人工智能•Artificial Intelligence
文/杨爽
本文对智能的理论内涵进摘行分析，然后从人工鱼算法、要蚁算法以及粒子算法三个角度分析智能优化算法在移动机
组合聚醚器人规划中的应用现状，然后对
以上三种算法的性能做比校。
表1：三种智能优化算在路径规划中优缺点对比
智能算法优点缺点
人工鱼算法并行搜索：寻最优解速度快；鲁棒性高后期收效速度慢；寻优精确差蚁算法正反馈机制；全局搜索能力强搜索时间差；容易出现停止粒子算法早期收效速度快；寻优精度高后期收效慢；容易陷入局部最优
【关键词】智能优化算法路径规划应用
手动豆浆机
1引言
在移动智能机器人的移动路径轨迹规划中，路径导航规划技术是其核心内容，也而路径规划是导航技术中的核心环节和重要组成部分。传统的移动机器人路径规划包含人工势场、自由空间法等，但是传统的路径规划应用在移动机器人中存在很大的缺陷，比如空间局限性大、无法计算出最优路径，且在复杂一场环境求解速度慢。智能优化算法是在传统路径规划方法上的革新，它具有强大的数据并行处理能力和全局域搜索能力，面对各式各样复杂的环境能够到最优路径解，有效解决传统路径算法的问题。
2智能优化的理论内涵
在大自然中有许多动物有集体行动的现象，这些动物体中，单一个体展示出来是无法提现智能化的，单个个体展现的行为是相似的，但是在进化机制作用下，多个个体组成体后会经过个体之间信息交换而发生作用，这种个体无法实现的任务二必须通过体来实现的任务就是智能优化理论的原型。1999年体智能理念被提出，这种理论是从昆虫以及动物的集体行为而启发得出的体智能算法和分布式解决方案，业界称之为智能优化算法。
智能优化算法是从自然界生物的体行为而得出启发的，通过模拟生物体行为以及单个体之间的相互行为而产生的生物社会性，比如大雁在天空中排成一字型或人字形飞翔，蝙蝠在黑暗的夜空中能够快速飞行而不碰撞、蚂蚁搬家时的队列等，这些动物体中单个个体都遵守这些特定的社会属性，并按照社会规则自觉发生体路径行为。而体智能优化理论就是从这些动物体路径行动中得出理论模型，通过对局部信息的收集、整理以及分析，得出整个体行为的内在逻辑和规律，从而解决形式化模型问题，这也是解决移动机器人行为路径的重要理论算法之一。 在智能理论中，每个个体需要根基自我
及周围环境信息来自动改变自己的行为轨迹，
不断进行自我优化局部行为的操作，然后根据
不同个体之间行为数据的交互，进而得出体
智能的优化方向。体智能优化算法具有并行
式、分布式、自我组织性的优势，已经成功运
用在函数优化算法领域中，并对机器人移动路
径规划具有良好的导航意义，是在传统路径规
划方法上的一次巨大变革，大大提升了算法的
精确度和性能。
3智能优化算法在路径规划中的应用
3.1人工鱼算法
人工鱼算法是从鱼寻食物的自然
现象中启发得出的智能优化算法。人们通过
模拟鱼寻食物的体行动轨迹，采用人工
鱼系统，每条人工鱼会根据周边食物的稀疏
度和浓密度而改变自己的行动轨迹，也会按照
周边同游的体伙伴而决定自己的行动轨迹，
人工鱼主要模拟了觅食行动、追尾行动以及
聚集行动。其中觅食行动中，人工鱼算法
最优解更趋向于个体寻最优解的过程，而追
尾和聚集行动是个体与周围环境发生信息交流
的过程。经过大量的实验数据测算后，发现食
物浓度最好的地方就能够到行动轨迹的最优
解。借助人工鱼算法可以实现全局良好的搜
索能力和快速搜全局的能力，这对于搜索效率
提升，并且最快到最优路径具有重要意义。
在路径规划中运用人工鱼算法，首先
需要对路径规划的整个区域进行人工建模，建
模可通过链路图法或空间法进行，将路径规划
区域转化为有解空间。其中目标点设置为鱼
觅食行为中食物密度最高的点，而距离目标最
近的点就是最优解，而距离目标越远的点食物
越稀疏。人工鱼算法中，若干条人工鱼对全
