個性化搜索引擎推薦算法研究

1、 收稿日期 :2009203227; 修回日期 :2009205215 基金項目 :國家教育部科學(xué)技術(shù)研究重點(diǎn)項目 (108168, 2008. 0122010. 01 作者簡介 :陳華 (19812 , 男 , 江蘇鹽城人 , 碩士 , 主要研究方向為信息網(wǎng)絡(luò) (chenhua1028 ; 李仁發(fā) (19572 , 男 , 教授 , 博導(dǎo) , 主要研究 方向為無線網(wǎng)絡(luò) 、 嵌入式計算和嵌入式軟件 、 數(shù)字媒體 ; 劉鈺峰 (19742 , 男 , 博士 , 主要研究方向為分布式實時操作系統(tǒng)、 信息網(wǎng)絡(luò) ; 練琪 (19822 , 女 , 江蘇鹽城人 , 碩士 , 主要研究方向為計算機(jī)網(wǎng)絡(luò) .

2、個性化搜索引擎推薦算法研究3陳 華 , 李仁發(fā) , 劉鈺峰 , 練 琪(湖南大學(xué) 計算機(jī)與通信學(xué)院 , 長沙 410082摘 要 :將個性化引入搜索引擎出現(xiàn)了稀疏性、 精確性、 擴(kuò)展性等新問題。 針對以上問題 , 提出了一種基于 S VD(單值分解 影響集的協(xié)作過濾推薦算法 , 在利用矩陣相關(guān)技術(shù)以及擴(kuò)大影響的基礎(chǔ)上 , 將用戶潛在感興趣的資源推薦給用戶。 實驗表明 , 該算法可有效解決以上存在的問題 , 顯著提高個性化系統(tǒng)的推薦質(zhì)量。 關(guān)鍵詞 :推薦系統(tǒng) ; 協(xié)同過濾 ; 單值分解 ; 相似性中圖分類號 :TP311. 5 文獻(xiàn)標(biāo)志碼 :A 文章編號 :100123695(2010 0120

3、048203doi:10. 3969/j . issn . 100123695. 2010. 01. 013A lgorith m s recommend research on pers CHE N Hua, L I Ren 2fa, L IU Q i(School of Co m puter &Co mm unication, , Abstract:The intr oducti on of pers int o s of a s parse, accuracy, scalability . I n vie wof the above p r oblem, this p r on

4、algorith m s based on the i m pact of S VD t o recommend res ources matrix 2related technol ogies and expanding its influence . The experi 2ment shows s olve the above p r oblem s, significantly i m p r ove the recommendati on quality of the pers onalizati on Key words:syste m s; collaborative filte

5、ring; single value decompositi on (S VD ; si m ilarity 以 Google 、 Baidu 為代表的搜索引擎已為人們熟知 , 具有基 于關(guān)鍵字 、 通用性等特點(diǎn) 。 而對于如何為不同興趣 、 背景的用 戶提供更高效率 、 更專業(yè)的服務(wù) , 使得個性化搜索引擎技術(shù)成 為目前的研究熱點(diǎn)之一 。個性化搜索引擎就是針對用戶的不 同需求 , 在查詢關(guān)鍵字相同時 , 根據(jù)用戶背景和其用戶群喜好 主動為用戶推薦滿足用戶潛在興趣的資源 。如果用戶 1喜歡 去關(guān)于探險的地方旅游 , 而用戶 2則喜歡去浪漫的地方旅游 , 則兩者的需求不同 。而現(xiàn)有的搜索引擎在輸

