维普资讯 http://www.cqvip.

com

第２
４卷 第３期　 计 算 机 仿 真　 ２
００７年３月　
文章编号 ：
１００６—９３
４８（２０
０７）
０３—０１
６９—０
４　

几 种 新 型 仿 生 优 化 算 法 的 比较 研 究　
段 海滨　，王道 波　，于 秀芬　
（１．北京航空航天大学 自动化科学与电气工程 学院 ；
北京 １
０００８３；２．南京航空航 天大学 自动化学 院，江苏 南 京 ２１
００１
６；　
３．中国科 学院空 间科学 与应用研究 中心，北京 １
０００８
０）　

摘要 ：
仿生优化算 法是模 拟 自然界 中生物行为 的随机搜索算法 ，可以用来解 决现实 中的许多 优化问题 。简要 介绍 了 目前 比　
较流行的四种新 型仿 生优化算法 （蚁群算法 、
微粒群算法 、
人工免疫算法以及人 工鱼群算 法）的基本原理 ；
然后深入分析 了这　
些仿 生优化算 法的异 同之处 ：
这些算法都是一类不确定的算法 ，
都是一类概率型的全局优化算 法 ，
都不依 赖于优化问题本 身　
的严格数学性质 ，
都是一种基于多个智能体的智能算法 ，
都具有本质并行性 、
突现性 、
进 化性 和稳健性 ，
其 不同性则主要体 现　
在算 法本身上 ；
最后对这些仿生优化算法今后的发展方向进行了评述与展望。
　
关键 词 ：
蚁群算法 ；微粒群算法 ；人工免疫算法 ；人工鱼群算法 ；比较　
中图分 类号 ：
ＴＰ１
３；Ｎ９４５
　 文献标识码 ：
Ａ　

Ｒｅｓ
ｅａｒｃｈ　
ｏｎ　
Ｓｏｍ ｅ　
Ｎｏｖｅｌ
　Ｂｉ
ｏｎｉ
ｃ　Ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　
Ａｌｇｏｒｉ
ｔｈｍｓ
　

ＤＵＡＮ　Ｈａｉ—ｂｉ
ｎ　。Ｗ ＡＮＧ　Ｄａｏ—ｂｏ
　。ＹＵ　Ｘｉ
ｕ—ｆ
ｅｎ　
（１．Ｓｃｈｏｏｌ
　ｏｆ
　Ａｕｔ
ｏｍａｔ
ｉｏｎ　
Ｓｃｉ
ｅｎｃｅ　
ａｎｄ
　Ｅｌ
ｅｃｔ
ｉｃａ
ｒ ｌ　Ｅｎｇｉ
ｎｅｅｒ
ｉｎｇ，Ｂｅｒｉ
ｎｇ　Ｕｎｉ
ｖｅｒ
ｓｉｔ
ｙ　ｏｆ
　Ａｅ
ｒｏｎａ
ｕｔｉ
ｃｓ　
ａｎｄ
　Ａｓ
ｔｒｏｎａｕｔ
ｉｃｓ，
　
Ｂｅ
ｒｉｎ
ｇ　１
０００８
３，Ｃｈｉ
ｎａ；
　
２．Ｃｏ
ｌｌｅｇｅ
　ｏｆ
　Ａｕｔ
ｏｍａｔ
ｉｏｎ　Ｅｎｇｉ
ｎｅｅｒ
ｉｎｇ，Ｎａｎ
ｊｉｎｇ　Ｕｎｉ
ｖｅｒ
ｓｉｔ
ｙ　ｏｆ
　Ａｅ
ｒｏｎａ
ｕｔｉ
ｃｓ　
ａｎｄ
　Ａｓ
ｔｏｎａｕｔ
ｒ ｉｃｓ，Ｎａｎ
ｊｉｎｇ　
Ｊｉａｎｇｓｕ　
２１００１６，Ｃｈｉ
ｎａ；
　
３．Ｃｅｎｔ
ｅｒ　
ｆｏｒ
　Ｓｐａｃ
ｅ　Ｓｃｉ
ｅｎｃ
ｅ　ａｎｄ　
Ａｐｐｌ
ｉｅｄ　
Ｒｅｓ
ｅａｒ
ｃｈ，Ｃｈｉ
ｎｅｓｅ
　Ａｃａｄｅｍｙ　
ｏｆ　
Ｓｃｉ
ｅｎｃｅｓ，Ｂｅｒｉ
ｎｇ　１
０００８０，Ｃｈｉ
ｎａ）
　

ＡＢＳＴＲＡＣＴ ：
Ｂｉｏｎｉ
ｃ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ａ
ｌｇｏｒ
ｉｔｈｍｓ
　ａｙ
ｅ　ｓ
ｔｏｃ
ｈａｓ
ｔｉｃ
　ｓｅａｒ
ｃｈ　ｍｅｔ
ｈｏｄｓ
　ｔｈａｔ
　ｍｉ
ｍｉｃ　ｔ
ｈｅ　ｎａｔ
ｕｒａ
ｌ　ｂｉ
ｏｌｏｇｉ
ｃａ
ｌ　ｂｅｈａｖｉ
ｏｒ　

ｏ
ｆ　ｓ
ｐｅｃｉ
ｅｓ．Ｔｈｅｙ
　ａｇｅ
　ｍａｉ
ｎｌｙ
　ａｐｐｌ
ｉｅｄ　ｔ
ｏ　ｓｏｌ
ｖｅ　ｖａ
ｒｉｏｕｓ
　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ｐｒ
ｏｂｌ
ｅｍｓ． Ｔｈｉ
ｓ　ｐａｐｅ
ｒ　ｐｒ
ｏｐｏｓ
ｅｓ　ｔ
ｈｅ　ｆ
ｏｒｍｕｌ
ａｔｉ
ｏｎ　ｏ
ｆ　

ｆ
ｏｕｒ
　ｒｅｃｅｎｔ
　ｂｉ
ｏｌｏｇｙ—ｂａｓ
ｅｄ　ａ
ｌｇｏｒ
ｉｔｈｍｓ：ａ
ｎｔ　
ｃｏｌ
ｏｎｙ　
ｌｇｏｒ
ａ ｉｔｈｍ ，ｐａｒ
ｔｉｃｌ
ｅ　ｓｗａｒ
ｍ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　
ａｌｇｏ
ｉｔ
ｒ ｈｍ ，ａｒ
ｔｉｉｃｉ
ｆ ｌ　
ａ ｉ
ｍｍｕｎｅ
　

