下载掌阅APP，畅读海量书库
立即打开
近年来，生物启发式计算研究领域不断出现新的研究分支，国内外广大学者提出许多基于自然生物觅食行为的生物启发式计算方法，这些算法已经广泛应用于解决工程实际问题，并取得了较好的效果。生物启发式计算主要研究分支与自然界生命现象的对应关系如表1-2所示。
表1-2 生物启发式计算主要研究分支与自然界生命现象的对应关系
从国内外研究现状来看，对应群体智能的蚁群、蜂群、鱼群、鸟群等的涌现现象是这一领域目前研究的前沿热点问题。例如，模拟动物群体觅食的群搜索优化算法（group search optimization，GSO）、模拟鸟群觅食的粒子群优化算法（particle swarm optimization，PSO）、模拟细菌趋化机制的细菌觅食优化算法（bacterial foraging optimization，BFO）、模拟蚁群觅食的蚂蚁系统（ant system，AS）、模拟蜂群觅食的人工蜂群优化（artificial bee colony optimization，ABC）算法等。
1975年，遗传算法被美国University of Michigan（密歇根大学）的John Holland教授提出，其基本理论主要以达尔文的自然进化论为基本依据，并借鉴了摩根和孟德尔的群体遗传学说。遗传算法的基本概念如下：通过评估染色体，并对染色体中的基因进行操作，现存的信息被用来指导下一代的染色体，目的是让它进化到更优秀的状态。这种算法不是简单的随机比较搜索，而是一种随机优化算法，在进行问题求解时，将染色体适者生存的过程看成问题的求解过程，通过选择、交叉、变异等基本的操作，从而能够淘汰劣质个体，保留优良个体，通过迭代搜索，可以得到问题的最优解。表1-3是标准的遗传算法的主要步骤。
表1-3 标准遗传算法步骤
在遗传算法中，染色体好坏的判断是根据对适应度函数值的衡量实现的。适应度函数是根据具体的求解问题而设定的，是作为衡量个体好坏而需要获取的唯一标准信息。为了在群体中搜寻到最优的个体，并使其有一定概率成为父代，同时为下一代繁殖子孙，根据选择规则，适应性较强的个体作为父体，为下一代贡献的概率相对来说会比较大。其中，交叉操作是遗传算法中最主要的遗传操作。通过交叉操作得到新一代的个体，新个体能够继承父辈个体的有效模式，进而产生新的优良个体。变异操作是通过随机改变个体中某些基因，从而产生新的个体，其主要作用是能够增加种群的多样性，使算法的“早熟收敛”的缺点能够被避免。
人工神经网络是一种新型的非算法信息处理方法，是在受到生物神经系统的启发下被提出的。大脑的某些机制与机理被模拟，神经元的基本功能作为起点，遵照由简单到复杂的规则逐步组成网络。新的网络模拟生物的神经系统与真实世界中的物体彼此交换信息，并做出相应的交互反应。
1943年，神经元二元阈值单元（binary threshold unit）被心理学家McCulloch、数学家Pitts提出，称为著名的M-P模型。神经细胞的工作状态是兴奋的或者是抑制的，是该模型的基本思想。McCulloch和Pitts基于这个思想，将硬极限函数引入神经元模型中。其中，M-P模型作为一种静态的模型，具有结构固定、权值无法调节的缺点，并且缺乏学习能力。针对所呈现的这一问题，1949年，著名的Hebb学习规则被神经生物学家D.Hebb提出，当两个神经元由于其本身同时兴奋或同时抑制时，决定其连接强度是否增加。1958年，感知器（perceptron）的概念被F.Rosenblatt提出，其基本思想是感知器是由阈值神经元组成，用来模拟生物的感知及学习能力。D.E.Rumelhart和J.L.Mccelland等在1986年提出了BP学习算法，其基本原理是基于前向反馈神经网络，是目前使用最广泛的学习方法之一。神经网络算法在20世纪80年代中期得到了广泛的关注和飞速的发展。