6、入相同關(guān)鍵字 “ 旅游 ” 時 , 返回的結(jié)果是沒有區(qū)別的 。本文的研究則是針對 需求的不同 , 為用戶提供不同的更專業(yè)的服務(wù) 。目前存在許多不同的推薦系統(tǒng) , 個性化搜索引擎使用的最 主要的技術(shù)是推薦技術(shù) , 根據(jù)所采用的技術(shù)不同 , 分別有基于 規(guī)則的 、 基于項目的 、 基于用戶的推薦等 , 但是最主要的還是基 于用戶的推薦 。 相關(guān)工作現(xiàn)有的推薦大都采用基于項目推薦 、 基于用戶推薦 。 項目 推薦簡單 、 有效 , 但是只能發(fā)現(xiàn)與用戶已有興趣相似的信息 ; 用 戶推薦可以為用戶發(fā)現(xiàn)新的潛在感興趣的資源 , 但是具有稀疏 性和擴(kuò)展性等缺點(diǎn) 。 本文是在考慮如何利用現(xiàn)有技術(shù)解決稀 疏性和

7、擴(kuò)展性而展開的 。 1 用戶與資源描述 用戶與資源的關(guān)系1建模 (表 1 用 m ×n 階矩陣表示 。 其中 , m 個用戶 , n 個項目 , R i , j 代表用戶 i 對項目 j 的評分 。表 1 用戶項目矩陣ratingite m 1 ite m j ite m nuser 1R 1, 1R 1,jR 1, n user i R i , 1R i ,jR i , n user mR m , 1R m ,jR m , n1 推薦算法信息過濾技術(shù)可分為如下三種 :a 基于規(guī)則過濾 。 規(guī)則其實是用一些 if 2else 語句 , 可以利用用戶靜態(tài)屬性或動態(tài)信息來建立 。 可以由

8、用戶定制規(guī)則 , 也 可以利用關(guān)聯(lián)規(guī)則挖掘規(guī)則 2, 根據(jù)當(dāng)前用戶感興趣的內(nèi)容 , 通過規(guī)則推出用戶還沒有閱讀過的感興趣的內(nèi)容 。規(guī)則推薦依賴規(guī)則的質(zhì)量和數(shù)量 , 基于規(guī)則的缺點(diǎn)是隨著 規(guī)則的數(shù)量增多 , 系統(tǒng)將變得難以管理 。b 基于內(nèi)容過濾 (content 2based filtering ?；趦?nèi)容的推薦 3的基本思想是根據(jù)用戶以前的興趣來推測用戶以后的興 趣 。 基于內(nèi)容過濾系統(tǒng)的優(yōu)點(diǎn)是簡單 、 有效 , 缺點(diǎn)是難以區(qū)分 資源內(nèi)容的品質(zhì)和風(fēng)格 , 而且不能為用戶發(fā)現(xiàn)新的感興趣的資 源 , 只能發(fā)現(xiàn)與用戶已有興趣相似的資源 。首先找到對兩個項目共同評分的用戶 , 將用戶評分形成向 量

9、, 然后利用相似度公式進(jìn)行計算 。 這樣系統(tǒng)就可以根據(jù)用戶 先前的興趣來預(yù)測用戶對目標(biāo)項目的興趣程度 , 可以用式 (1來計算 :第 27卷第 1期 2010年 1月 計 算 機(jī) 應(yīng) 用 研 究App licati on Research of Computers Vol . 27No . 1Jan . 2010P u, j = nj si m (i, j ×R u, j nj =1si m (i, j (1其中 :R u, j 是用戶 u 對資源項目 j 的評分 ; si m (i, j 是項目 i 和 j 的相似度 。c 協(xié) 作 過 濾 (collaborative filter

10、ing ?；?于 協(xié) 同 的 推 薦 (CF 4又稱為合作過濾或社會過濾 (s ocial filtering 。 協(xié)作推 薦實現(xiàn)的基本思想是找到目標(biāo)用戶的若干最近鄰居 (與目標(biāo)用 戶有相似興趣的用戶 , 然后根據(jù)最近鄰居對目標(biāo)項目的評分產(chǎn) 生推薦。 這種推薦方法可以為用戶發(fā)現(xiàn)新的感興趣的資源。 基于協(xié)作過濾系統(tǒng)的優(yōu)點(diǎn)是能為用戶發(fā)現(xiàn)新的感興趣的 信息 , 缺點(diǎn)是存在兩個很難解決的問題 :(a 稀疏性 , 即在系統(tǒng) 使用初期 , 由于系統(tǒng)資源還未獲得足夠多的評價 , 系統(tǒng)很難利 用這些評價來發(fā)現(xiàn)相似的用戶 ; (b 可擴(kuò)展性 , 即隨著系統(tǒng)用 戶和資源的增多 , 系統(tǒng)的性能會越來越低 。計算目標(biāo)