ｌｇ
ａ ｏｒ
ｉｔｈｍ ，ａｎｄ
　ａｒ
ｔｉｉｃｉ
ｆ ｌ　
ａ ｉｓｈ—ｓｗａｒ
ｆ ｌｎ　
ｌｇｏｒ
ａ ｉｔｈｍ．Ａ　
ｂｒｉｅｆ
　ｄｅｓｃｒ
ｉｐｔ
ｉｏｎ　
ｏｆ　
ｅａｃｈ　
ｌｇｏｒ
ａ ｉｔｈｍ　
ｉｓ　
ｐｒｅｓ
ｅｎｔ
ｅｄ　
ｉｒ
ｆ ｓｔ
ｌｙ．Ｔｈｅｎ．ａ
　ｄｅ—
　

ｔ
ａｉｌ
ｅｄ　ｃｏ
ｍｐａｒ
ｉｓｏｎ　
ａｎｄ
　ａｎａ
ｌｙｓｉ
ｓ　ｏｆ
　ｔｈｅｓ
ｅ　ｂｉ
ｏｎｉ
ｃ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ａｌ
ｇｏｒ
ｉｔｈｍｓ
　ａｇｅ
　ｃｏｎｄｕｃｔ
ｅｄ．Ｔ
ｈ ｅｓ
ｅ　ｂｉ
ｏｎｉ
ｃ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　
ｌｇ
ａ ｏ—
　

ｒ
ｉｔｈｍｓ
　ａ
ｇｅ　ａ　
ｋｉｎｄ　ｏｆ
　ｕｎｃｅｒ
ｔａｉ
ｎ　ａｌ
ｇｏｒ
ｉｔｈｍ　ｗｉ
ｔｈ　ｇ
ｒｅａｔ
　ｐｒ
ｏｂａ
ｂｉｌ
ｉｔｙ，ａｎｄ　
ｉｎｄｅｐｅｎｄｅｎｔ
　ｆｒ
ｏｍ　ｔ
ｈｅ　ｍａｔ
ｈｅｍａｔ
ｉｃａ
ｌ　ｃ
ｈａｒ
ａｃｔ
ｅｒ
ｓ　ｏｆ
　

ｄｉ
ｆｆｅｒ
ｅｎｔ
　ｐｒ
ｏｂｌ
ｅｍｓ
．Ｔｈｅｓ
ｅ　ａｌ
ｇｏｒ
ｉｔｈｍｓ
　ｌｓ
ａ ｏ　
ｈａｖｅ　ｐａｒ
ｌｌ
ａ ｅｌ
ｉｓｍ　ａｎｄ　ｒ
ｏｂｕｓｔ
ｎｅｓ
ｓ．Ｔｈｅ　ｄｉ
ｆｆｅｒ
ｅｎｔ
　ｐｏｉ
ｎｔｓ
　ａｒ
ｅ　ｅ
ｍｂｅｄｄｅｄ　ｉ
ｎ　ｔ
ｈｅ　

ａｌ
ｇｏｒ
ｉｔｈｍｓ
． Ｆｉ
ｎａｌｌ
ｙ，ｓｏｍｅ　
ｒｅｍａｒ
ｋｓ　ｏｎ　ｔ
ｈｅ　
ｆｕｒ
ｔｈｅｒ
　ｒｅｓ
ｅａｒ
ｃｈ　
ｃｏｎｔ
ｅｎｔ
ｓ　ｎｄ
ａ 　ｄｉ
ｒｅｃｔ
ｉｏｎｓ
　ａｒ
ｅ　ｄｉ
ｓｃｕｓ
ｓｅｄ．
　

ＫＥＹＷ ＯＲＤＳ：
Ａｎｔ
　ｃｏｌ
ｏｎｙ
　ａｌｇｏｒ
ｉｔｈｍ ；Ｐａ
ｒｔｉ
ｃｌｅ
　ｓｗａｒ
ｍ 　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ａ
ｌｇｏｒ
ｉｔｈｍ ；Ａｒ
ｔｉｉｃｉ
ｆ ａｌ　ｉ
ｍｍｕｎｅ　ａ
ｌｇｏｒ
ｉｔｈｍ；Ａｒ
ｔｉｉｃｉ
ｆ ｌ　
ａ

ｉｓ
ｆ ｈ—ｓ
ｗａｒ
ｍ 　ａｌ
ｇｏｒ
ｉｔｈｍ ；Ｃｏｍｐａｒ
ｉｓｏｎ　

１
　 引言　 点。
　
自从 ２
０世 纪 ４
０年代以来 ，
人们 一直在利 用来 自于生物　 蚁群算法 （
Ａｎｔ
　ｃｏ
ｌｏｎ
ｙ　ｌｇ
ａ ｏ
ｉｔ
ｒ ｈｍ，ＡＣＡ）意大利学者 Ｄｏ
ｒｉ
ｇｏ　
系统 的灵感来解决许 多实 际问题 ，
并构造 和设计 出许 多仿生　 Ｍ等… 通过模 拟 自然界 中蚂蚁集体寻径 的行为而 提出 的，
最　
优化算法 ，
它们都是模 拟 自然 界生 物系 统 、
完全依 赖生 物体　 早成 功应 用于解决 Ｎ—Ｐ难 题 中著 名 的旅行商 问题 （Ｔｒ
ａｖｅ
—　
自身 的本能 、
通过无 意识 的寻优行为来优 化其 生存状 态 以适　 ｌ
ｉｎｇ
　Ｓａ
ｌｅｓ
ｍａｎ
　Ｐｒ
ｏｂｌ
ｅｍ，ＴＳ
Ｐ）。近几年来 已经拓展 到离散域 和　
应环境 的一类新 型的最 优化 算法 。目前 比较 流行 的新 型仿　 连续域优 化问题 的各个学科　’
　。　
生优化算法有蚁群算法 、
微粒 群算 法 、
人 工免疫算 法 、
人 工鱼　 微粒群 （Ｐａ
ｔｉ
ｒ ｃ
ｌｅ　
ｓｗａ
ｍ　
ｒ ｏ
ｐｔｉ
ｍｉｚ
ａｔｉ
ｏｎ，Ｐ
ＳＯ）算法最 早是美　
群算法等 ，
这些仿生 优化算 法已为解决实 际应 用 中的许 多优　 国的 Ｋｅ
ｎｎｅ
ｄｙ　
Ｊ和 Ｅｂｅ
ｒｈａ
ｔ　
ｒ Ｒ　
Ｃ受鸟 群觅食 行为 的启发 ，
于　
化 问题做出 了很大的贡献 ，
也 是当今仿生智能 领域 的研 究热　 １
９９５年提 出了微 粒群 算法　’
　 。最 初 的设想 是仿 真 简单 的　
社会系统 ，
研究并解 释复 杂的社会 行 为 ，
后 来把 微粒 群算法　
基金项 目：
国家 自然科学基金资助项 目（６０６０
４００９）
　 推广到复杂优 化问题 的求解 。
　
收稿 日期 ：
２００５—１１—２５ 修 回日期 ：
２００６—０９—２６
　 人工免疫算法 （Ａｒ
ｔｉ
ｉｃ
ｆ ｉ
ｌ　
ａ ｉ
ｍｍｕｎ
ｅ　ｌｇ
ａ ｏ
ｉｔ
ｒ ｈｍ，ＡＩ
Ａ）是基于　
一