局开展并行搜索，并在同伴的明显下，不断接
近最优解，也就是食物密度最高的点，从而达
到目标点并得出最优行动轨迹路线。
3.2蚁算法
蚁算法是上世纪90年代意大利学者提
出来的一种基于种的进化算法，是受大自然
伴热管线中蚂蚁觅食的行为路径而启发得来的。
目前蚁算法在智能优化有两种优化
方向，一种从改变信息素浓度更新方法出发，
进而寻出路径最优解，然后调整参数；另外
一种试讲蚁算法与其他算法结合运用。第一
中优化方向是结合最大值和最小值的蚂蚁算
法，将信息素浓度放在一定范围内，当某个
体蚂蚁达到目标地点后，就会更新信息素，而
相反方向的蚂蚁体就会对全局信息素实施更
新，这样可以得到全局最优，而避免局部最优,
进而提升算法的精确性和效率。第二种是蚁
算法与其他算法的融合运用，比如蚁算法与
遗传算法的结合，采用蚁算法的反馈能力能
够对全局信息进行有效搜索和反馈，这样能够
实现全局最优搜索能力。而遗传算法能够快速
在大范围内搜索，实现搜索的效率。而在蚁
算法前，釆用遗传算法排除干扰项得出最优解
范围，在使用蚁算法得出最优解。
3.3粒子算法
粒子算法是Kennedy在1995年提出的
智能优化算法，目前在神经网络、过程分析
应用、功能优化等领域应用广泛。粒子算法
是从粒子适应性函数得出飞行速度，然后从飞
行速度推算出粒子在解空间区域中的搜索行
为。每个个体粒子有自己的目标函数觉得自身
的飞行轨迹，目标函数指导给粒子自身发现适
应值最优位置以及在整个粒子里中算出最优
位置，进而验证粒子下一步的方向和行为。粒
子算法在寻最优规划路径过程中，一个粒
子的位置代表一个有效解的有效路径，在反复
更新有效路径解的过程中最终到最优解。粒
子算法与其他算法相比，这种方法操作简单
便捷，收效快速，且控制的参数较少，适用于
解决复杂的非线性问题，并对离散优化问题有
显著的解决效果。
4智能优化算法的性能比较
以上介绍的人工鱼算法、蚁算法以
及粒子算法实际应用的移动机器人路径规划
«下转245页
244•电子技术与软件工程Electronic Technology&Software Engineering
Artificial Intelligenee•人工智能粗糙集在CBR故障诊断中的应用
文/任星星
本文在对粗糙集属性约简算
摘法进行论述的基础上，主要对粗
要糙集在CBR故障诊断中的应用进
行了分析与探讨。
【关键词】粗糙集属性约简CBR故障诊断应用
1基于粗糙集的几种属性约简算法
1.1基于正区域的属性约简算法
该算法是由Pawlak提出来的，该算法的基本思路是先定义一个属性重要度函数，并对属性重要性进行计算，然后将属性按照计算数值的大小依次并入约简合集。基于正区域的属性约简算法要求对幕集中的所有元素进行考察，这样得出的约简集合肯定是最优或者次优的，但是也是因为其要求对所有元素进行考察，就会导致计算速度较为缓慢，而且会因为指数级的时间复杂度问题，可能导致该算法出现寻解失败现象。1.2差别矩阵属性约简算法
该算法是由Skowron和HU提出的，该
算法的基本思路是先定义一个差别矩阵，并将
该矩阵作为差别函数，并计算出该差别函数的
极小析取范式，而极小析取范式中的所有合取
式就对应信息系统中所有属性约简。差别矩阵
属性约简算法可以得到所有约简以及最小约
简，且其时间复杂度只有基于正区域的属性约
简算法的50%，但是该算法也面临着“组合爆
炸”问题，导致其不适用于海量数据的处理。
1.3基于信息嫡的属性约简算法
苗夺谦等将entropy引入属性约简，提出
了可以度量知识不确定性的基于信息爛的属性
约简算法。该算法一般可以得到最小属性约简，
搜索空间较小，而且到的一定是最优或者次
优约简。但是该算法也存在无法到信息系统
属性约简的缺陷。
