智能算法綜述

1、摘要：隨著計算機技術的飛速發(fā)展，智能計算方法的應用領域也越來越廣泛，本文介紹了當前存在的一些智能計算方法，闡述了其工作原理和特點，同時對智能計算方法的發(fā)展進行了展望。關鍵詞：人工神經(jīng)網(wǎng)絡遺傳算法模擬退火算法群集智能蟻群算法粒子群算1什么是智能算法智能計算也有人稱之為“軟計算”，是們受自然（生物界）規(guī)律的啟迪，根據(jù)其原理，模仿求解問題的算法。從自然界得到啟迪，模仿其結(jié)構(gòu)進行發(fā)明創(chuàng)造，這就是仿生學。這是我們向自然界學習的一個方面。另一方面，我們還可以利用仿生原理進行設計（包括設計算法），這就是智能計算的思想。這方面的內(nèi)容很多，如人工神經(jīng)網(wǎng)絡技術、遺傳算法、模擬退火算法、模擬退火技術和群集智能技術等

2、。2人工神經(jīng)網(wǎng)絡算法“人工神經(jīng)網(wǎng)絡”（ARTIFICIALNEURALNETWOR徜稱ANN）是在對人腦組織結(jié)構(gòu)和運行機制的認識理解基礎之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。早在本世紀40年代初期，心理學家McCulloch、數(shù)學家Pitts就提出了人工神經(jīng)網(wǎng)絡的第一個數(shù)學模型，從此開創(chuàng)了神經(jīng)科學理論的研究時代。其后，F(xiàn)Rosenblatt、Widrow和J.J.Hopfield等學者又先后提出了感知模型，使得人工神經(jīng)網(wǎng)絡技術得以蓬勃發(fā)展。神經(jīng)系統(tǒng)的基本本造是神經(jīng)元（神經(jīng)細胞），它是處理人體內(nèi)各部分之間相互信息傳遞的基本單元。據(jù)神經(jīng)生物學家研究的結(jié)果表明，人的一個大腦一般有10101011個

3、神經(jīng)元。每個神經(jīng)元都由一個細胞體，一個連接其他神經(jīng)元的軸突和一些向外伸出的其它較短分支一一樹突組成。軸突的功能是將本神經(jīng)元的輸出信號（興奮）傳遞給別的神經(jīng)元。其末端的許多神經(jīng)末梢使得興奮可以同時傳送給多個神經(jīng)元。樹突的功能是接受來自其它神經(jīng)元的興奮。神經(jīng)元細胞體將接受到的所有信號進行簡單處理（如：加權求和，即對所有的輸入信號都加以考慮且對每個信號的重視程度一一體現(xiàn)在權值上一一有所不同）后由軸突輸出。神經(jīng)元的樹突與另外的神經(jīng)元的神經(jīng)末梢相連的部分稱為突觸。2.1人工神經(jīng)網(wǎng)絡的特點人工神經(jīng)網(wǎng)絡是由大量的神經(jīng)元廣泛互連而成的系統(tǒng)，它的這一結(jié)構(gòu)特點決定著人工神經(jīng)網(wǎng)絡具有高速信息處理的能力。人腦的每個神

4、經(jīng)元大約有103104個樹突及相應的突觸，一個人的大腦總計約形成10141015個突觸。用神經(jīng)網(wǎng)絡的術語來說，即是人腦具有10141015個互相連接的存儲潛力。雖然每個神經(jīng)元的運算功能十分簡單，且信號傳輸速率也較低（大約100次/秒），但由于各神經(jīng)元之間的極度并行互連功能，最終使得一個普通人的大腦在約1秒內(nèi)就能完成現(xiàn)行計算機至少需要數(shù)10億次處理步驟才能完成的任務。人工神經(jīng)網(wǎng)絡的知識存儲容量很大。在神經(jīng)網(wǎng)絡中，知識與信息的存儲表現(xiàn)為神經(jīng)元之間分布式的物理聯(lián)系。它分散地表示和存儲于整個網(wǎng)絡內(nèi)的各神經(jīng)元及其連線上。每個神經(jīng)元及其連線只表示一部分信息，而不是一個完整具體概念。只有通過各神經(jīng)元的分布式