神经网络计算目前已成为一门日趋成熟的学科，在绝大部分工程应用领域都有应用。神经网络计算的研究方向主要集中在：神经网络集成、混合学习方法、神经网络计算的理论基础、脉冲神经网络（spiking neural networks）、模糊神经网络、循环神经网络（recurrent neural networks）、神经网络与遗传算法及人工生命的结合、容错神经网络研究、神经网络的并行及硬件实现。
模糊计算是对模糊性概念和推理机制进行的模拟，也就是对人类思维方式的模拟。模糊集合被定义为不考虑精确边界的非确定性集合，正如Zadch在他的文章 Fuzzy Sets 中提到的：这种非精确定义的类别或集合“在信息通信、模式识别、抽象领域中起着重要的作用”。
1965年，美国加州大学的Zadch博士首次提出了隶属度函数（membership function，MF）的概念，并发表了一篇关于模糊集的论文，这一论点开创了模糊计算的研究领域。隶属度函数所表示的是可取区间［0，1］的任何值代替原来隶属度非0即1的状态，这是模糊集模糊数学理论，构成了模糊计算系统的基础。1974年，模糊控制被Mamdani成功地运用在蒸汽发动机上，开创了模糊控制应用的新阶段。从此之后，模糊理论及模糊系统得到了极大的发展及广泛的应用。
模糊推理系统构建了一个新的计算框架，将模糊推理、模糊IF-THEN规则和模糊集合理论等基本概念综合使用。三个重要部件组成了模糊推理系统，其基本结构包含规则库、数据库、推理机制。规则即为模糊规则，数据库包含隶属度函数。隶属度函数是在模糊规则中用到的，其输出或结论按照模糊规则给出，符合事实执行推理过程。然而，很多情况下，模糊推理系统得到精确的输出，例如当模糊系统被作为控制器的时候，这时从输入到输出的非线性映射可以实现模糊推理系统的这一问题。
最近十几年来，如何根据实际情况制定最优模糊规则，建立模糊模型是模糊推理系统的核心问题，众多学者根据实际应用问题，提出了各种不同的模糊建模及求解方法，在各个领域得到了广泛的应用。
蜂群优化算法是流行的生物启发式算法之一。蜜蜂是一种群体活动的昆虫，虽然单个蜜蜂具有极其简单的个体行为，而由多个蜜蜂组成的蜂群会显示出非常复杂的行为。蜂群能够动态地分配任务，具有强大的记忆功能、良好的感觉系统、准确的导航系统。它们个体之间存在着多种信息交流模式，以蜜蜂群体决策的形式对巢穴进行选址，具有明确的分工、协作，能够适应不同的环境，涌现出了很高的智慧形式。蜜蜂种群是研究社会行为学、神经生物学、免疫学、遗传学、智能化科学模式的参照生物。基于蜂群的特性，研究人员模拟蜜蜂的智能行为，建立模型，开发出了很多优秀的优化算法，并且广泛用于解决实际问题。
（1）蜂后进化算法。
蜂后进化算法是Jung通过模拟蜂后的繁殖过程提出的，是对蜂后繁殖行为方式的模拟，该算法通过加强探索和深入采集的过程，改进了遗传算法的优化能力。Lu和Zhou提出了BMGA（based on multi-bee population genetic algorithm，基于多蜂群进化的遗传算法）。Qinetal采用蜂后进化算法解决了具有非线性约束性质的电力分配复杂优化问题。由BMGA产生一个种群，其余种群将随机产生，通过交叉的方式与被选择的个体（雄蜂）进行重组，求得每个种群中的最优解。
（2）蜂房优化算法。
蜂房优化算法（bee hive optimization algorithm）是Walker基于蜜蜂的舞蹈以及通信交流的模拟提出的，该算法建立蜜蜂信息分享与处理的模型，模拟计算机内或网络上的信息流。Wedde等用该算法解决了网络路由问题。
（3）MBO优化算法。