11、用戶對未評分項目的評分時 , 根據(jù)最近鄰居對項 目的評分產(chǎn)生推薦 。計算用戶 u 對項目 j 的評分為P u, j = nsi m (u, m , jnm =12其中 :R m , i 是用戶 m i (u, m 是用戶 u 和 m 的相似度 。 1 計算相似用戶度量用戶之間的興趣相似性實際上就是計算向量之間的 相似性 , 一般有三種方法 1:a 余弦相似性 。 把用戶評分看做是 n 維項目空間上的向 量 , 如果用戶對某個項目沒有評分 , 則將此評分假設(shè)為 0。通 過計算兩個向量之間的夾角余弦來度量兩個用戶之間的相似 性 。 計算公式如下 :si m (i, j = nR i , k 

12、15;R j , k n =1R 2i , k × nk =1R 2j , k(3其中 :R i , k 、 R j , k 是用戶 i 、 j 對項目 k 的評分 。b 相關(guān)相似性 。 通過 peas on 相關(guān)系數(shù)來度量兩個用戶的 相似性 。 計算時 , 首先找到兩個用戶共同評分過的項目集 , 然 后計算這兩個向量的相關(guān)系數(shù) 。 計算公式如下 :si m (i, j = c I (R i , c -R i (R j , c -R j c I i , j (R i , c -R i 2× c I i , j (R i , c -R j 2(4其中 :I i , j 是用戶

13、 i 和 j 共同評分過的項目集 ; R i , c 是用戶 i 對項 目 c 的評分 ; R i 是用戶 i 對資源的平均評分 。c 修正的余弦相似性 。在余弦相似性中沒有考慮不同用 戶的評分尺度問題 , 修正的余弦相似性通過減去項目的平均評 分來彌補(bǔ)這種不足 。 計算公式如下 :si m (i, j = c I (R i , c -R c (R j , c -R c c I i , j (R i , c -R c 2× c I i , j (R i , c -R c 2(5其中 :R c 是項目 c 的平均評分 。 推薦算法優(yōu)化在現(xiàn)有的搜索引擎技術(shù)基礎(chǔ)上 , 結(jié)合當(dāng)前個性化服務(wù)思

14、 想 , 考慮到推薦系統(tǒng)的擴(kuò)展性 5和稀疏性 6等問題 , 從影響集 的概念出發(fā) , 采用 S VD 、 k NN 和 Rk NN 等技術(shù) , 提出一種基于用戶過濾的推薦算法以提高推薦系統(tǒng)的推薦質(zhì)量 。將用戶潛在感興趣的資源推薦給用戶 , 以達(dá)到為不同需求的用戶提供不同 的高效的專業(yè)服務(wù)效果 。 1矩陣簡化推薦技術(shù)在個性化系統(tǒng)中已經(jīng)取得了巨大的成功 , 但同時 它的一些技術(shù)包括協(xié)同過濾的缺點(diǎn)暴露無疑 , 存在有稀疏性 、 擴(kuò)展性等問題 , 初步可以使用 S VD 處理 。S VD 又叫做單值分解7, 8, 是一種矩陣分解技術(shù) , 它可將一個 m ×n 的矩陣 R 分解為三個矩陣 。R

15、 0=T 0S 0D 0, S 0=diag (1, , r 其中 :T 0和 D 0分別是 m ×r 和 r ×n 的正交矩陣 , r 是矩陣 R 0的秩 ; S 0是一個 r ×r 的對角矩陣 , 1r 0, 稱為單值 (singular value 。算法 1 輸入 :R 0;:、 D a 0r i (相 代替 。r ij -r i 代替原來的 r ij , 得到矩陣 R 1; R 1經(jīng)過單值分解 , 得到 T 1、 S 1、 D 1。c 將 S 1簡化 , 將對角線上小于 1的值用 0代替 , 將相應(yīng)的 全為 0的列或行刪除得到 S , 即維數(shù)為 s 的對