】６９ — 　
 维普资讯 http://www.cqvip.com

生物免疫抗体产生记忆系统 的学 习机 理的产物 ，
这方 面的研　 町　（
ｔ）　 １
　 （
２）　
究最初 从 ２
０世纪 ８
０年代 中期 的免疫学 研究 发展 而来 。２
０　
世纪 ９
０年代初 ，
Ｂｅｒ
ｓｉｎ
ｉ　Ｈ 和 Ｖａ
ｒｅｌ
ａ　Ｆ首 次使用 人工 免疫 算　 式中一
ｄ 表示相邻 两个城 市之间 的距离 。为 了避 免残 留　

法来解决优化 问题　Ｊ
。　 信息素过多引起残 留信 息淹没启 发信息 ，
在每一 只蚂 蚁走完　
一

步或者完成一个循环 后 ，
要对 残 留信 息进行更 新处 理。这　
人工鱼群算法 （Ａｒ
ｔｉ
ｉｃ
ｆ ｉ
ａｌ　
ｉｓ
ｆ ｈ—ｓ
ｗａｒ
ｌｎ　
ｌｇ
ａ ｏ
ｒｉｔ
ｈｍ，ＡＦＡ）是　
样，
得到 ｔ＋ｎ时刻在路径 （ｉ
，Ｊ）上 的信息素数量按照 以下全　
李 晓磊等　 在对动物群体智 能行 为研究 的基 础上提 出的一　
局调整规则作调整 ：
　
种新 型仿生优化算法 ，
该 算 法根据 “水域 中鱼 生存 数 目最 多　
（
ｔ＋ｎ） ＝Ｐ ・
　 （ｔ
）＋Ａｒ
　（ｔ
）　 （
３）　
的地方一般就是本水域 中富含营养物质最 多的地方”这一特　
点来模仿鱼群 的觅食行为而实现寻优 。
　 Ａｒ
　ｆ（
ｔ）＝
　 ，
Ａｒ　（ｔ
）　 （
４）　
本 文首先简 要介绍 了 目前 比较流行 的 四种 新型仿 生优　
式中，
Ｐ表示信息素 的残 留系数 ，
则 １一Ｐ表示 信息素 的挥发　
化算法 ：
蚁群算法 、
微粒群算法 、
人工 免疫算法 以及人工 鱼群　
度，
Ａｒ　（
ｔ）表示 本次循环 中路 径 （
ｉ，　）上 的信息 素数量的增　
算法 ，
然后分析 了这 些算 法 的异 同之 处 ，
最后 对这项 仿生 优　
量，
△　 （ｔ
）表示第 ｋ只蚂 蚁在本次循环 中留在路径 （ｉ
，　）上　
化算法今后 的研究思路进行 了评述与展望 。
　
的信息量 。
　
２．
２ 微粒 群算法　
２ 几种 仿 生优化 算法 的基本 原理　 微粒群算法是基 于群体 的演化算 法 ，
其思想来 源于人工　
２．
１ 蚁群算 法　 生命和进化计算理论 。生物学 家对 鸟群 飞行 的研 究发现 ，
鸟　
根据仿生学家长期 的研究 发现 ：
蚂蚁虽 没有视 觉 ，但 运　 仅仅追踪它有 限数量 的邻 居 ，
但最终 的整体结果是 整个鸟群　
动时会 在 路 径 上 释 放 出 一 种 特 殊 的 分 泌 物＿ 信 息 素　 好像在一个 中心的控制之下 ，
即复杂 的全局行为 是 由简单 规　
（Ｐ
ｈｅｒ
ｏｍｏ
ｎｅ）
寻找路径　Ｊ。当它们 碰到一个 还没 有走过 的路　 则 的相互作用 引起 的　 。微 粒群算 法 即源 于对 鸟群捕 食行　
口时，
就随机地挑选一 条路径 前行 ，同时会 释放 出与路径 长　 为 的研究 ，
一群鸟在 随机搜 寻食 物 ，
如果 这个 区域里 只有一　
度有关 的信息素 。蚂蚁走得 路径越 长 ，
则 释放 的信息素数 量　 块食物 ，
那么找到食物 的最简单有效 的策略就是 搜寻 目前 离　
越小 。当后来的蚂 蚁再 次碰到这个路 口的时候 ，
选择信 息素　 食物最近 的鸟的周 围区域 。
　
数量较大路径概率就会相对较大 ，
这样形成 了一个正 反馈机　 微粒群算 法求解优 化问题时 ，
问题的解对应 于搜索空 间　
制 。在整 个寻径过程 中 ，
虽然 单个 蚂蚁 的选 择能 力有 限 ，
但　 中一 只鸟的位 置 ，
称这些鸟为“粒 子”或“主体 ”。每个粒子都　
是通过信息素 的作 用使整 个蚁群 的行 为具 有非 常高 的 自组　 有 自己的位置 和速度 （决定飞行的方 向和距离 ），
还有一个 由　
织性 ，
蚂蚁 之间交换着路 径信 息 ，
最终通 过蚁 群 的集 体 自催　 被优化 函数决 定的适应 值。各 个粒子记 忆 、
追随 当前 的最 优　
化行 为找 出最优路径 。
　 粒子 ，
在解空间 中搜索 。每 次迭 代 的过程 不是 完全 随 机的 ，
　
为了能够清楚地表达蚁群算法 的数学模 型 ，
本文 借助 了　 如果找到较好解 ，
将会 以此为依 据来 寻找下 一个解 。微粒 群　
经典 的对称 ＴＳＰ
　・ｚ
ｏＪ。
　 算法 的基本步骤 可描述 为 ：
　

