推荐星级：
- 1
- 2
- 3
- 4
- 5
物种生灭算法
资料介绍
根据生物进化史中已被发现的物种大爆发和大灭绝现象,提出了智能优化算法——物种生灭算法,并对寻优机制进行了详细的描述。该算法借鉴了物种灾变进化理论的思想,通过对物种执行大爆发和大灭绝操作实现寻优,通过引入主支转移和新老物种的衍生能力收缩等策略,达到平衡算法全局寻优能力与局部寻优能力的目的。仿真结果表明该算法具有实现简单、收敛速度快、运行效率高、寻优精度好等优点。
部分文件列表
| 文件名 | 大小 |
| 物种生灭算法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）第
卷
第
期
系统工程与电子技术
４０
４
Ｖｏｌ．４０ Ｎｏ．４
ꢀ
ꢀ
年
月
２０１８
４
ＳｓｔｅｍｓＥｎｉｎｅｅｒｉｎ ａｎｄＥｌｅｃｔｒｏｎｉｃｓ
ꢀ ｇ ꢀ
ｙ ｇ
ꢀ
Ａ ｒｉｌ２０１８
ｐ
ꢀ
：
（ ）
１００１５０６Ｘ２０１８０４０９４１０７
－
：
网址
ｗｗｗ．ｓｓｅｌｅ．ｃｏｍ
文章编号
－
－
ꢀ
ｙ
－
物种生灭算法
１ １ ２ １ １
，
杨永建 禚真福 黄柏儒 樊晓光 邓有为 王 彪
１
，
，
，
，
ꢀ
（ ，
空军工程大学航空工程学院 陕西 西安
１．
；
７１００３８
，
部队 河北 沧州
０６１０００
）
中国人民解放军
２．
９５９７４
： ，
根据生物进化史中已被发现的物种大爆发和大灭绝现象 提出了智能优化算法
———
，
物种生灭算法
摘
要
ꢀꢀ
ꢀ
。 ，
并对寻优机制进行了详细的描述 该算法借鉴了物种灾变进化理论的思想 通过对物种执行大爆发和大灭绝操
， ，
作实现寻优 通过引入主支转移和新老物种的衍生能力收缩等策略 达到平衡算法全局寻优能力与局部寻优能力
。 、 、 、
的目的 仿真结果表明该算法具有实现简单 收敛速度快 运行效率高 寻优精度好等优点
。
： ； ； ；
关键词 生物进化史 智能优化算法 物种生灭算法 寻优机制
：
：
文献标志码
Ａ
：
／
ｊ
中图分类号
ＴＰ３０１
ꢀ ꢀꢀꢀꢀ
ＤＯＩ１０．３９６９ ．ｉｓｓｎ．１００１５０６Ｘ．２０１８．０４．３２
ꢀꢀꢀꢀ
－
Ｓｅｃｉｅｓｅｘｌｏｄｅａｎｄｄｅｒａｃｉｎａｔｅａｌｏｒｉｔｈｍ
ꢀ
ｇ
ꢀ
ꢀ ꢀ
ｐ
ｐ
１
， ， ，
ＹＡＮＧ Ｙｏｎ ｉａｎ ＺＨＵＯＺｈｅｎｆｕ ＨＵＡＮＧＢｏｒｕ ＦＡＮ Ｘｉａｏｕａｎ
１
２
１
１
，
ꢀ
１
，
ＤＥＮＧ Ｙｏｕｗｅｉ ＷＡＮＧＢｉａｏ
ꢀ ꢀ
ꢀ
ｇｊ
ꢀ
ꢀ
ꢀ
ｇ
ｇ
（
， ， ’ ，
１．ＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓＥｎｉｎｅｅｒｉｎ Ｃｏｌｌｅｅ ＡｉｒＦｏｒｃｅＥｎｉｎｅｅｒｉｎ Ｕｎｉｖｅｒｓｉｔ Ｘｉａｎ７１００３８ Ｃｈｉｎａ
ꢀ
；
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｇ
ꢀ
ｇ
ｇ
ｇ
ꢀ
ｙ
， ，
２．Ｕｎｉｔ９５９７４ｏ ｔｈｅＰＬＡ Ｃａｎ ｚｈｏｕ０６１０００ Ｃｈｉｎａ
ꢀ