16、角矩陣 。d 根據(jù) S 簡化 T 1、 D 1, 得到 T 、 D , 則有 R =TSD , 且 R R 0。e 計算 S 的平方根得到 S 1/2; 計算兩個相關(guān)矩陣 TS1/2、S1/2D 。采用向量空間方法計算相似性 , 這里分析的對象是經(jīng)過S VD 分解后的 m ×s 矩陣 TS1/2, 它描述的是用戶在 k 維空間中的關(guān)系 。 因為經(jīng)過單值分解 , 大大降低了它的數(shù)據(jù)稀疏性 , 可 以產(chǎn)生比較精確的最近鄰居集和相應(yīng)的 t op 2N 推薦集 ?；?維數(shù)簡化的算法 1較好地解決了數(shù)據(jù)稀疏性的問題 。1 與評分矩陣經(jīng)過矩陣簡化以后 , 尋找相似用戶或相似項目應(yīng) 該來說更加簡

17、單精確 , 但是如果原來矩陣是稀疏的 , 即相似用 戶或相似項目本來就很少 , 在經(jīng)過矩陣簡化以后 , 相似用戶就 會變得更少 。 對于這樣的情況 , 本文引入 k NN 與 Rk NN, 增加 用戶的影響集來為其進(jìn)行預(yù)測評分 。最近鄰及其檢索算法是計算機(jī)科學(xué)的主要核心問題之一 。 近年來 , k 2最 近鄰的逆問題逐漸得到人們廣泛關(guān)注 。所謂逆 k 2最近鄰 9, 10, 就是在給定的數(shù)據(jù)集 S 中 , 查詢特定點(diǎn) q 被其他 哪些點(diǎn)視為最近鄰并從中選取有重要影響的點(diǎn) , 可以通過 k NN算法的逆算法 Rk NN (reverse k 2nearest neighbor 來解決 。給定數(shù)據(jù)

18、集 S, D (p, q 表示 p 、 q 兩點(diǎn)間的距離 。RkNN (q =q kNN (p |p S 值得注意的是 , k NN 和 Rk NN 不是對稱的 , 即 p k NN (q 不能推出 q Rk NN (p 。算法 2 基于 k NN 和 Rk NN 的協(xié)作過濾推薦算法 輸入 :用戶項目評分矩陣 A (m , n , 用戶 i, 預(yù)測項目 j ; 輸出 :用戶 i 在項目 j 上的預(yù)測評分 。a 在 A (m , n 中計算用戶間的相似度 , 存入距離矩陣 。 b 對于每個用戶 i I, 根據(jù)距離矩陣找到 i 的最近鄰序 列 , 并按相似度從高到低進(jìn)行排序 , 得到的最近鄰 相似

19、性列94 第 1期陳 華 , 等 :個性化搜索引擎推薦算法研究 表 Tk NN 并保存 。c 掃描 Tk NN, 為每個項目 i I 尋求逆最近鄰序列 , 同樣 按相似度從高到低進(jìn)行排序 , 得到逆最近鄰 相似性列表 TRk NN 并保存 。d 在最近鄰 相似性列表 Tk NN 中找到用戶 i 所對應(yīng)的 行 , 順序取出前 k 個項 i1, i 2, , i k 。e 在逆最近鄰 相似性列表 TRk NN 中找到用戶 i 所對應(yīng) 的行中 , 順序取出前 k 個 項 。f 根據(jù)推薦產(chǎn)生式 (2 選擇適當(dāng)?shù)膮?shù)值 , 計算用戶 i 在 項目 j 上的預(yù)測評分并輸出 。最近鄰一相似性列表和逆最近鄰

