impacts of learning mechanism based on fitness values, which is different from other researchers’ focus. The project mainly considers how to construct a learning mechanism based on individual fitness value and guide the evolution of the population, with the aim of improving the ability of the algorithm for solving problems and enriching the fundamental theories of swarm intelligence algorithm. The main contents can be described as follows. (1) According to the selected network model, the reasonable mapping relationship between the population and the network nodes is established and then a small evolutionary society is formed. (2) Studying the selection strategies of different individuals in a small evolutionary society. (3) A learning mechanism is constructed based on the fitness values, in which the fitness values will be fused into the learning process, and accordingly the individual updating strategy is improved. In the aspect of application, the obtained research results in this project intend to solve a variety of combinatorial optimization problems.

本项目以复杂网络为切入点，设计了一种基于复杂网络的个体交互群智能算法模型。同时，以基于种群适应度值的学习机制对算法性能的影响为研究核心，与其他研究者关注的侧重点不同,本项目主要考虑如何根据个体的适应度值信息构建一种学习机制并指导种群的进化,旨在改进算法求解问题的能力并丰富智能算法理论的发展。主要内容包括：（1）根据选定的网络模型，建立群智能算法种群与复杂网络节点之间的合理的映射关系，形成进化小社会；（2）研究在进化小社会内不同个体选取策略；（3）根据种群适应度值信息，构建一种学习机制，将适应度值信息融合在个体学习过程中，对个体更新策略进行改进。在应用方面，拟将取得的研究成果应用于解决多种组合优化问题。

本课题以基于种群适应度值的学习机制对算法性能的影响为研究核心。本项目将复杂网络与群体智能算法相结合，根据选定的网络模型，首先建立群智能算法种群个体与复杂网络节点之间的合理映射关系，形成进化小社会，研究在进化小社会内不同个体选取策略的性能差异。接下来，根据种群适应度值信息，提出基于学习的群体智能算法框架。并将该框架应用于求解多种组合优化问题。项目组成员针对学习型群智能算法的理论和方法进行了为期3年的深入研究，提出了二进制蛾子搜索算法和增强型蛾子搜索算法求解集合联盟背包问题模型，提出了具有全局位置更新算子的帝王蝶算法求解大规模0-1背包问题模型，提出了一种基于自学习的二进制蛾子搜索算法求解多维背包问题模型，提出了基于混沌初始化和高斯变异的飞娥火焰优化算法求解数值优化问题模型，提出了基于自学习的教与学优化算法求解折扣{0-1}背包问题的模型。. 基于上述研究，课题组成员共发表学术论文7篇，其中SCI期刊论文6篇，中文核心期刊论文1篇。协助培养研究生1名，圆满完成了项目的预期目标。. 项目的研究成果丰富了群智能算法求解组合优化问题和数值优化问题的理论，提高了算法求解质量，扩展了算法应用范围，具有重要的理论意义和实际应用价值。