1.4其他属性约简算法
除了以上一种粗糙集属性约简算法，学者
还提出了基于遗传算法、基于粒子优化、基
于模糊粗糙集、基于免疫原理、基于蚁优化、
基于概念格等其他很多粗糙集属性约简算法。
人机界面
图1：粗糙集在CBR故障诊断中的应用流程图
2粗糙集在CBR故障诊断中的应用
2.1粗糙集在CBR故障诊斷中的应用流程
从图1可以发现粗糙集在使用过程中包
含3个主要步骤：属性的离散，故障案例属性
约简，故障案例特征权值的计算，下面本文将
主要对故障案例属性约简，故障案例特征权值
的计算进行案例分析。
2.2基于粗糙集的约简算法喷淋嘴
下面给出一种利用条件属性在区分矩阵
中出现的频率作为启发式信息的属性约简算
«上接244页
中优缺点各有不同，总结的结果如下：
从表1中可以看出，人工鱼算法在路径规划中具有较强的并行搜索能力，收效速度快，且对参数的
限制不敏感，体现较强的鲁棒性，能够快速到最优解。但是这种算法后期收效慢，容易在最优解附近徘徊，导致寻优精度下降。人工鱼算法可以与其他算法进行组合优化，将其运用在神经网络训练、电力系统预测、参数预估以及多目标寻优等领域，能够收获比较好的应用效果。
蚁算法是从蚂蚁寻觅食物的现象中得出启发的，在寻路径时有正反馈，并有分布式合作和信息共享的优势。但是整个算法使用时间很长，并对信息素依赖性非常大，一旦出现最优解，整个路径最优搜索行为就会陷入停滞的状态。目前蚁算法已经从早期运用在商旅问题中，逐步扩散到其他领域，比如大规模集成电路设计、车辆调度、二次分配、Wi-Fi 通信中的负载平衡问题等。
粒子算法使用参数非常少，操作简单方便，且收效精度很高，但是在局部搜索过程中表现平平，且后期搜索速度很慢。该算法虽早用于人工神经网络训练，随后被用于机器人路径规划、信号处理等领域。
5结束语dc-hsdpa
本文首先岁智能算法的理论含义做详
细分析，然后介绍了人工鱼算法、蚁算法
以及粒子算法。由于传统的路径规划方法有
许多弊端，在解决现实问题上表现为计算慢、
适应复杂环境弱问题，而智能优化算法是一
种在传统路径规划方法上的革新，它具有并行
搜索、分布式协作以及自组织优化的优势，应
用在移动机器人路径规划、各大工程领域上具
有重要意义。但是不同分类的智能算法体现
出的优缺点有不同，有的算法快、但是容易陷
入局部最优，有的全局搜索能力强，但是搜索
时间长。参数的调整也会影响智能算法的精
度和效率，因此智能优化算法运用在路径规
划中要避免单一算法带来的弊端，最好的解决
办法是多种算法的融合运用，不断拓展应用场
景，这样才能提升智能优化算法在路径规划
中的算法精度和效率。
参考文献
[1]杜映峰，陈万米，范彬彬.智能算法在
路径规划中的研究及应用[J].电子测量
技术,2016,39(11):65-70.
[2]赵全友.智能算法在TSP中的应用[J].
信息与电脑(理论版),2017(22):68-70.
[3]袁梦茹.基于智能算法的移动机器
人路径规划技术研究[D]，安徽工程大
学,2016.
[4]薛海波.人工蜂算法在物流配送路
径选择问题中的应用研究[D].重庆大
学,2016.
居家地毯⑸张文辉，王晨宇.智能优化算法在
路径规划中的应用[J].梧州学院学
报,2018,28(03):36-42.
⑹寇晓丽.智能算法及其应用研究[D].
西安电子科技大学,2009.
作者简介
杨爽(1993-).硕士研究生在读，现供职于
沈阳化工大学。主要研究方向为智能算法。
作者单位
沈阳化工大学辽宁省沈阳市110001
Electronic Technology&Software Engineering电子技术与软件工程•
245
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议