20、相似性列表只需定期離 線計算一次并保留下來即可 , 并不影響在線推薦產(chǎn)生的速度。 1 預(yù)測評分考慮到用戶給資源打分時 , 用戶具有苛刻程度不等的情 況 , 將具體預(yù)測評分修改為R u, j =R u n(Ri , j/Ri ×si m (u, i ni =1si m (u, i (6其中 :Ri是用戶 i項目的平均評分 , si m (u, i iR u, j , 如式 (7 所示 :R u, j =R u ( (Ri , j i×si m (u, i ni k NN (u si m (u, i (7R u, j 是通過用戶 u 的 Rk NN 來計算的評分 , 如式 (8

21、 所示 :R u, j =R uni R k NN (u (Ri , j/Ri ×si m (u, i ni Rk NN (u si m (u, i (8 在算法 2中 , 綜合 kNN 和 Rk NN 的評分 , 按照推薦項目的 評分結(jié)合思想 , 用戶 u 對項目 j 最終預(yù)測評分如式 (9 所示 : P u, j =P u, j +(1- P u, j (9 其中 :是 k NN 和 Rk NN 分別控制影響最終評分的影響因子 。 1 基于 影響集的協(xié)作過濾推薦算法利用矩陣簡化 , 擴(kuò)大 k NN 或 Rk NN 影響集等技術(shù)的基礎(chǔ) 上 , 解決矩陣稀疏和相似用戶難以確定等問題

22、。算法 3 基于 S VD 影響集的協(xié)作過濾推薦算法輸入 :用戶 項目評分矩陣 R (m , n 。輸出 :推薦給用戶的項目序列 。a 將矩陣 R 單值分解 , 得到簡化 T 、 S 、 D 。b 計算用戶相關(guān)矩陣 TS 1/2(m , k , 記做 A 。c 在 A (m , n 中計算用戶間相似度 , 并存入距離矩陣 。d 對于用戶 i I, 找到 i 的 Tk NN 和 TRk NN 并保存 。e 在列表 TkNN 中找到用戶 i 所對應(yīng)的行 , 順序取出前 k 個項 i1, i 2, , i k 以及 TRk NN 的前 k 個 項 。f 分別根據(jù)推薦產(chǎn)生式 (7 (9 并選取適當(dāng)參數(shù)

23、 , 計算 用戶 i 對項目 j 上的預(yù)測評分 , 并計算產(chǎn)生用戶的項目推薦序 列 。 實驗結(jié)果和分析本文實驗數(shù)據(jù)采用 Movie Lens data sets 。 Gr oupLens 是一個 在 M innes ota 大學(xué)計算機(jī)科學(xué)與工程系的研究實驗室 , 其研究 領(lǐng)域包括推薦系統(tǒng) 、 在線社區(qū) 、 移動技術(shù) 、 數(shù)字圖書館 、 當(dāng)?shù)氐?理信息系統(tǒng) 。 Movie Lens 是一個研究推薦系統(tǒng) , 本文使用的具 體實驗的數(shù)據(jù)是 6040個用戶對 3900個電影的一百萬的評價 記錄的原始數(shù)據(jù) , 這個是極其稀疏的 。推薦質(zhì)量的評價標(biāo)準(zhǔn)采用平均絕對偏差 MAE 11, 12, 如式 (10

24、所示 , 值越小 , 推薦效果越好 。 其中 , pi是評測分?jǐn)?shù) , q i 是 用戶實際評分 。MAE =N|p i -q i |N(10 本文采用修正的余弦相似性進(jìn)行實驗 。這里 k = 200, =0. 5。如圖 1所示 , 基于 S VD 和影響集的協(xié)作過濾算法比最近 鄰集合的協(xié)作過濾算法取得了較低的 MAE, 取得了更好的推 薦效果 。 本實驗證明 , 基于 S VD 和影響集的協(xié)作過濾算法不 但能夠解決稀疏性和擴(kuò)展性 , 。 使 用 S VD , , 處理后的矩陣 S 的秩 r <, 但是如果原來矩陣 , 在經(jīng)過矩陣簡 , 。而在擴(kuò)大 k NN 或 Rk NN 后 , 使推薦