）
ꢀ
ꢀ
ｆ
ꢀ
ｇ
：
Ａｂｓｔｒａｃｔ Ａｓｉｍｌｅａｎｄｅｆｆｅｃｔｉｖｅｉｎｔｅｌｌｉｅｎｔｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍｎａｍｅｄｓｅｃｉｅｓｅｘｌｏｄｅａｎｄｄｅｒａｃｉｎａｔｅａｌ
ꢀꢀ ꢀｐ ꢀｇ ꢀｐ ꢀ ｐ ꢀ －
ｐ ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
（
）
ｏｒｉｔｈｍ ＳＥＤＡ ｉｓ ｒｏｏｓｅｄｂａｓｅｄｏｎｅｘｌｏｄｉｎ ａｎｄｄｅｒａｃｉｎａｔｉｎ ｉｎｈｉｓｔｏｒ ｏｆｂｉｏｌｏｉｃａｌｅｖｏｌｕｔｉｏｎ．Ｔｈｅｏｔｉｍｉ
ꢀｐ ｐ ꢀ ꢀ ｐ ꢀｐ －
ｇ ꢀ ｙ ꢀ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ｚａｔｉｏｎｍｅｃｈａｎｉｓｍｏｆＳＥＤＡｉｓｄｅｓｃｒｉｂｅｄｉｎｄｅｔａｉｌ．Ｔｈｅａｌｏｒｉｔｈｍｒｅａｌｉｚｅｓｔｈｅｏｔｉｍｉｚａｔｉｏｎｂ ｍａｋｉｎ ｓｅｃｉｅｓｅｘ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀｐ ꢀｙ ꢀ －
ｇ ｐ
ꢀ
ꢀ
ｌｏｄｉｎ ａｎｄｄｅｒａｃｉｎａｔｉｎ ａｃｃｏｒｄｉｎ ｔｏｓｅｃｉｅｓｃａｔａｓｔｒｏｈｅｅｖｏｌｕｔｉｏｎｔｈｅｏｒ ．Ｔｏｂａｌａｎｃｅｔｈｅａｂｉｌｉｔ ｏｆ ｌｏｂａｌｏｔｉ
ｇ ꢀｐ ｐ ꢀ ｙ ꢀｇ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ －
ｐ
ｇ
ꢀ
ｇ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
，
ｍｉｚａｔｉｏｎａｎｄｌｏｃａｌｏｔｉｍｉｚａｔｉｏｎ ｓｅｃｉｅｓｓｔｒａｔｅｉｅｓｓｕｃｈａｓｃｏｎｖｅｒｔｉｎ ｍａｉｎｂｒａｎｃｈｏｆｓｅｃｉｅｓａｎｄｃｏｎｓｔｒｉｃｔｉｎ ｄｅ
ꢀｐ ꢀ ꢀｐ －
ｇ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
，
ｒｉｖａｔｉｖｅａｂｉｌｉｔ ａｒｅａｌｓｏｉｎｔｒｏｄｕｃｅｄ．ＳｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｃａｔｅＳＥＤＡｉｓｅａｓ ｔｏｉｍｌｅｍｅｎｔ ａｎｄＳＥＤＡｈａｓｅｘｃｅｌ
ꢀꢀ ｙ ꢀ ｐ －
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｌｅｎｔｃｏｎｖｅｒｅｎｃｅｓｅｅｄａｎｄｓｏｌｕｔｉｏｎ ｕａｌｉｔ ．
ꢀ ꢀｐ ꢀ ꢀ ꢀｑ
ｇ ｙ
：
Ｋｅｗｏｒｄｓ ｈｉｓｔｏｒ ｏｆｂｉｏｌｏｉｃａｌｅｖｏｌｕｔｉｏｎ ｉｎｔｅｌｌｉｅｎｔｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍ ｓｅｃｉｅｓｅｘｌｏｄｅａｎｄｄｅｒａｃｉ
ꢀｐ ꢀ ｇ ꢀ ｐ －
；
；
ｐ