设 ｂ
　（ｔ
）表示 ｔ时刻位于元素 ｉ的蚂蚁的个数 ，
ｍ为蚂蚁　 Ｓ
ｔｅｐ
　１．初 始化 ：
初 始搜索 点 的位置 及其 速度通 常是 在　
允许 的范 围内随机产 生的 ，
每个粒 子的个体极值 点坐标设 置　
群中蚂蚁的数目，则ｍ＝∑ｂ
ｉ（
ｔ）；
Ｊ
ｒ＝｛
　ｄ（
ｔ）ｌ
　
ｃ。，
勺ｃ　
ｃｔ　 为其 当前位置 ，
且计算 出其相应 的个 体极值 ，
而全局 极值 就　
是ｔ
时刻集合 Ｃ中元 素（城市 ）两两连接 ｚ
　，
上的残 留信息素数　 是个体极值 中最好 的，
记 录该最 好值 的粒 子序 号 ，
并 将全 局　
量集合 。在初始时刻各 条路 径上信息素数量相等。蚁 群算法　 极值点设 置为该最 好粒 子的当前位置 ；
　
的寻优是通 过有 向图 ｇ＝ （
Ｃ，Ｌ，
，）实现 的。
　 Ｓｔ
ｅｐ　
２、评 价每一个粒子 ：
计 算粒 子的适应 度值 ，
如果 好　
禁忌表 ｔ
ａｂｕ
　（ｋ＝１，２，… ，ｍ）用来记录蚂蚁 ｋ当前所　 于该粒 子当前 的个体极值 ，
则将个体 极值点设 置为该粒 子的　
走过的城市 。在搜索过程 中，
蚂 蚁根据各 个路径 上 的信息素　 位置 ，
且更新个体极值 。如果所有粒 子 的个 体极值 中最好 的　
数量及路径的启发信息来计算 转移概率　 （
ｔ）表示 在 ｔ时刻　 好 于当前 的全 局极 值 ，
则 将全 局 极值 点设 置 为该 粒 子 的位　
蚂蚁 ｋ由元素 （
城市 ）ｉ转移到元 素（城市 ）
　的转移概率 ：
　 置，
记录该粒子 的序号 ，
且更新全局极值 ；
　
Ｓｔ
ｅｐ　
３．粒 子 的更新 ：
用 速度和 位置 的更 新方程 对每 一　

ｐ
　㈩＝｛
ｆ
　：
．
［
　 南　
刚　ａ
ｌｌ
ｏ
ｗｗ
ｅｄ
ｋ
　 个粒 子的速度 和位置进行更新 ；
Ｓｔ
ｅ
　
ｐ４．检验 是否符合结束条 件 ：
若满足 结束条 件 ，
则 停　
０，
否 则　 止迭代 ，
输出最优解 ；
否则转 到 Ｓ
ｔｅｐ
　２。
　
‘

． 　 （１）
　 微粒群算 法有 全局版和局部版两种 ，
全 局版微粒群算 法　
式 中，
ａｌｌ
ｏｗｅ
ｄｋ＝ ｛Ｃ—ｔ
ａｂｕ
　｝表示蚂蚁 ｋ下一步允许选　 收敛快 ，
但有 时会 陷入局部 最优 ；
而 局部 版微 粒群算 法通 过　
择 的城 市 。Ｏ
ｌ为 信 息 启 发 式 因 子 ，
　 为 期 望 启 发 式 因 子。
　 保持 多个 吸引子来 避免早熟 。在实 际应用 中 ，
可 以先用全 局　
（ｔ
）为启发函数 ，
其表达式如下 ：
　 微粒群算 法找 到大 致 的结 果 ，
再用 局 部 微粒 群算 法进 行 搜　
 维普资讯 http://www.cqvip.com