5、綜合效果才能表達出特定的概念和知識。由于人工神經(jīng)網(wǎng)絡中神經(jīng)元個數(shù)眾多以及整個網(wǎng)絡存儲信息容量的巨大，使得它具有很強的不確定性信息處理能力。即使輸入信息不完全、不準確或模糊不清，神經(jīng)網(wǎng)絡仍然能夠聯(lián)想思維存在于記憶中的事物的完整圖象。只要輸入的模式接近于訓練樣本，系統(tǒng)就能給出正確的推理結(jié)論。!-empirenews.page-正是因為人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)特點和其信息存儲的分布式特點，使得它相對于其它的判斷識別系統(tǒng)，如：專家系統(tǒng)等，具有另一個顯著的優(yōu)點：健壯性。生物神經(jīng)網(wǎng)絡不會因為個別神經(jīng)元的損失而失去對原有模式的記憶。最有力的證明是，當一個人的大腦因意外事故受輕微損傷之后，并不會失去原有事物的全部記

6、憶。人工神經(jīng)網(wǎng)絡也有類似的情況。因某些原因，無論是網(wǎng)絡的硬件實現(xiàn)還是軟件實現(xiàn)中的某個或某些神經(jīng)元失效，整個網(wǎng)絡仍然能繼續(xù)工作。人工神經(jīng)網(wǎng)絡是一種非線性的處理單元。只有當神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超過某一門限值后才輸出一個信號。因此神經(jīng)網(wǎng)絡是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎的數(shù)字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。2.2幾種典型神經(jīng)網(wǎng)絡簡介2.2.1多層感知網(wǎng)絡（誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡）在1986年以Rumelhart和McCelland為首的科學家出版的ParallelDistributedProce

7、ssing一書中，完整地提出了誤差逆?zhèn)鞑W習算法，并被廣泛接受。多層感知網(wǎng)絡是一種具有三層或三層以上的階層型神經(jīng)網(wǎng)絡。典型的多層感知網(wǎng)絡是三層、前饋的階層網(wǎng)絡，即：輸入層I、隱含層（也稱中間層）J和輸出層Ko相鄰層之間的各神經(jīng)元實現(xiàn)全連接，即下一層的每一個神經(jīng)元與上一層的每個神經(jīng)元都實現(xiàn)全連接，而且每層各神經(jīng)元之間無連接。但BP網(wǎng)并不是十分的完善，它存在以下一些主要缺陷：學習收斂速度太慢、網(wǎng)絡的學習記憶具有不穩(wěn)定性，即：當給一個訓練好的網(wǎng)提供新的學習記憶模式時,彩川一訂的連接權也被打亂，導致記憶的學習模式的酎息的消失。2.2.2競爭型（KOHONEN）J經(jīng)網(wǎng)絡它是基于人的視網(wǎng)膜及大腦皮層對剌激

8、的反應而引出的。神經(jīng)生物學的研究結(jié)果表明：生物視網(wǎng)膜中，有許多特定的細胞，對特定的圖形（輸入*II式）比較敏感，并使得大腦皮層中的特定細胞產(chǎn)生大的興奮，而其相鄰的神經(jīng)細胞的興奮程度被抑制。對于某一個輸入模式，通過競爭在輸出層中只激活一個相應的輸出神經(jīng)元。許多輸入模式，在輸出層中將激活許多個神經(jīng)元，從而形成一個反映輸入數(shù)據(jù)的“特征圖形”。競爭型神經(jīng)網(wǎng)絡是一種以無教師方式進行網(wǎng)絡訓練的網(wǎng)絡。它通過自身訓練，自動對輸入模式進行分類。競爭型神經(jīng)網(wǎng)絡及其學習規(guī)則與其它類型的神經(jīng)網(wǎng)絡和學習規(guī)則相比，有其自己的鮮明特點。在網(wǎng)絡結(jié)構(gòu)上，它既不象階層型神經(jīng)網(wǎng)絡那樣各層神經(jīng)元之間只有單向連接，也不象全連接型網(wǎng)絡那