ｙ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
ｙ
（
）；
ｎａｔｅａｌｏｒｉｔｈｍ ＳＥＤＡ ｏｔｉｍｉｚａｔｉｏｎｍｅｃｈａｎｉｓｍ
ｐ
ꢀ ｇ
ꢀ
。
，
算 法 中 粒 子 的 移 动 包 含 了 粒 子 本 身 的 信 息
ＰＳＯ
作
如
引
言
０
ꢀ
ꢀ
（ ） （
个体行为 以及整个种群对粒子的影响 个体间的合作
）。
［］
１
。
群
、
优化问题广泛存在于生活 生产以及科研活动中
、 、 ，
尽管群智能优化算法理论简单 可操作性强 易于实现 然
智能优化算法是在借鉴自然现象或者生物体的各种原理的
，
而 几乎所有的群智能优化算法不可避免地会发生早熟收
，
基础上发展出的一类新的优化算法 如粒子群优化
（
ａｒｔｉｃｌｅ
ｐ
、 。 ，
敛 容易陷入 局 部 最 优 解 等 问 题 因 此 如 何 加 快 收 敛 速
［］
２
）
［］
３
、
遗 传 算 法
［］
４
，
ｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎ ＰＳＯ
ꢀｐ
、
算法 蚁群算 法
、
度 避免算法陷入局部最优解成为群智能优化算法的主要
［］
５
（
，
ａｒｔｉｆｉｃｉａｌｆｉｓｈｓｗａｒｍａｌｏｒｉｔｈｍ ＡＦＳＡ
ꢀ ｇ
）
。 ，
研究方向 为了解决这一问题 已有大量改进的群智能优
和人工鱼群算法
ꢀ
ꢀ
［
］
１
６１
ꢀ
，
化算法被提出 这些方法在一定程度上能够避免算法陷入
。
，
群智能优化算法自提出以来 已有大量的群智 能
等
， ，
局部最优并加快收敛速度 然而 由于群智能优化算法很难
，
算法应用相关的文章被发表于国内外各类学术刊物上 大
， ，
从数学上进行严格的证明 因此 这些改进算法并不能从根
量的文献证明利用群智能优化算法能够解决不同领域的许
。 ：
本上解决算法易陷入局部最优解问题 主要原因在于 一
，
多问题 如许多传统方法无法解决的
。
问题
ＮＰｈａｒｄ
－
；
是改进参数设置并不能改变群智能算法寻优的根本 二是
，
群智能优化算法利用群体中单个成员简单的操作 通
。 ，
过合作完成复杂的任务 因此 群智能优化算法一般只需
，
种群拓扑结构的改变并不会引入新的物种 如
算法中
ＰＳＯ
， ，
要两个操作即可实现 一是个体行为操作 二是个体间的合
；
种群分割法 三是多种智能算法相融合只能改变物种的迭
：
；
：
； ：
网络优先出版日期
２０１７ １０ ０６
。
收稿日期
修回日期
２０１７ ０４ ２５
ꢀ ꢀ
２０１７ １２ ２８
ꢀ
ꢀ
ꢀ
ꢀ
： ：／／
ｈｔｔ
ｐ
／
／ ／
ｋｎｓ．ｃｎｋｉ．ｎｅｔｋｃｍｓｄｅｔａｉｌ１１ ．２４２２ ．Ｔ Ｎ ．２０１７１２２８ ．１４３５ ．０１４ ．ｈｔｍｌ
网络优先出版地址
：
基金项目 航空科学基金
（ ）
资助课题
２０１５５５９６０２４
·
·
系统工程与电子技术
第
卷
４０
ꢀ
９４２
ꢀ
ꢀ
，
代公式 并不意味着引入了新的物种
。
， ，
为了便于下文讨论 基于以上两种现象 本文定义以下
， ，
鉴于此 本文从如何引入新物种的角度出发 通过物种