25、的結(jié)果更加精確 , 即提高了精確性 。算法 3中存在影響因子 , 鄰居集 k 的動態(tài)參數(shù) , 當(dāng) k > 200時 ,MAE 基本沒有變化 , k =200, 如圖 1所示 ; 當(dāng) =0. 5時 , 推薦效果達(dá)到最優(yōu) , 如圖 2所示 。 結(jié)束語個性化系統(tǒng)越來越多地應(yīng)用在各個領(lǐng)域中 , 隨之原有的 推薦算法就會暴露出一些問題 , 本文從矩陣的先縮后放角度 較好地解決了稀疏性擴(kuò)展性問題 。然而將個性化引入搜索 引擎 , 將需要維護(hù)一個龐大的用戶資源矩陣 , 而且也是要考 慮計算時間成本 。本文僅考慮了協(xié)同過濾 , 但是基于項目過 濾同樣也有其優(yōu)點(diǎn) 。下一步工作就是考慮如何處理好一個 龐大的

26、矩陣 , 以及如何利用基于項目過濾和協(xié)同過濾兩者優(yōu) 點(diǎn)共同提高推薦效果 。參考文獻(xiàn) :1曾春 , 邢春曉 , 周立柱 . 個性化服務(wù)技術(shù)綜述 J .軟件學(xué)報 , 2002, 13(10 :195321955.2ADOMAV I C I U S G, T UZH I L I N A. U ser p r ofiling in pers onalizati on app licati ons thr ough rule discovery and validati on C /Proc of the 5th I nternati onal Conference on Data M ining an

27、d Knowledge D iscove 2 ry . New York:AC M Press, 1999:3772381.3J I N X, ZHOU Y, MOBASHER B. A unified app r oach t o pers onaliza 2 ti on based on p r obabilistic latent semantic models of W eb usage and contentC /Proc of the AAA IWorkshop on Se mantic W eb Pers ona 2 lizati on . San Jose:AAA I, 200

28、4:26234.4HERLOCKER J, K ONST AN J, R I E DL J. Exp laining collaborative filtering recommendati onsC /Proc of AC M Conference on Compu 2 ter Supported Cooperative Work . Ne w York:AC M Press, 2000:2412 250. (下轉(zhuǎn)第 53頁 5 計 算 機(jī) 應(yīng) 用 研 究 第 27卷第 j 個元素 , P (B C ij 的信息素值表示為 pher P (B C ij , inc 表示螞 蟻根據(jù)蟻巢到食物源

29、距離來增加的信息素 。蟻群尋找 Hopfield 網(wǎng)絡(luò)參數(shù)的步驟如下 :a 初始化各組元素 P (B C ij 的信息素值 pher P (B C ij , M 只螞蟻位于蟻巢 。b 蟻群根據(jù)路徑選擇規(guī)則各自選擇元素 。路徑選擇規(guī)則是對各組 B C i , 每只螞蟻根據(jù)下式隨機(jī)選擇 元素 :P k (B C ij =pher P (B N i j =1pher P (B C ij (5c 重復(fù)步驟 b , 直到全部螞蟻到達(dá)食物源 。d 對每只螞蟻 , 根據(jù)它所選擇的元素來計算能量函數(shù) , 并調(diào)整信息素值 。信息素調(diào)整規(guī)則為每只螞蟻根據(jù)能量函數(shù) E TSP 和式 (6 選擇信息素 。pher P

30、 (B C ij (t +4 = pher P (B C ij (t +inc (B C ij (6其中 :是信息殘留系數(shù) , (1-表示時刻 t 到 t +4消逝程度 。inc (B C ij =mk 1C ij (7其中 :inc k (B C ij +4P (B C ij 上的信息量 , 8 :inc k (B ij E kTSP 第 k 只螞蟻在時間 t 和 t +4之間 選擇了參數(shù) P (B ij 0否則(8其中 :Q 是正常數(shù) , 它用于調(diào)節(jié)信息素調(diào)節(jié)速度 。e 重復(fù)步驟 b d , 全部螞蟻收斂到同一路徑 , 或達(dá)到給定的計算次數(shù) , 則結(jié)束計算 。 仿真實驗結(jié)果與分析設(shè)空間機(jī)器