索。
　 在鱼群 的游动过程 中，
当其 中一条 或几 条发 现食 物时 ，
　
２．
３ 人工免疫算法　 其临近 的伙伴会尾 随其 快速到达食物点 。
　
人工 免疫算 法依据 的主要 免疫 学原理包 括免疫 网络 理　 ４）约束行为　
论、
克隆选择 原理 、
免疫 学 习机 制等 。免 疫 系统 由淋 巴细 胞　 在寻优过程 中 ，
由于聚群行为 、
随机行为等操作 的作 用 ，
　
把 自身细胞与抗原 识别 出来 ，
并 产生抗 体对 付入 侵 的抗 原 ，
　 容易使得人工鱼的状态变得不可行 ，
这时 就需 要加入相应 的　
以达到消灭抗原 的 目的。免疫 系统 对 自身 也具 有免疫 能力 ，
　 约束来 对其进行规整化 ，
使 它们 由无 效状态 或不可行状态 转　
它能抑制过多抗体 的产 生 。免疫 系统 有 能力 产生很 多 种抗　 变成可行的。
　
体，
但事 实上系统 只需根据抗原的种类 和数 目产生适 量 的相　 ５）公 告 板 　
关抗体　 。人工免疫算法的基本步骤可描述为 ：
　 公 告板 用来 记 录最优 人 工鱼个 体 的状态 。各 人工 鱼个　
Ｓ
ｔｅｐ
　１抗原输 入并识别抗原 ：
免疫 系统确认抗 原入侵 ；
　 体在寻优过 程中 ，
每次行动完毕就检验 自身状态 与公 告板 的　
Ｓ
ｔｅｐ
　２产生 初始抗 体群 体 ：
激 活记忆 细胞 产生抗 体 ，
清　 状态 ，
如果 自身状态优 于公 告板状 态 ，
就将公 告板 的状态 改　
除以前出现过的抗原 ，
从包含最优抗体 （最优解 ）的数 据库 中　 写为 自身状态 ，
这样就使公告板记录下历史最优的状态 。
　
用随机的方法选择出来 一些抗体 ；
　 ６）移动策略　
Ｓ
ｔｅｐ
　３计算亲和度 ：
分别计 算抗 原和抗体 之 间的亲和 度　 根据所要解决的 问题性质 ，
对人 工鱼 当前所 处 的环境进　
以及抗体 和抗体之 间的亲和度 ；
　 行评 价 ，
从而选择一种合适 的行 为策 略。
　
Ｓ
ｔｅｐ
　４记忆细胞分化 ：
与抗 原有最 大 亲和力 的抗 体加 给　 综上，
有 了底层 的人工 鱼 的模 型 ，
算法 的展开 就在 一群　
记忆细胞 。由于记忆细胞数 目有 限 ，
新 产生 的与抗原 具有更　 人 工鱼 的 自主活动中开始 了。整个算法 没有高层 的指挥 者 ，
　
高亲和力 的抗体替换较低亲 和力 的抗体 ；
　 也不需要关 于命题 的先验 知识 的启 发 ，
每 条人工鱼 就按 照 自　
Ｓ
ｔｅｐ　
５抗体 促进 和抑 制 ：
高亲 和力抗 体受 到促 进 ，
高密　 己的规则游 动着 ，
所求 问题 的满意解就这样 在公告板 上显示　
度抗体受到抑制 。通 常通 过计 算抗体存活的期望值来实施 ；
　 出来 。人 工鱼群算法整体表现 出快 速 向极值 域收敛 的特性 ，
　
Ｓ
ｔｅｐ　
６产生 新抗体 ：
为 了有 利 于优 化 过程 的进行 ，
某 些　 随机移动行为的存在使得寻优 活动更加 全面 的展 开 ，
从 而可　
与抗原有较高亲合性的抗体也必须受 到抑 制 ，
从 而体现 了抗　 能到达全局极值域 内。
　
体克隆控制机 制 的 多样 性 。之 后 ，
可 以再 随机 产 生新 的 抗　
体，
也可 以通过变异和交叉产生进入 下一代 的抗体 ；
　 ３ 几种仿 生优 化算 法 的异 同比较　
Ｓ
ｔｅｐ
　７终止条件 ：
一般采 用限定迭 代次数 或在 连续几次　 ３．
１ 相 同 点　
迭代 中的最好解都无法改 善 ，
以及二者 的混合形式 作为终止　 上述 四种仿生优 化算法都 是模 拟 自然界生 物系统 、
完全　
条件 。
　 依赖生物体 自身 的本 能 、
通过无意识 的寻优 行为来优化 其生　
２．
４ 人 工鱼群算 法　 存状态 以适应环境 的一类新 型的最优化算法　’
　］。因此 ，
这　
相对于传统 的人工智能系统 的 自上而下 的设计 思路 ，
基　 些仿生优化算法有许 多相 同的特点 ：
　
于鱼群 自治体的人工 鱼群算 法则 采用 了 自下 而上 的设计 方　 １）都是一类不确定 的算法　
法，
所 以，
首先着重 构造 鱼群 自治 体 的模 型　 ，
具体 模 型可　 不确定性体现 了 自然界生物的生理 机制 ，
并 且在求解某　
描述如下 ：
　 些特定问题方面优 于确定 性 算法 。仿生 优 化算 法 的不确定　
１）觅食行 为　 性是伴随其随机性而来 的 ，
其 主要 步骤都 含有 随机 因素 ，
从　
平 时我们会 看到鱼儿 在水 中自由的游来 游去 ，
这一般 可　 而在算法的进化过程 中，
事件发生 的与否带有很 大的不确定　
视 为一 种随机移动 ，
当发现 食物 时 ，
会 向着食物 逐渐增 多 的　 性；
　
方 向快 速 游 去 。
　 ２）都是一类概率 型的全局优化算法　
２）聚 群 行 为　 非 确定算法 的优 点在于算 法能有更 多 的机 会求得 全局　
鱼在游动过程 中会 自然地 聚集成群 ，
这也 是为 了保 证群　 最优解 ；
　
体 的生存和躲避危 害而形 成 的一 种生 活 习性 。鱼群 的形 成　 ３）都不依赖于优化 问题本身 的严格数学性质　
也是一种突现的生动示例 ，
Ｒｅｙ
ｎｏｌ
ｄｓ　
Ｃ　Ｗ 认为 鸟类和鱼 类的　 在优 化过程 中都不依 赖于 优化 问题本 身 的严格数学 性　
群集的形成并不需 要一 个领 头者 ¨
　，只需 要每 只 鸟或每 条　 质（
如连续性 、
可导性 ）以及 目标 函数 和约束条件 的精确数 学　
鱼遵循 一些局部的相互作用规则即可。Ｒｅ
ｙｎｏ
ｌｄｓ
　Ｃ　
Ｗ 所采用　 描述 ；
　
的规则有三条 ，人工鱼群算法 中基本沿用 了这三条 规则 ：
　 ４）都是一种基于多个智能体的智能算法　
① 分隔规 则 ：
尽量避免 与临近伙伴过 于拥挤　 各个智能体之 间通过相互协作来更好 地适应 环境 ，
表 现　
② 对 准规则 ：
尽量与临近伙伴 的平均方 向一致 ；
　 出与环境交互 的能力 ；
　
③ 内聚规则 ：
尽量朝临近伙伴 的中心移动 。
　 ５）都具有本 质并 行性　
３）追尾行为　 仿生 优化算 法的本 质并 行性表现在两 个方面 ：
一是仿生　
一

