Page 79 - 基于深度学习的人工智能技术研究

第二章 人工智能核心技术

子和贪婪方式引入布谷鸟搜索算法，提出了一种多种群并行的布谷鸟搜索算法，
在有平衡局部和全局解和高效收敛速度的基础上，实现了火力资源约束的分配
调度。
遗传算法是以生物进化过程中所存在的基因交叉、基因突变现象为基础，

通过生物繁殖后，新个体对于环境的适应性的群体更新模式所形成的群体智能算
法，即：高适应度个体数量增加、低适应度个体数量减少。在遗传算法工程实践
中，徐超等针对战机集群协同攻防决策问题，构建了兼顾敌机生存概率和我方毁
伤概率的适应度计算模型，并结合模糊算法和遗传算法，提出一种模糊遗传算法

对该模型求解最优决策方案，测试结果可以实现快速收敛并有效解决协同空战决
策问题。
磷虾群算法是以磷虾群觅食行为为基础，按照磷虾群运动中持续聚集以提高
种群密度，进而减少被捕食的概率，同时不断拓展生存空间，最大化缩短磷虾群

与食物之间的距离。在磷虾群算法工程实践中，刘唐等针对网络攻击严重威胁网
络信息安全问题，利用磷虾群算法优化节点的权值和偏置来提升极限学习机的性
能，提出基于改进磷虾群算法的极限学习机的入侵检测算法，该算法在泛化性能、
训练速度和检测正确率方面较传统算法具有明显优势。

鱼群算法是模拟鱼群在某片水域的群体觅食行为，其模拟了鱼群中个体之间
防碰撞、同方向和内聚化的尾随聚群行为，并通过个体的随机游动行为来规避陷
入局部最优解问题。在鱼群算法工程实践中，王楠等针对反战术弹道导弹目标分
配效能提升问题，将交叉变异算子和模拟退火算法引入鱼群算法，为防空反导作

战指挥提供了决策辅助，改进后的算法在收敛性、实时性和有效性方面优于传统
智能算法。
蝙蝠算法模拟蝙蝠利用超声探物避障所实现的探测定位和目标搜索过程，该
算法通过不同蝙蝠依据自身频率响度和相对位置来判断下一个时刻的自身位置，

进而实现搜索空间的寻优求解过程。在蝙蝠算法工程实践中，邱少明等针对大规
模动态火力分配问题，将动态差分进化算法中的差分变异机制融入蝙蝠算法中，
并放宽部分约束条件进而加快生成初始解，形成了基于动态差分改进的蝙蝠算法。
经测试，该算法不仅缩短了较大规模下动态火力分配时间，而且收敛精度和收敛

速率均优于传统算法。

71