大数据环境中群智能算法的应用范文

本站小编为你精心准备了大数据环境中群智能算法的应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

引言

随着社会科技与经济的发展，优化在计算机等相关领域占有重要地位。群智能算法作为一种全新的演化算法作用于科学计算和解决社会经济中［1］。国外对于群智能领域的研究较早，美国科学家Kennedy和Eberhart提出全新的群智能进化计算思想—粒子群优化模型。该模型模仿群体的社会认知过程，对抽象概念进行建模［2］；EberhartR与ShiY对粒子群算法进行研究，对应用与资源进行总结归纳，讨论惯性权重、动态跟踪系统与影响因子［3］；SettlesM等将遗传算法与粒子群算法在神经网络的性能方面进行对比，粒子群算法在小型网络性能中表现更好［4］。中国对于优化问题的研究起步较晚，王勇等人提出用微调机制改进粒子群算法，用以提高算法的局部搜索能力，改进粒子相似度过高的缺陷［5］；郭文忠通过研究遗传算法的2点变异与交叉算子，提出混合粒子优化算法，用于解决电路规划问题［6］。由于种群规模小导致种群搜索能力差，反之种群规模的扩大使得搜索范围扩大，提高了局部优越性，但也减慢了收敛速度，因此基于优化问题，文章提出一种种群规模自适应控制算法，能够有效地测试出传统粒子群算法的函数性能。

1群智能算法—种群规模自适应优化算法

1．1种群增长模型

1．1．1种群指数式增长一种“J”型增长是在理想种群环境下随种群密度变化而增长的种群指数增长。其增长方式分为指数增长和几何增长，用方程dN／dt＝rN来表示［7］，式中，dN／dt为某种群点时间的瞬时增长率；最大潜力种群增长率用r表示；N表示点时间的种群大小。假设在理想状态下，自然种群可在短时间呈现指数似的增长，且种群个体呈禀增长率增长，导致规模增大。有研究发现，没有一种种群是无休止增长的，都存在一定的局限性，受种群规模、密度、浓度等因素制约，因此，种群增长可达到一定的上限。

1．1．2种群的逻辑斯谛增长种群的逻辑斯谛增长用“S”型增长来表示［8］。“S”型增长的表现方式为由慢到快的逐渐式增长。由于受到外界因素的干扰，种群的增长速度随之下降，越来越靠近渐近线发展，此条渐近线称之为环境容纳量，用K来表示，也就意味着种群可以达到最大密度。在自然环境中，绝大部分种群是按照“S”型增长的。

1．2种群规模自适应粒子群算法研究

1．2．1种群自适应增加／删除个体数目方法种群的规模动态变化，不仅能提高搜索数据能力还能提高计算效率。一旦加入适合增加或者删除算子，将有效地增加种群多样性，迅速提高收敛速度和搜索质量。接下来介绍自适应增加或者删除个体方法。

1．2．2种群规模自适应粒子群算法描述粒子群算法是由Kennedy和Eberhart提出的智能进化算法，是基于鸟类聚集与觅食的社会性行为的算法。在粒子群算法中，将粒子置于一个搜索空间中，每个粒子都具有适应度值，单个粒子的最佳位置和全局最佳位置与速度进行不断更新，粒子群随着最优的方向移动。粒子群作为整体像鸟儿合作觅食一样，寻找到目标函数的最优点。粒子群算法是基于迭代的优化算法，用于优化搜索空间。

1．3大数据环境下的群智能算法检测为了有效地测试APSO算法的准确性，本文选定7个具有连续单峰特点的标准化测试函数，将用标准的POS算法与之进行比对。

2结束语

本文提出的种群规模自适应控制方法，通过基于Logistic模型的自适应增加／删除个体方法，包括算法中的内增长算子、内在减少算子、波动算子和外部环境算子的环境，其测试在速度收敛、求解以及结果的鲁棒性方面都高于粒子群算法。该算子有效地增强了原粒子群的多样性，使得自适应控制策略更具一般性，能更好地适用于各种群智能算法中。智能群算法可广泛地应用于大数据背景下的数据分析问题，利用数据分析提高对全局的搜索能力；可有效地解决数学模型所遇到的问题，提高数据处理能力。群智能算法在不断更新优化的同时，也使得该算法速度不断提高，能更好地应用到实际中，将对数据挖掘技术发挥重要的作用。

作者：张敏辉1；杨剑2 单位：1成都师范学院计算机科学学院，2电子科技大学成都学院