31、人在艙外工作時 , 需要訪問 k 個空間站 。空間 機(jī)器人出發(fā)的空間站為 S, 空間機(jī)器人最終到回到空間站 S 。 空間機(jī)器人需要訪問最短的路徑 , 從而節(jié)省寶貴的燃料 , 延長 它的在軌壽命 。上述基于 Hopfield 神經(jīng)網(wǎng)絡(luò)的蟻群算法用于 5和 15空間 站問題 。 圖 5是 15空間站問題的計算路徑 ; 圖 6是每一代計 算結(jié)果中最佳輸出結(jié)果 ; 圖 7是結(jié)果的平均輸出結(jié)果 ; 經(jīng) 50次 計算得到的平均值如表 1所示 。實驗結(jié)果與用標(biāo)準(zhǔn) Hopfield 神經(jīng)網(wǎng)絡(luò)得到的結(jié)果進(jìn)行了比 較 , 5空間站問題的 50次實驗中 , 兩種方法都得到了最優(yōu)解 ;15空間站問題的 50次計算中

32、, 本文提出的方法得到 43(86%次最優(yōu)解 , 最優(yōu)解為 348m 。 用傳統(tǒng)方法得到了 35(70% 次有 效解 , 最優(yōu)解為 353m 。從上述數(shù)據(jù)中可以看出 , 基于蟻群算 法的 Hopfield 神經(jīng)網(wǎng)絡(luò)計算次數(shù)要少于 Hopfield 神經(jīng)網(wǎng)絡(luò) , 陷 入局部極值的幾率要少于 Hopfield 神經(jīng)網(wǎng)絡(luò) , 走過的路徑長度 比 Hopfield 神經(jīng)網(wǎng)絡(luò)短 。表 1 仿真結(jié)果算法cities ant sizefeasible best op ti m u m HNN ith ant syste m353348 結(jié)束語本文利用基于蟻群算法的 Hopfield 神經(jīng)網(wǎng)絡(luò)對解決空間 機(jī)器

33、人多空間站訪問問題進(jìn)行了討論 , 仿真結(jié)果顯示該算法可 以有效地克服 Hopfield 神經(jīng)網(wǎng)絡(luò)陷入局部極小點(diǎn)的現(xiàn)象 , 有利于實際應(yīng)用 。 蟻群算法的研究剛剛起步 , 還沒有形成系統(tǒng)的分 析方法和堅實的數(shù)學(xué)基礎(chǔ) , 但仿真結(jié)果顯示了蟻群算法在解決 路徑規(guī)劃等優(yōu)化問題方面的良好前景 。 參考文獻(xiàn) :1HWANG Y K, AHUJA N. Potential field app r oach t o path p lanningJ .I EEE Tran s o n Robo ti c s a nd Aut om a ti o n, 1992, 8(1 :23232.2G UPTS K K .

34、 Fast collisi on avoidance formani pulat or ar m s:a sequen 2tial search strategy C /Proc of I EEE I nternati onal Conference on Robotics and Aut omati on . 1990:172421729.3DOR I G O M, MAN I EZZ O V, COLORN IA. Ant syste m:op ti m izati onby a col ony of cooperating agent J .I EEE Tra ns o n S ys t

35、em s,M a n, a nd C ybe rne ti c s, 1996, 26(1 :29241.4ELLAB I B I, CALARMA I P . Exchange strategies f or multi p le ant col o 2ny system J .I nf o r m a ti o n S c i e nce s, 2007, 177(5 :124821264. 5ALBA E, LEG U I Z ARMON G, ORDONEZ G . Parallel ant algorithm sf or the m ini m um tardy task p r oblem C /Proc of Congres o A rgentino de Ciencias de la Computaci on . 2004:183521846.(上接第 50頁 5S ARWAR B, K ARYP I S G, K ONST AN J. App l