１７１ — 　
 维普资讯 http://www.cqvip.com

计算是 内在并行 （ｉ
ｎｈｅ
ｒｅｎｔ
　ｐａ
ｒａｌ
ｌｅｌ
ｉｓ
ｍ）的 ，
即仿 生优化算 法本　 ① 随着 工作状况 或其他因素 的变更造 成的极值 点的漂　
身非常适合 大规 模 并行 ；
二是 演化 计算 的 内含 并 行性 （ｉ
ｍ—　 移，
人工鱼群算法具有快速跟踪变化 的能力 ；
　
ｐｌ
ｉ
ｃｉｔ
　ｐａ
ｒａｌ
ｌｅｌ
ｉｓ
ｍ），
这使得仿 生计 算能以较少的计算获得 较大　 ② 人工鱼群算法具有很强 的跳 出局部极值 的能力 ；
　
的收益 ；
　 ③ 人工鱼群算法 获取 的是 系 统 的满 意解 域 ，
对 于精确　
６）都具有突现性　 解 的获取还需 对其模型进行适 当改进 ；
　
总 目标 的完 成是在 多个智 能体个 体行为 的运动过 程 中　 ④ 人工 鱼群算 法的数学 基础显 得相对 薄弱 ，目前 还缺　
突现 出来 的；
　 乏具有普遍 意义的理论 分析 。
　
７）都具有进化性　
在 复杂 的 、
不确定 的、
时变 的环境 中 ，
通过 自学习不断提　 ４ 结 束语　
高个体 的适应性 ；
　 前 面就模 拟 自然界 中生物行 为现象 的 四种仿 生优化算　
８）都具有稳健性　 法进行 了论述 和比较 ，
但是在实际应用 中还远未 挖掘 出这些　
仿 生优化算 法的稳健 性是指 在不 同条件 和环境下 算法　 算法 的真正潜 力 ，
还有很多富有 挑 战性 的课 题亟待解决 。主　
的适用性和有效性 。由于仿 生优 化算 法不 依赖 于优 化 问题　 要体 现在 以下几个方面 ：
　
本身 的严格数学性质和所求解 问题本 身 的结 构特征 ，
因此用　 １）加强仿生优 化算 法 的基础理 论研 究 ，
进 一步 发展新　
仿生优化算 法求 解不 同 问题 时 ，
只 需要 设计 相 应 的评 价 函　 的数 学分析和建模 工具　 。对仿 生优 化算 法 的基础 理论研　
数，
而基本上无需修改算法的其它部分 。
　 究非常重要 ，
包括对 解决 不 同优化 问题 时收敛性 、
收敛速 度　
３．
２ 不 同 点　 的估计 、
避免陷入局部最优值 以及鲁棒性分 析理论 。
　
虽然蚁群算法 同 目前 流行 的遗传 算法 、
人 工神 经 网络 、
　 ２）可将仿生优化算 法中的两种或 者数 种综 合使用来 开　
微粒群算法 、
人工免疫 算法 、
人 工鱼群 算法 等都 属于仿 生优　 发混 合优 化方法 ，
进而发展思想更 先进 、
功能更强 大 、
解决 更　
化算法 。
但是它们在 机理和 实现 形式 上有许 多不 同之处 ，
具　 复杂系统的智能行 为。目前 国 内外众 多学 者 已经在 这方 面　

体如下 ：
　 做了很多尝试 。
　

１）蚁群算法　 ３）应充分挖掘仿生 优化 算法 在实 际应 用 中 的潜 力 ，
在　

① 蚁群算法本 身采 用 了正反 馈 原理 ，
加 快 了进化 过程　 对现有应 用领域 进行深化研究 的同时，
进一 步扩大其应用 范　

这一点不 同于其 它仿生优化算 法 ；

　 围。此外 ，
仿生优化算法的硬件实 现也是研 究这 些算法 的热　

② 蚁群算法具 有很 强 的并 行性 ，
蚂 蚁个 体之 间不 断进　 点方 向之一 。当然 ，
这些都离不 开对仿生优 化算 法理论 的深　
入研究 。
　
行信 息交流和传 递 ，
有利于发现较好解 ；
　
．　
③ 基本蚁群算 法 一般 需要 较长 的搜 索 时间 ，
而且 容 易　
出现停滞现象 ；
　 参考文献 ：
　
［１］
　 Ａ　Ｃｏ
ｌｏｒ
ｎｉ，ｅ
ｔ　ａ１
．Ｄｉ
ｓｔ
ｉｂｕｔ
ｒ ｅｄ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ
　ｂｙ
　ａｎｔ
　ｃｏ
ｌｏｎｉ
ｅｓ［Ｃ］．
　
④ 蚁群算 法 的 收敛 性 能对 参 数 的初 始化 设 置 比较敏　
Ｐｒ
ｏｃｅｅｄｉ
ｎｇｓ　ｏｆ
　Ｅｕｒ
ｏｐｅａｎ　Ｃｏｎｆ
ｅｒｅｎｃｅ　ｏｎ　Ａｒ
ｔｉｉｃｉ
ｆ ａｌ　Ｌｉ
ｆｅ，１９９１． １３４　
感 ，目前还缺乏 系统 的理论指导其参数设置 。
　 ～
ｌ４２．
　
２）微粒群算法　
［
２］　 段海滨 ，
等．蚁群算法 理论及应 用研究 的进展 ［Ｊ］．控 制与决　
① 微粒群算 法是一种原 理相 当简单 的算法 ，与其它仿　 策 ，２００４，１
９（１
２）：１
３２１—１
３２６，１
３４０．
　
生优化算法相 比，
它仅需很少 的代码和参数 ；
　 ［３］ 段海 滨．蚁群 算 法原理 及 其应 用 ［Ｍ］．北 京 ：科 学 出版社 ，
　
② 微粒群算法 受所 求问题维数的影响较小 ；
　 ２ｏ０５．
　

③ 与其它仿 生优 化算 法相 比，
微粒 群算 法 的数学 基 础　 ［
４］ Ｊ
　Ｋｅｎ
ｎｅｄ
ｙ，Ｒ　
ｃ　Ｅｂｅ
ｒｈａ
ｒｔ．Ｐａ
ｔｉ
ｒ ｃ
ｌｅ　
Ｓｗａ
ｒｍ　
Ｏｐｔ
ｉｍｉ
ｚ￣ｉ
ｏｎ［Ｃ］．Ｐｒ
ｏ－　
显得相对薄弱 ，缺乏深刻且具有普遍 意义 的理论分 析。
　 ｃｅｅｄｉ
ｎｇｓ
　ｏｆ
　ｔｈｅ　ＩＥＥＥ　Ｉｎｔ
ｅｒｎａｔ
ｉｏｎａｌ
　Ｃｏｎｆ
ｅｒｅｎｃｅ　
ｏｎ　Ｎｅｕｒａｌ
　Ｎｅｔｗｏｒ
ｋｓ，
　