9、樣在網(wǎng)絡結(jié)構(gòu)上沒有明顯的層次界限。它一般是由輸入層（模擬視網(wǎng)膜神經(jīng)元）和競爭層（模擬大腦皮層神經(jīng)元，也叫輸出層）構(gòu)成的兩層網(wǎng)絡。兩層之間的各神經(jīng)元實現(xiàn)雙向全連接，而且網(wǎng)絡中沒有隱含層。有時競爭層各神經(jīng)元之間還存在橫向連接。競爭型神經(jīng)網(wǎng)絡的基本思想是網(wǎng)絡競爭層各神經(jīng)元競爭對輸入模式的響應機會，最后僅有一個神經(jīng)元成為競爭的勝者，并且只將與獲勝神經(jīng)元有關的各連接權值進行修正，使之朝著更有利于它競爭的方向調(diào)整。神經(jīng)網(wǎng)絡工作時，對于某一輸入模式，網(wǎng)絡中與該模式最相近的學習輸入模式相對應的競爭層神經(jīng)元將有最大的輸出值，即以競爭層獲勝神經(jīng)元來表示分類結(jié)果。這是通過競爭得以實現(xiàn)的，實際上也就是網(wǎng)絡回憶聯(lián)想的過

10、程。!-empirenews.page-除了競爭的方法外，還有通過抑制手段獲取勝利的方法，即網(wǎng)絡競爭層各神經(jīng)元抑制所有其它神經(jīng)元對輸入模式的響應機會，從而使自己“脫穎而出”，成為獲勝神經(jīng)元。除此之外還有一種稱為側(cè)抑制的方法，即每個神經(jīng)元只抑制與自己鄰近的神經(jīng)元，而對遠離自己的神經(jīng)元不抑制。這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。競爭型神經(jīng)網(wǎng)絡的缺點和不足：因為它僅以輸出層中的單個神經(jīng)元代表某一類模式。所以一旦輸出層中的某個輸出神經(jīng)元損壞，則導致該神經(jīng)元所代表的該模式信息全部丟失。2.2.3Hopfield神經(jīng)網(wǎng)絡1986年美國物理學家J.J.Hopfield陸續(xù)發(fā)表幾篇論文，提出

11、了Hopfield神經(jīng)網(wǎng)絡。他利用非線性動力學系統(tǒng)理論中的能量函數(shù)方法研究反饋人工神經(jīng)網(wǎng)絡的穩(wěn)定性，并利用此方法建立求解優(yōu)化計算問題的系統(tǒng)方程式。基本的Hopfield神經(jīng)網(wǎng)絡是一個由非線性元件構(gòu)成的全連接型單層反饋系統(tǒng)。網(wǎng)絡中的每一個神經(jīng)元都將自己的輸出通過連接權傳送給所有其它神經(jīng)元，同123下一頁時又都接收所有其它神經(jīng)元傳遞過來的信息。即：網(wǎng)絡中的神經(jīng)元t時刻的輸出狀態(tài)實際上間接地與自己的t-1時刻的輸出狀態(tài)有關。所以Hopfield神經(jīng)網(wǎng)絡是一個反饋型的網(wǎng)絡。其狀態(tài)變化可以用差分方程來表征。反饋型網(wǎng)絡的一個重要特點就是它具有穩(wěn)定狀態(tài)。當網(wǎng)絡達到穩(wěn)定狀態(tài)的時候，也就是它的能量函數(shù)達到最小的