蜜蜂繁殖（marriage in honey-bees，MBO）优化算法是基于蜜蜂的交配繁殖的模拟，由Abbass基于蜜蜂的繁殖提出的。该优化模型用于数据挖掘问题、子优化水库操作、组合优化、水资源分配系统，在这些系统中均取得了良好的效果，并得到了广泛的应用。
（4）基于蜂群觅食行为的优化算法。
由于受到蚁群系统在复杂工程问题上成功应用的启发，Lucic和Teodorovic提出了基于蜂群觅食行为的优化算法，探索了蜜蜂觅食行为，建立了基于蜂群觅食行为的优化模型，开发了一种基于蜂群觅食行为的系统，并应用于解决复杂的组合优化问题。这种优化算法目前被广泛应用于各种工程问题，包括交通与运输问题和旅行商问题。在此基础上，蜂群优化（bee colony optimization，BCO）启发式算法被Teodorovic和Dell提出，Banarjee等将这种算法与粗糙集方法结合，用于解决供应链调度问题。
基于细菌觅食行为的优化算法是在2002年由K.M.Passino提出的，是一个相对较新的研究领域，正处于研究的起步阶段，因此其取得的研究成果相对比较少。近年来，许多学者对细胞和微生物进行建模，并进行数据仿真，做了大量的研究工作。
微生物大部分都是单细胞生物，由于其个体结构相对简单，因此容易描述。大肠杆菌（escherichia coli，E.Coli）是微生物学领域研究比较透彻的代表性典型微生物之一，细菌觅食优化方法通常以大肠杆菌作为模拟对象。大肠杆菌个体由细胞核、细胞膜、细胞质和细胞壁组成。其外形为杆状，质量约为2×10 －12 g，大小约为2.95μm×0.64μm，体积约为0.88μm 3 ，是最大的原核生物细菌之一。大肠杆菌的表面遍布着鞭毛和纤毛。鞭毛长度通常超过菌体若干倍，具有细长而弯曲的丝状物，鞭毛自细胞膜长出，是帮助细胞移动的。其纤毛的直径约为0.2μm，长为几微米至数十微米，是一种能运动的突起状细胞器，基本用途是帮助细菌之间某种基因进行传递。大肠杆菌的外形如图1-1所示。
图1-1 大肠杆菌
大肠杆菌个体的生命周期通常分为三个阶段：
（1）趋化行为阶段：细菌向食物浓度大的区域聚集的阶段。
（2）繁殖行为阶段：细菌获取营养进行繁殖的阶段。
（3）迁移行为阶段：细菌以某种概率被驱散到搜索空间的随机位置的阶段。
其中，从遗传学的角度模拟大肠杆菌的群体进化着手，英国利物浦大学的COSMIC（computing systems of microbial interactions，微生物间相互作用的计算系统）课题组进行了大量的实验，实验表明，该模型能够再现自然界细菌从基因产物的形成到在环境中的运动特性等进化过程；从生物计算的角度着手，美国The University of Connecticut Health Center（康涅狄格大学卫生中心）的Schaff等提出了虚拟细胞（virtual cell）的思想，提供了一个直观可视化的细胞建模平台，开发了vcell软件；从生物细胞内蛋白质与染色体的相互作用机制着手，W.Banzhaf等进行了大量的建模研究；从具有复杂适应性系统特点着手，英国Cardiff University（卡迪夫大学）的J.U.Kreft等开发了bacsim细菌模拟平台；从实现多细胞生命活动仿真着手，日本Keio大学E-CELL课题组开发了E-CELL仿真系统软件，如细菌信号变频、红细胞的新陈代谢、线粒体的新陈代谢等；基于细菌内部的反应机制和细菌与环境的相互作用机制，H.J.Bremermann提出了细菌趋化模型，并将此算法用于神经网络训练；基于细菌趋化模型的基础，S.D.Muller等提出了一种用于函数优化的新型算法，并将此算法应用于机翼的优化设计；基于受细菌群体感应现象的启发，L.L.Shum等提出了一种新的聚类算法，并应用于设计自管理、自组织、自优化的无线传感器网络。