１９９５，１９４２—１９４８．
　
３）人 工免 疫算 法　
［
５］　 Ｒ　
Ｅｂｅ
ｒｈａｒ
ｔ，Ｊ
　Ｋｅ
ｎｎｅ
ｄｙ．Ａ　
ｎｅｗ　
ｏｐｔ
ｉｍｉ
ｚｅｒ
　ｕｓ
ｉｎｇ
　ｐａ
ｒｔｉ
ｃｌｅ
　ＳＷａ
ｌＴＯ
　ｔｈｅ
－　
① 在人工免疫算法 中模 拟 了人体免疫 系统所 特有 的 自　
ｏｒ
ｙ［Ｃ］．Ｐｒ
ｏｃｅ
ｅｄｉ
ｎｇｓ
　ｏｆ
　ｔ
ｈｅ　
６ｔｈ
　Ｉｎ
ｔｅｒ
ｎａｔ
ｉｏｎ
ａｌ　
Ｓｙｍｐｏ
ｓｉｕｍ　ｏ
ｎ　Ｍｉ
ｃｒｏ
　
适应性 和人工免疫这一加强人体免疫 系统 的手段 ，
并采用 了　
—
Ｍａｃｈｉ
ｎｅ　ａｎｄ　Ｈｕｍａ
ｎ 　Ｓｃｉ
ｅｎｃｅ．１９９５．３９ —４３．
　
基于浓度的选择更新 ，
从 而有效地 防止了其它仿 生优化算 法　
［
６］　 Ｈ　Ｂｅ
ｒｓｉ
ｎｉ，Ｆ　
Ｖａｒ
ｅｌａ．Ｈｉ
ｎｔｓ
　ｆｏ
ｒ　ａｄａ
ｐｔｉ
ｖｅ　ｐｒ
ｏｂｌ
ｅｍ　ｓ
ｏｌｖ
ｉｎｇ
　ｌｅａ
ｎｅｄ　
中“早熟 ”的问题 ，
将搜索过程引 向全局最优 ；
　
ｆ
ｒｏｍ　
ｉｍｍｕｎｅ
　ｎｅ
ｔｗｏｒ
ｋ［Ｍ］．Ｐａ
ｒａｌ
ｌｅ
ｌ　Ｐｒ
ｏｂｌ
ｅｍ　
Ｓｏｌ
ｖｉｎｇ
　ｆｒ
ｏｍ　
Ｎａｔ
ｕｒｅ．
　
② 免疫算法实 现的是 多样 性 的搜索 ，
它 的搜索 目标 具　 Ｂｅｒｌ
ｉｎ　Ｈｅｉ
ｄｅｌ
ｂｅｒ
ｇ：Ｓｐｒ
ｉｎｇｅｒ—Ｖｅｒ
ｌａｇ，１９９１．３４３—３５４．
　

有一定 的分散性 、
独立性 ；
　 ［
７］ 李 晓磊 ，邵之江 ，钱积新 ．一种 基于动 物 自治体 的寻优模式 ：
　
③ 人工免疫算法的数学模 型固然 简单 、
易于 实现 ，
但 功　 鱼群算法 ［Ｊ］．系统 工程理论 与实践 ，２
００２，２２（１１）：３
２—３８．
　
能不强 。
智能度也没 有其 它几种 仿生 优化算 法高 ，
改 进起来　 ［
８］　 Ｅ　
Ｂｏｎａ
ｂｅａ
ｕ，Ｊ
　Ｂ　
Ｙａｎｇ．Ｉ
ｎｓｐｉ
ｒａｔ
ｉｏｎ
　ｏｒ
ｆ 　
Ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ
　ｆｒ
ｏｍ　
Ｓｏｃ
ｉａｌ
　ｉ
ｎ・　
较其它仿生优化算法麻烦 。
　 ｓ
ｅｃｔ
　Ｂｅ
ｈａｖｉ
ｏｕｒ［Ｊ］．Ｎａｔ
ｕｒｅ，２０００，４０６（６）：３９—４２．
　

４）人 工鱼群算 法　 （下转第 ２５

３页）
　
一

１７２ 一 　
 维普资讯 http://www.cqvip.com

参 考文献 ：
　
斗 　 ［１］ 陈立 平 ，
等．机 械系统 动力学 分析及 ＡＤＡＭＳ应 用教 程 ［Ｍ］．
　
一 　 —

＼
　 北京 ：
清华大学 出版社 ，
２００５．
　
［
２］　 袁云 良．摩托车振动激振力突变问题 的研究 ［Ｊ］．摩托车技术 ，
　
　
ｉ ；
　 ｊ
　 ｛
　
１
９９６，（１
Ｏ），
１６一ｌ
９．　
；
ｆ
　 ’÷
　 、　 ［
３］　 徐中明，张志飞 ，
贺岩松 ，
藤 冈健彦．重型卡车驾驶室乘坐舒适　
性研 究［Ｊ］．中国机械工程 ，
２００４，１
５（１
７）：
１５８
４—１
５８６．
　
Ｆｒｅｑｕｅｎｃｙ／
Ｈｚ　
［
４］　 王国权 ，
杨 文通 ，
许 先峰 ，余群．汽 车平顺 性 的虚拟 试验研 究　
图７
　 驾 驶 员 座 椅 处 垂 直 振 动 加 速 度 ＰＳＤ　 ［Ｊ］．上海交通 大学学报 ，２００３，３
７（１１）：
１７７２—１
７７５．
　
［
５］　 张学 江，文武．应用 虚拟样 机技术 进行摩 托车性 能仿 真 ［Ｊ］．
　
ｓ
ｔｅｅｒ
ｉｎｇ　
ｂａｒ　
摩托 车技术 ，２００２，（９），
６—９．
　
｛
　蜘ｊ
ｎ
ｇ　ｍ－
戤Ｉ　 　
ｒ
［
６］　 周水清 ，
何 天明，
赵 礼东．基于虚 拟样机 的汽 车平顺性 仿真分　
ｌ
　 析 ［Ｊ］．汽车科技 ，２００５，
（３）：２８—３
０　
［
７］　 林蔚．基于虚拟样机技术的摩托车行驶 状态仿 真［Ｄ］．重庆．
　
芎
　 ００　 重庆大学 ，
２００４．
　

ｆ　 １
ｆ
ｌ　量　 ＿１
　 ．
＇－　 ｒ
ｌ
｝１｝
Ｉ
ｆＩ
Ｉ　 ：：
　 ［
８］　 ＭＤＩ
　Ｕｓ
ｉｎｇ
　ＡＤＡＭＳ
／Ｖｉ
ｅｗ　
Ｖｅｒ
ｓｉｏ
ｎ　１
２．０
　Ａｍｅ
ｉｃ
ｒ ａ　
Ｍｅｃｈａ
ｎｉｃａ
ｌ　Ｄｙ—
　
ｎ
ａｍｉ
ｃｓ　
Ｉｎｃ［Ｍ］，２００２—７．
　
Ｔｉ
ｍｅ／
ｓ　
［９］
　 李军 ，
等．ＡＤＡＭＳ实例教程 ［Ｍ］．北京 ：
北京理工大学出版社 ，
　
图 ８ 手 把 处垂 直 振 动 加 速 度　 ２ｏｏ３　