12、時候。這里的能量函數(shù)不是物理意義上的能量函數(shù)，而是在表達形式上與物理意義上的能量概念一致，表征網(wǎng)絡狀態(tài)的變化趨勢，并可以依據(jù)Hopfield工作運行規(guī)則不斷進行狀態(tài)變化，最終能夠達到的某個極小值的目標函數(shù)。網(wǎng)絡收斂就是指能量函數(shù)達到極小值。如果把一個最優(yōu)化問題的目標函數(shù)轉(zhuǎn)換成網(wǎng)絡的能量函數(shù)，把問題的變量對應于網(wǎng)絡的狀態(tài)，那么Hopfield神經(jīng)網(wǎng)絡就能夠用于解決優(yōu)化組合問題。對于同樣結(jié)構(gòu)的網(wǎng)絡，當網(wǎng)絡參數(shù)（指連接權值和閥值）有所變化時，網(wǎng)絡能量函數(shù)的極小點（稱為網(wǎng)絡的穩(wěn)定平衡點）的個數(shù)和極小值的大小也將變化。因此，可以把所需記憶的模式設計成某個確定網(wǎng)絡狀態(tài)的一個穩(wěn)定平衡點。若網(wǎng)絡有M個平衡點，

13、則可以記憶M個記憶模式。當網(wǎng)絡從與記憶模式較靠近的某個初始狀態(tài)（相當于發(fā)生了某些變形或含有某些噪聲的記憶模式，也即：只提供了某個模式的部分信息）出發(fā)后，網(wǎng)絡按Hopfield工作運行規(guī)則進行狀態(tài)更新，最后網(wǎng)絡的狀態(tài)將穩(wěn)定在能量函數(shù)的極小點。這樣就完成了由部分信息的聯(lián)想過程。Hopfield神經(jīng)網(wǎng)絡的能量函數(shù)是朝著梯度減小的方向變化，但它仍然存在一個問題，那就是一旦能量函數(shù)陷入到局部極小值，它將不能自動跳出局部極小點，到達全局最小點，因而無法求得網(wǎng)絡最優(yōu)解。3遺傳算法遺傳算法（GeneticAlgorithms）是基于生物進化理論的原理發(fā)展起來的一種廣為應用的、高效的隨機搜索與優(yōu)化的方法。其主要

14、特點是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于梯度信息。它是在70年代初期由美國密執(zhí)根（Michigan）大學的霍蘭（Holland）教授發(fā)展起來的。1975年霍蘭教授發(fā)表了第一本比較系統(tǒng)論述遺傳算法的專著自然系統(tǒng)與人工系統(tǒng)中的適應性（AdaptationinNaturalandArtficialSystems）。遺傳算法最初被研究的出發(fā)點不是為專門解決最優(yōu)化問題而設計的，它與進化策略、進化規(guī)劃共同構(gòu)成了進化算法的主要框架，都是為當時人工智能的發(fā)展服務的。迄今為止，遺傳算法是進化算法中最廣為人知的算法。!-empirenews.page-近幾年來，遺傳算法主要在復雜優(yōu)化問題求解和工

15、業(yè)工程領域應用方面，取得了一些令人信服的結(jié)果，所以引起了很多人的關注。在發(fā)展過程中，進化策略、進化規(guī)劃和遺傳算法之間差異越來越小。遺傳算法成功的應用包括：作業(yè)調(diào)度與排序、可靠性設計、車輛路徑選擇與調(diào)度、成組技術、設備布置與分配、交通問題等等。3.1特點遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。搜索算法的共同特征為：首先組成一組候選解；依據(jù)某些適應性條件測算這些候選解的適應度；根據(jù)適應度保留某些候選解，放棄其他候選解；對保留的候選解進行某些操作，生成新的候選解。在遺傳算法中，上述幾個特征以一種特殊的方式組合在一起：基于染色體群的并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和

