第1章绪论
1.1引言
现实世界中很多的问题最终均可归结为最优化问题，而在微积分出现之前，已经有众多学者着手研宄用数学方法来解决这些最优化问题。纵观欧洲古代的城堡建筑，大多被设计为圆形，这是因为阿基米德曾经证明：如果给定周长，那么一定是圆所包围的面积为最大。但是最优化方法在17世纪以后才真正形成为一种科学方法。17世纪，牛顿和莱布尼茨在他们所创建的微积分中，提出求解具有多个自变量的实值函数的最大值和最小值的方法，之后又进一步讨论具有未知函数的函数极值，从而形成变分法。后来又有法国数学家Cauchy提出了最速下降法，苏联数学家提出了线性规划的求解方法，Dantzig提出了单纯形法用于求解线性规划问题。直到现代优化方法出现之前，这一时期的最优化方法均可以称为传统优化方法，也称为经典优化方法。
从数学意义上说，最优化方法是一种求极值的方法，即在一组约束为等式或不等式的条件下，使系统的目标函数达到极值，即最大值或最小值，其研究的最优化问题具体可以描述为：给定一个函数寻找一个元素儿使得对于所有4中的X，均有(xo)每(X)(最小化），或者/才〈X)(最大化）。其中，一般为欧几里得空间中的子集，通常由一个必须满足的约束等式或者不等式来决定。中的元素被称为可行解，函数/为目标函数，而一个最小化（或者最大化）目标函数的可行解则被成为最优解。.........
在处理具体优化问题时，上述5个步骤经常需要反复交叉运行，它们之间相互支持并相互制约。对于其求解的方式，过去已有不少经典的算法被提出，常见的经典算法有最速下降法、共辆梯度法、牛顿法、拉格朗日乘子法等，它们也确实在一些特定的问题上能得到较好的结果。
但这些传统的优化方法对于目标函数式有比较大的限制，对于问题本身的依赖性较强。以一个二元数学函数时为例，一般需要用到目标函数一阶或者二阶的偏微分才能推导出其极值。但实际问题所遇到的目标函数函数往往更加复杂甚至难以用数学公式表达出来，或者是许多优化问题的可行域不连续甚至只是一些零散的可行点，各可行点的优劣难以用统一的标准去衡量。比如旅行商问题(TSP)、背包问题等，当遇到这类可行域不明确及不连续的优化问题时，传统的优化方法已经无法解决这类问题。.........................
.........................
第2章几种典型群智能算法的研究概述
在很多年里，虽然社会昆虫及其他动物群体的集体行为已经吸引了众多研究者的涉足，但很长时间内研究人员并未有任何重大的发现，因为依然无法确定指导这些动物群体行为的机制。虽然这些群体中的个体并不复杂，甚至微不足道，但是当它们聚集成为群体时，便能通过合作完成很多难以想象的复杂任务。举例来说，虽然单个的蚂蚁、蜜蜂并没有像我们人类一样制定建筑巢穴的全局规划的能力，但当成千上万只蚂蚁、蜜蜂聚集在一起，通过个体成员之间的合作与互动，它们能够具备筑造复杂巢穴的能力。所以当时有研宄者得出结论，这些社会昆虫的群体行为的强大能力不是个体能力的简单叠加而获得的，也不是通过中央控制来实现的，很多方面都是通过群体的自组织性来完成任务。所以非智能或者低智能的个体通过群体之间的交流与反馈等机制进行合作，最终能以较高的质量完成既定任务，这个结论可以说是群智能方法的精髓。
2.1蚁群算法
2.1.1蚁群算法简介
当然，最早的群智能算法便是由提出群智能概念的Dorigo和他的同事们于1991年提出的蚁群算法(Ant Colony Optimization，ACO)'^',蚁群算法是对蚂奴群体进行观察后受到启发而产生的。蚂紋作为一种社会性昆虫，生活的群落中，它们的生存目标并非为了个人而是为了整个群体的生存。而给蚁群算法带来的启发则是蚂蚊群体的觅食行为，尤其是奴如何在食物源与其巢穴之间找到最短的路径。原来，在蚂奴寻找食物的过程中，蚂蚁群体首先会随意地对其巢穴周围的地域进行勘探，并会在活动时留下一种化学素，其他蚂蚁能够感知到这种化学素的气味。所以在选择路径时，它们通常会选择那些化学素气味较为浓烈的道路，一旦某一只蚂蚁找到了食物源，它将会对食物的数量及质量作出评估并将其中一些带回巢穴。在返回的途中，蚂蚁留下的化学素的强度取决于食物源的数量和质量，如此一来其他蚂蚁便会跟随这些化学素的痕迹快速的找到食物源，这是一种典型的正反馈机制概括来说，.........................
........................