：
几个术语 称一次物种大爆发和一次物种大灭绝为一次物
①
，
大爆发和大灭绝操作 提出群智能优化算法
———
；
称第一次物种生灭周期前已存在的物种为元生代
②
物种生灭
）。
种生灭
（
，
ｓｅｃｉｅｓｅｘｌｏｄｅａｎｄｄｅｒａｃｉｎａｔｅａｌｏｒｉｔｈｍ ＳＥＤＡ
ꢀ
， ，
物种 或第一生代物种 由第一生代物种衍生而来的物种称为
算法
ｐ
ꢀ ｐ ꢀ ꢀ ｇ
，
尽管本文算法并没有引入其他智能算法 但本文算法将为
如何在一个优化问题中实现多种智能优化算法的共存提供
， ，
第二生代物种 依此类推 由
生代物种衍生出来的物种
Ｎ－１
；
称为第 生代物种
Ｎ
称在上一次生灭周期中幸存下的物种
③
。
； 。
称由幸存物种衍生出来的物种为衍生物种
④
一种新的思路
为幸存物种
物种生灭现象
物种生灭算法
２
ꢀ
１
ꢀ
，
在自然界漫长的演化历史中有着形形色色的现象 可
物种模型
２．１
ꢀ
，
为人类解决问题提供新的思路和启发 如物种大爆发和物
（ ， ，…， ），
其中
ｘ
ｎ
， （
ｘ ｉ＝
ｉ
假设一个物种的性状为
Ｘ＝ ｘ ｘ
１
２
。
种大灭绝现象
，…，）
ｎ
，
为欲寻优的变量 物种在给定环境下的适应能力
１２
， 《 》，
年 英国生物学家达尔文发 表 了 物 种 起 源 由
（ ）， ，
其中
Ｙ
（
为目标函数值 也可称之为适应
表示为
１８５９
Ｙ＝
Ｘ
ｆ
、
此奠定了以渐变 自然选择为特征的达尔文进化论学说的
）； ， 。
度值 函数 为适应度函数 与具体的优化问题相关
ｆ
。 ，
基础 然而 地质演化史和古生物发展史的大量新事实的
，
Ａ
［
，
Ａｍｉ Ａｍａ
ｎ
］， ，
其中
Ａｍａ
物种的衍生能力用 表示
Ａ
∈
ｘ
ｘ
，
出现 对达尔 文 渐 进 连 续 的 进 化 论 学 说 提 出 了 严 重 质 疑
。
；
。
ｎ表示最小的物种衍生能力
Ａｍｉ
表示最大的物种衍生能力
物种的衍生能力
： ， “
如 中国澄江动物群化石的发现和研究 首次揭示了 寒武
，
表征着该物种搜索范围的大小 因此
，
Ａ
” ， ，
纪大爆发 的整体轮廓 证明了在寒武纪时代 多细胞动物
。
和 ｘ的取值与具体的优化问题相关
Ａｍｉ Ａｍａ
ｎ
， 。 ，
曾突发性地出现 其种类突然大幅度增加 此外 地理挖掘
。
Ｓ
物种的繁衍代数用生代数 表示
Ｇ
表示每次生灭周
［ ］
１２
———
。
， ，
期结束时 幸存物种的数量 与其他群体智能算法中种群规
还揭示了另一种物种进化现象的存在
亿年以来地球上生存过大约 亿种生物 其中 至
９９％
物种大灭绝
，
，
Ｓ
。
Ｍ
模的取值一样
的取值一般大于优化问题的维数
为
３５
４０
。
今都已经灭绝了 文献
［ ］
指出物种大灭绝与物种大爆发
１３
， ，
大于 的整数 表示爆发倍数 表示在一次物种大爆发中
１
，
，
存在一定的关系 每一次古生物大灭绝之后不久会出现新
以已有物种为主支物种开始衍生出新物种后的物种数量的
， ，
的更高级的生物 众所周知的恐龙大灭绝之后 哺乳动物才
。
，
，
倍数
但计算量将成倍增加
生灭周期即
的取值越大 算法寻找到最优解的可能性将增大