16、突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區(qū)別開來。遺傳算法還具有以下幾方面的特點：（1）遺傳算法從問題解的串集開始嫂索，而不是從單個解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。（2）許多傳統(tǒng)搜索算法都是單點搜索算法，容易陷入局部的最優(yōu)解。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優(yōu)解的風險，同時算法本身易于實現(xiàn)并行化。（3）遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數(shù)值來評估個體，在此基礎上進行遺傳操作。適應度函

17、數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設定。這一特點使得遺傳算法的應用范圍大大擴展。（4）遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導他的搜索方向。（5）具有自組織、自適應和自學習性。遺傳算法利用進化過程獲得的信息自行組織搜索時，硬度大的個體具有較高的生存概率，并獲得更適應環(huán)境的基因結(jié)構(gòu)。3.2運用領域前面描述是簡單的遺傳算法模型，可以在這一基本型上加以改進，使其在科學和工程領域得到廣泛應用。下面列舉了一些遺傳算法的應用領域：優(yōu)化：遺傳算法可用于各種優(yōu)化問題。既包括數(shù)量優(yōu)化問題，也包括組合優(yōu)化問題。程序設計：遺傳算法可以用于某些特殊任務的計算機程序設計。機器學習：遺傳算法可

18、用于許多機器學習的應用，包括分類問題和預測問題等。經(jīng)濟學：應用遺傳算法對經(jīng)濟創(chuàng)新的過程建立模型，可以研究投標的策略，還可以建立市場競爭的模型。免疫系統(tǒng)：應用遺傳算法可以對自然界中免疫系統(tǒng)的多個方面建立模型，研究個體的生命過程中的突變現(xiàn)象以及發(fā)掘進化過程中的基因資源。進化現(xiàn)象和學習現(xiàn)象：遺傳算法可以用來研究個體是如何學習生存技巧的，一個物種的進化對其他物種會產(chǎn)生何種影響等等。社會經(jīng)濟問題：遺傳算法可以用來研究社會系統(tǒng)中的各種演化現(xiàn)象，例如在一個多主體系統(tǒng)中，協(xié)作與交流是如何演化出來的。4模擬退火算法模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內(nèi)部粒子隨溫升變?yōu)?/p>

19、無序狀，內(nèi)能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態(tài)，最后在常溫時達到基態(tài)，內(nèi)能減為最小。根據(jù)Metropolis準則，粒子在溫度T時趨于平衡的概率為e-AE/(kT),其中E為溫度T時的內(nèi)能，AE為其改變量，k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標函數(shù)值f,溫度T演化成控制參數(shù)t,即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當前解重復“產(chǎn)生新解-計算目標函數(shù)差-接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機搜索過程。退火過程由冷卻進度表(Coolin

20、gSchedule)控制，包括控制參數(shù)的初值t及其衰減因子At、每個t值時的迭代次數(shù)L和停止條件So!-empirenews.page-5群體(群集)智能(SwarmIntelligence)受社會性昆蟲行為的啟發(fā)，計算機工作者通過對社會性昆蟲的模擬產(chǎn)生了一系列對于傳統(tǒng)問題的新的解決方法，這些研究就是群集智能的研究。群集智能(SwarmIntelligence)中的群體(Swarm)指的是“一組相互之間可以進行直接通信或者間接通信(通過改變局部環(huán)境)的主體，這組主體能夠合作進行分布問題求解”。而所謂群集智能指的是“無智能的主體通過合作表現(xiàn)出智能行為的特性”。群集智能在沒有集中控制并且不提供全局

