本站小編為你精心準備了大數據環境中群智能算法的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

引言

隨著社會科技與經濟的發展，優化在計算機等相關領域占有重要地位。群智能算法作為一種全新的演化算法作用于科學計算和解決社會經濟中［1］。國外對于群智能領域的研究較早，美國科學家Kennedy和Eberhart提出全新的群智能進化計算思想—粒子群優化模型。該模型模仿群體的社會認知過程，對抽象概念進行建模［2］；EberhartR與ShiY對粒子群算法進行研究，對應用與資源進行總結歸納，討論慣性權重、動態跟蹤系統與影響因子［3］；SettlesM等將遺傳算法與粒子群算法在神經網絡的性能方面進行對比，粒子群算法在小型網絡性能中表現更好［4］。中國對于優化問題的研究起步較晚，王勇等人提出用微調機制改進粒子群算法，用以提高算法的局部搜索能力，改進粒子相似度過高的缺陷［5］；郭文忠通過研究遺傳算法的2點變異與交叉算子，提出混合粒子優化算法，用于解決電路規劃問題［6］。由于種群規模小導致種群搜索能力差，反之種群規模的擴大使得搜索范圍擴大，提高了局部優越性，但也減慢了收斂速度，因此基于優化問題，文章提出一種種群規模自適應控制算法，能夠有效地測試出傳統粒子群算法的函數性能。

1群智能算法—種群規模自適應優化算法

1．1種群增長模型

1．1．1種群指數式增長一種“J”型增長是在理想種群環境下隨種群密度變化而增長的種群指數增長。其增長方式分為指數增長和幾何增長，用方程dN／dt＝rN來表示［7］，式中，dN／dt為某種群點時間的瞬時增長率；最大潛力種群增長率用r表示；N表示點時間的種群大小。假設在理想狀態下，自然種群可在短時間呈現指數似的增長，且種群個體呈稟增長率增長，導致規模增大。有研究發現，沒有一種種群是無休止增長的，都存在一定的局限性，受種群規模、密度、濃度等因素制約，因此，種群增長可達到一定的上限。

1．1．2種群的邏輯斯諦增長種群的邏輯斯諦增長用“S”型增長來表示［8］。“S”型增長的表現方式為由慢到快的逐漸式增長。由于受到外界因素的干擾，種群的增長速度隨之下降，越來越靠近漸近線發展，此條漸近線稱之為環境容納量，用K來表示，也就意味著種群可以達到最大密度。在自然環境中，絕大部分種群是按照“S”型增長的。

1．2種群規模自適應粒子群算法研究

1．2．1種群自適應增加／刪除個體數目方法種群的規模動態變化，不僅能提高搜索數據能力還能提高計算效率。一旦加入適合增加或者刪除算子，將有效地增加種群多樣性，迅速提高收斂速度和搜索質量。接下來介紹自適應增加或者刪除個體方法。

1．2．2種群規模自適應粒子群算法描述粒子群算法是由Kennedy和Eberhart提出的智能進化算法，是基于鳥類聚集與覓食的社會性行為的算法。在粒子群算法中，將粒子置于一個搜索空間中，每個粒子都具有適應度值，單個粒子的最佳位置和全局最佳位置與速度進行不斷更新，粒子群隨著最優的方向移動。粒子群作為整體像鳥兒合作覓食一樣，尋找到目標函數的最優點。粒子群算法是基于迭代的優化算法，用于優化搜索空間。

1．3大數據環境下的群智能算法檢測為了有效地測試APSO算法的準確性，本文選定7個具有連續單峰特點的標準化測試函數，將用標準的POS算法與之進行比對。

2結束語

本文提出的種群規模自適應控制方法，通過基于Logistic模型的自適應增加／刪除個體方法，包括算法中的內增長算子、內在減少算子、波動算子和外部環境算子的環境，其測試在速度收斂、求解以及結果的魯棒性方面都高于粒子群算法。該算子有效地增強了原粒子群的多樣性，使得自適應控制策略更具一般性，能更好地適用于各種群智能算法中。智能群算法可廣泛地應用于大數據背景下的數據分析問題，利用數據分析提高對全局的搜索能力；可有效地解決數學模型所遇到的問題，提高數據處理能力。群智能算法在不斷更新優化的同時，也使得該算法速度不斷提高，能更好地應用到實際中，將對數據挖掘技術發揮重要的作用。

作者：張敏輝1；楊劍2 單位：1成都師范學院計算機科學學院，2電子科技大學成都學院