［
作者简 介］
　
卢 少波（
１９８
０．２一），
男（汉族 ），
湖北天 门市人 ，重　
庆大学机械工程学 院汽车工程 系博士研 究生 ，
研 究　
方 向为车辆传动及其控制 ；
　
徐 中明（
１９６
３．１
２一），
男（汉族），
四川省仁寿县人，
　
工学博士 ，
重庆大学机械 工程学 院汽车工程 系系 主　
任，
教授 ，
研究方 向为车辆动力学 ，
获省部级科技 进步奖 ３项 ，
发表论　
文 ３０余篇 ；
　
图 ９ 手 把 处垂 直 振 动 加 速 度 ＰＳＤ　
张 志 飞 （１
９８３．
６一），
男 （汉族 ），
河南濮 阳市人 ，
硕士研 究生 ，
研究方　
向为车辆动力学 ；
　
度、
加速度 。通过 系统 仿真 软件在各种虚 拟环境 中真 实地模　
马永章 （
１９７
４．５一），
男（汉族），
湖南株洲市人 ，
硕士研究生，
研究方　
拟系统 的运动 ，
它可以在计 算机上方便地进行改 良设计 。
　
向为车辆传动及其控制 。
　

（
上接第 １
７２页 ）
　 ［１
４］ 徐宁 ，
等．几种现代优化算法的 比较研究［Ｊ］．系统工程与 电　
［
９］ Ｍ　
Ｄｏｉｇ
ｒ ｏ，Ｖ　Ｍａ
ｎｉｅ
ｚｚｏ，Ａ　
Ｃｏｌ
ｏｒｎｉ
．Ａｎｔ
　ｓｙ
ｓｔｅｍ：ｏ
ｐｔｉ
ｍｉｚ
ａｔｉ
ｏｎ　
ｂｙ　
ａ　 子技术 ，２
００２，２４（１
２）：１
００—１
０３．
　

ｃｏ
ｌｏｎｙ
　ｏｆ
　ｃｏ
ｏｐｅ
ｒａｔ
ｉｎｇ
　ａｇｅ
ｎｔｓ［Ｊ］．Ｉ
ＥＥＥ　Ｔｒ
ａｎｓ
ａｃｔ
ｉｏ
ｎｓ　
ｏｎ　Ｓｙ
ｓｔｅｍｓ，
　 ［１５］ 李艳 君 ．拟生 态 系统 算 法及 其在 工 业过 程 控制 中的应 用　
Ｍａｎ
　ａｎｄ
　Ｃｙ
ｂｅｒ
ｎｅｔ
ｉｃｓ—Ｐａｒ
ｔ　Ｂ，１
９９６，２６（１）：２９—４１
．　 ［Ｄ］．杭州 ：浙江大学博士学位论 文 ，２０
０１．
　

［１
０］ 段海滨 ，王道波 ．蚁 群算法 的全局 收敛性 研究 及改 进 ［Ｊ］．
　
系统工程与电子技术 ，２００４，２
６（１
０）：１
５０６—１
５０９．
　 ［
作者简 介］
　
［１１］ Ｄ　
Ｄａｓ
ｇｕｐｔ
ａ．Ａｒ
ｔｉ
ｉｃ
ｆ ｉ
ａｌ　
ｎｅｕｒ
ｌ　
ａ ｎ
ｅｔｗｏ
ｒｋｓ
　ａｎ
ｄ　ａ
ｔｉ
ｒ ｉｃｉ
ｆ ｌ　
ａ ｉ
ｍｍｕｎｅ
　ｓｙｓ
—　 段海滨 （
１９７
６一），
男（汉族 ），
山东人 ，
工学博士 ，
硕　
ｔ
ｅｍｓ：ｓ
ｉｍｉ
ｌａｒ
ｉｔ
ｉｅ
ｓ　ａｎ
ｄ　ｄｉ
ｆｆ
ｅｒｅ
ｎｃｅｓ［ｃ］．Ｐｒ
ｏｃｅ
ｅｄｉ
ｎｇｓ
　ｏｆ
　ｔｈｅ
　ＩＥＥＥ　 士生导师 ，
研究领 域为 智能 进化计 算 、
计 算机 控制　
Ｉ
ｎｔｅｒ
ｎａｔ
ｉｏｎａｌ
　Ｃｏｎｆ
ｅｒｅｎｃｅ　ｏｎ　Ｓｙｓｔ
ｅｍｓ， Ｍａｎ， ａｎｄ　Ｃｙｂｅｒ
ｎｅｔ
ｉｃｓ，
　 与仿真等 ；
　
１９９７，１：８７３～８７８．
　
王道波 （
１９５
７一），
男（汉族 ）
，河北易 县人 ，
教授，
博　
［１
２］ 李晓磊 ，钱 积新．基 于分解 协调 的人 工鱼群 优化 算法研 究　 导，
研究领域为智能控制 、
计算机控制与仿 真；
　
［
Ｊ］．电路与系统学报 ，２０
０３，８（１）：１—６．
　 于秀芬 （
１９７
９一），
男（汉族），
山东人，
硕士，
助理研究员，
研究领域　
［１
３］　 ｃ　
Ｗ　Ｒｅ
ｙｎｏ
ｌｄｓ．Ｆｌ
ｃｋｓ，ｈ
ｏ ｅｒｄｓ，ｓ
ｃｈｏｏ
ｌｓ：ａ
　ｄｉ
ｓｔ
ｉｂｕｔ
ｒ ｅｄ　ｂ
ｅｈａ
ｖｉｏ
ｒｌ　
ａ 为智能控制与仿真 。
　
ｍｏｄｅ
ｌ［Ｃ］．Ｐｒ
ｏｃｅ
ｅｄｉ
ｎｇ
ｓ　ｏｆ
　ＳＩ
ＧＧＲＡＰＨ　
８７；Ｃｏ
ｍｐｕｔ
ｅｒ
　Ｇｒ
ａｐｈｉ
ｃｓ，
　
１
９８７，２１（
４）：２５—３
４．　

．－ －— —

２５３ ．
．
－—
—