21、模型的前提下，為尋找復雜的分布式問題的解決方案提供了基礎。群集智能的特點和優(yōu)點：群體中相互合作的個體是分布式的(Distributed),這樣更能夠適應當前網(wǎng)絡環(huán)境下的工作狀態(tài)；沒有中心的控制與數(shù)據(jù)，這樣的系統(tǒng)更具有魯棒性(Robust),不會由于某一個或者某幾個個體的故障而影響整個問題的求解?？梢圆煌ㄟ^個體之間直接通信而是通過非直接通信(Stimergy)進行合作，這樣的系統(tǒng)具有更好的可擴充性(Scalability)。由于系統(tǒng)中個體的增加而增加的系統(tǒng)的通信開銷在這里十分小。系統(tǒng)中每個個體的能力十分簡單，這樣每個個體的執(zhí)行時間比較短，并且實現(xiàn)也比較簡單，具有簡單性(Simplicity)。因

22、為具有這些優(yōu)點，雖說群集智能的研究還處于上一頁123下一頁初級階段，并且存在許多困難，但是可以預言群集智能的研究代表了以后計算機研究發(fā)展的一個重要方向。在計算智能(ComputationalIntelligence)領域有兩種基于群智能的算法，蟻群算法(AntColonyOptimization)和粒子群算法(ParticleSwarmOptimization),前者是對螞蟻群落食物采集過程的模擬，已經(jīng)成功運用在很多離散優(yōu)化問題上。5.1蟻群優(yōu)化算法受螞蟻覓食時的通信機制的啟發(fā)，90年代Dorigo提出了蟻群優(yōu)化算法(AntColonyOptimization,ACO)來解決計算機算法學中經(jīng)典

23、的“貨郎擔問題”。如果有n個城市，需要對所有n個城市進行訪問且只訪問一次的最短距離。在解決貨郎擔問題時，蟻群優(yōu)化算法設計虛擬的“螞蟻”將摸索不同路線，并留下會隨時間逐漸消失的虛擬“信息素”。虛擬的“信息素”也會揮發(fā)，每只螞蟻每次隨機選擇要走的路徑，它們傾向于選擇路徑比較短的、信息素比較濃的路徑。根據(jù)“信息素較濃的路線更近”的原則，即可選擇出最佳路線。由于這個算法利用了正反饋機制，使得較短的路徑能夠有較大的機會得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優(yōu)解。蟻群優(yōu)化算法對于解決貨郎擔問題并不是目前最好的方法，但首先，它提出了一種解決貨郎擔問題的新思路；其次由于這種算法特有的解決方

24、法，它已經(jīng)被成功用于解決其他組合優(yōu)化問題，例如圖的著色(GraphColoring)以及最短超串(ShortestCommonSupersequence)等問題。5.2粒子群優(yōu)化算法粒子群優(yōu)化算法(PSO)是一種進化計算技術(EvolutionaryComputation),有Eberhart博士和Kennedy博士發(fā)明。源于對鳥群捕食的行為研究。!-empirenews.page-PSO同遺傳算法類似，是一種基于疊代的優(yōu)化工具。系統(tǒng)初始化為一組隨機解，通過疊代搜尋最優(yōu)值。但是并沒有遺傳算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優(yōu)的粒子進行搜索。同遺

25、傳算法比較，PSO勺優(yōu)勢在于簡單容易實現(xiàn)并且沒有許多參數(shù)需要調(diào)整。目前已廣泛應用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡訓練，模糊系統(tǒng)控制以及其他遺傳算法的應用領域。粒子群優(yōu)化算法(PSO)也是起源對簡單社會系統(tǒng)的模擬，最初設想是模擬鳥群覓食的過程，但后來發(fā)現(xiàn)PSO是一種很好的優(yōu)化工具。5.2.1算法介紹PSO模擬鳥群的捕食行為。一群鳥在隨機搜索食物，在這個區(qū)域里只有一塊食物。所有的鳥都不知道食物在那里。但是他們知道當前的位置離食物還有多遠。那么找到食物的最優(yōu)策略是什么呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區(qū)域。PSO從這種模型中得到啟示并用于解決優(yōu)化問題。PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥。我們稱之為"粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應值(fitnessvalue),每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。PSO初始化為一