第3章基于文化进化的群搜索算法......................30
3. 1文化算法..........................................................30
3.2群智能算法的混合模式........................................32
3.3基于文化进化的群搜索算法原理及实现..........33
3.4算法结构及流程....................................................35
3.5算法的参数选择.................................................36
3.6测试函数仿真.................................................38
3.6. 1测试函数简介..........................................................38
3.6.2测试函数的仿真结果分析.........................................40
第4章基于文化进化的群搜索算法的应用............................47
4. 1 CBGSO在工程优化设计问题中的应用............................47
4. 1. 1 CBGSO在拉力/压力弹簧优化设计问题中的应用.......47
4. 1.2 CBGSO在焊接梁优化设计问题中的应用 .....................48
4.2 CBGSO在化工优化问题中的应用.............................50
4. 2. 1 CBGS0在换热网络优化问题中的应用...............51
4. 2. 2 CBGS0在丁烯烷化过程中的应用................52
4.3 本章小结..............................................................55
第5章 总结与展望....................56
5.1 工作总结...............................56
5.2工作展望.............................56
参考文献....................................58
总结
本文主要对基于文化进化的群搜索算法求解连续优化问题进行了研宄，并以化工过程的实际优化问题为背景，验证了本文算法的有效性。
纵观整个课题的研宄过程，主要完成了以下工作：
(1)群智能算法的背景及研宂现状。本文首先对目前研宄较多的几种群智能算法进行了简单的概述，分别总结了它们的算法原理、优缺点及应用范围。并从算法的本质出发，挖掘了这几种优化算法不同的动物行为，及动物行为背后所隐藏的群体间不同的信息传递策略，讨论出了决定群智能算法优化性能的决定因素。
(2)基于文化进化的群搜索算法。文化算法作为对群体的进化过程理解的准确性较高的一种进化算法，非常注重群体内经验知识的作用，这种符合文化进化机制的知识策略对算法的多样性及收敛效率上有很大的影响作用。根据基本的GSO算法，结合文化算法的双层进化模型，提出了一种基于文化进化的群搜索算法。
(3)引入影响操作的时机。若过早地引入影响函数，会使群体在收敛的过程中失去当前可能已经较优的位置而被迫重新搜索，一定程度上降低了算法的收敛效率。所以引入群体适应度方差ex2的概念，来跟踪判断群体空间的算法是否收敛，从而决定引入影响操作的时机。
(4)算法理论方面的研宄。本文为了加强算法的理论研究，选取了特定的约束优化问题，通过大量的仿真实验对CBGSO的算法参数设置进行了详细的研究，讨论出了较优的算法参数设置。并通过测试函数的选取对算法的可行性进行了验证。
(5)实际优化问题中的应用。本文分别将提出的算法用于常见的工程优化设计问题以及化工优化过程中，通过对对结果进行分析，并于已有文献中优化结果进行对比，均验证了本文算法的有效性和可靠性。..........
参考文献
[1] Bonabeau E，Theraulaz G, Aron S. Self-organization in social insects[J]. Trends inEcology and Evolution, 1997(12):199-208.
[2] Bonabea U E, Dorigo M, Theraulaz G. Swarm intelligence: from natural to artificialsystems[M]. Oxford University Press, 1999.
[3] Dorigo M. Optimization, http://www.1daixie.com/bylwfw/ learning and natural algorithms[D]. PhD thesis, Dipartimento diElettronica, Politecnico di Milano, Italy, 1992:140.
[4] Kennedy J，Eberhart R. Particle swarm optimization[C]. Proceedings of the IEEEInternationa] Conference on Neural Networks, Preth. Australia，IEEE Service Center,Piscataway, NJ, 1995，4: 1942-1948.
[5] Eusuff M M, Lansey K E. Optimization of water distribution network design using theshuffled frog leaping algorithin[J]. Journal of Water Resources Planning and Management,2003，129(3):210-225.
[6] Karaboga D. An idea based on bee swarm for numerical optimizationfR], TR06, ErciyesUniversity, Engineering Faculty, Computer Engineering Department, 2005.
[7] S. He, Q. H. Wu. A novel group search optimizer inspired by animal behavioralecology[C]. IEEE Congress on Evolutionary Computation, 2006: 4415-4421.
[8]李晓磊，邵之江，钱积新.一种基于动物自治体的寻优模式：鱼群算法[J].系统工程理论与实践，2002(11):32-38.
[9] Wen Tsao Pan. A new Fruit Fly Optimization Algorithm: Taking the financial distressmodel as an example[J]. Knowledge-Based Systems, 2012(26): 69-74.
[10]M. Dorigo, V. Maniezzo, A. Colorni. Positive feedback as a search strategy[R], TechnicalReport 91-016，Dipartimento di Elettronica, Politecnico di Milano, Italy, 1991.