Ｍ
，
登上历史舞台 继而才会有人类的出现
。
。
，
由此可见 物种大爆发与物种大灭绝都在共同地推进
。 ：
的迭代次数 需要注意的是 生灭
ＳＥＤＡ
。 ，
物种的进化 据此启发 本文研究分析了物种大爆发和大
， ，
周期可以为固定值 但生代数不是固定值 与物种在寻优过
，
灭绝现象的特点 并在此基础上提出基于物种生灭现象的
。
程的变化情况相关
进化现象的描述
２．２
ꢀ
———
。
智能寻优算法
ＳＥＤＡ
，
无论是物种大爆发还是物种大灭绝 其所产生的或幸
物种大爆发
２．２．１
ꢀ
，
，
其作为主支物种在其
存下来的物种必然都是对当前环境拥有一定适应能力的
假设当前已有物种的性状为
Ｘ
ｉ
。
，
若
Ｘ
而能从物种大灭绝中幸存下的物种说明其适应能力较强
衍生能力内随机产生一个新的物种
为
生代物
Ｇ
Ｘ
ｊ
ｉ
，
因此 本算法依据该特点设计一种模仿物种生灭现象的算
，
种 则
。
（
本文 均以 求极小
Ｙ
为
生代物种
若
Ｘ
ｊ
Ｇ＋１
Ｙ
ｉ
＞
ｊ
，
法 从而实现寻优
。
）， ，
问题为例 则新物种将作为主支物种 继续衍生下一个生
， ，
本文根据新的灾变进化论 并大胆假设 提出以下两种
， 。
代的物种 否则继续以 ｉ 为主支物种 如此反复进行直到
Ｘ
。
，
倍后 结束物种大爆发
。
应用于本算法的物种进化现象
物种的数目为原有物种数目的
Ｍ
（）
物种大爆发
１
新物种产生的公式为
（）
１
，
在一次大爆发中 任何一个已有物种都具有衍生能力
，
Ｘ
ｊ
Ｘ
ｉ
ｒ Ａ
＋ ×
＝
ｉ
，
式中 为与
ｒ
（
， ） 。
的随机向量
。
并会衍生出一定数量的新物种 新物种的初始衍生能力弱
同维且元素值
∈
Ｘ
ｉ
－１ １
。
于将它衍生出来的物种的初始衍生能力 称能够衍生出新
新物种的初始衍生能力为
／（
）
１
＋
（）
２
，
物种的物种为主支物种 并且具有更好适应能力的新物种将
Ａ０
ｊ
Ａ
ｍａｘ
Ｇ
＝
（）
由式 可知 随着生代数增加 新物种的初始衍生能
２
ꢀꢀ
，
，
， 。
成为主支物种 称这一现象为主支转移 当物种数量达到一
，
力会不断地下降 从而使得算法在接近全局极值时拥有较
， ，
定程度之后 由于生存资源趋于饱和 物种大爆发将停止
。
。
（）
物种大灭绝
２
好的精确寻优能力
，
物种大爆发是算法进行寻优的关键过程 一个新物种
，
由于外界环境的突变 物种大灭绝会周期性地发生
。
在
。
的诞生即是完成了对目标区间的一次探索 其中主支转移
， ，
一次物种大灭绝中 大部分物种都会灭绝 尤其是环境适应
，
策略有助于算法跳出局部极值点 更加迅速地向全局极值
，
能力较差的物种 而幸存下来的物种将进入下一次物种大爆
。 ，
点收敛 当物种大爆发结束时 意味着本次生灭周期内对
。
。
从物种大灭绝中幸存下来的物种的衍生能力会收缩
发
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏3.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
全部评论(0)