生境适应性（精选5篇）
生境适应性 篇1
1 引言
蚁群优化算法[1]是一种全局性邻域搜索算法,具有分布式计算、信息正反馈和启发式搜索的特征,易于与其它方法相结合。该算法得到了具有NP难度的旅行商问题(TSP)[2]的最优解,并应用到连续空间[3]和数据挖掘[4]中。但是蚁群算法也存在着一些缺陷。寻找“精解”和“快速收敛”两者的平衡点成为蚁群算法发展和应用的关键。
并行蚁群算法[5]是最近提出的一种优化结果较好的算法,该算法将所有蚂蚁分为几个子种群,并进行种群间的信息交流。但是其子种群的规模的预先确定有很大的难度:若规模过大,则种群多样性容易被破坏,搜索能力下降;若过小,则使得搜索时间增加。因此,本文中引入“蚂蚁聚度”的概念[6],通过设定“聚度阈值”来自动调整子种群的规模,提出了自适应的并行蚁群算法。传统的蚁群算法以及改进的Ant-Q System[7]和MAX-MIN[8]模型都存在着全局寻优能力不强的缺点,小生境技术[9]的引入正是为了解决这一问题。当自适应并行蚁群系统进入停滞阶段时,除了保留部分蚂蚁对局部最优点继续进行搜索外,其它的蚂蚁重新划分种群,并重新初始化信息素,然后对整个空间进行重新搜索。这样,在减少蚂蚁数量的时候也可以在信息量的“探索”和“利用”之间得到很好的平衡。通过对TSP问题进行计算,证明了该方法的有效性和可行性。
2 并行蚁群算法和小生境技术基本原理
2.1 并行蚁群系统(PACS:Parallel Ant Colony System)
在并行蚁群系统[5]中蚂蚁被分为几个不同的种群,并在一些合适的周期内,通过种群之间的信息交流策略来更新信息素。PACS与基本蚁群算法的主要不同在于:1)将所有蚂蚁分成若干个不同的种群;2)通过局部调整准则、全局调整准则和信息交流调整准则对信息素进行调整。
以n个城市的TSP问题为例说明PACS模型。首先作如下定义:G表示总的种群数目,Nk(K=1,2,…G)表示第k个种群中蚂蚁的个数,且满足蚂蚁总数m=Gk=Nk;dij(i,j=1,2,...,n)表示城市i和城市j之间的距离,τij(t)表示t时刻在城市i,j连线上残留的信息量。随着时间的推移,以前留下的信息逐渐消逝,用参数ρ、α、λ表示信息的挥发因子。所有蚂蚁完成一次迭代以后,各路径上的信息量根据下列准则作调整:
准则1(局部调整准则):局部调整是每只蚂蚁在建立一个解的过程中进行的。随着时间的推移,种群j中两个元素(城市)r和s之间的局部信息素数量要根据下式作调整:
其中Lnn表示用最近邻域启发式(nearest neighbour heuristic)得到的所有城市之间的最小距离。
准则2(全局调整准则):只有生成了全局最优解的蚂蚁才有机会进行全局调整,全局调整规则为:
其中Q是信息素强度,它影响算法的收敛速度。Lj表示第j个群体中蚂蚁找到的最短路径。
准则3(信息交流调整准则):信息交流准则是并行蚁群算法与ACS算法的主要不同点。每经过R1次循环,通过种群间的信息交流对信息素值进行调整。在本文中采用环形结构的种群间信息交流策略。
其中“neighbour”定义为在环形结构中的种群。Lng表示邻域("neighbour")种群中的最短路径。
2.2 小生境技术原理
小生境技术的提出为搜索空间的扩展提供了可能性。共享机制由Goldberg[10]提出,它通过共享函数调整群体中各个个体的适应度,以维护群体的多样性。共享函数是表示两个个体之间密切关系程度的函数,记为sh(dij),dij表示个体i与个体j之间的某种关系。
3 嵌入小生境技术的自适应并行蚁群算法
用K代表子种群规模,则自适应的子种群规模可以通过如下公式确定:
其中σ是“聚度阈值”一般取常数。若聚度值较大,说明蚂蚁上一次从这个城市到达另外城市的路径相对集,在以后的搜索最优程中,过度强化正反馈信息引起停滞现象的可能性就越大。所以当sta大于阈值σ时,子种群规模就降低到最低限度2,以刺激种多样性的提高。相反,当城市聚度越小时,这个城市的信息量分布相对比较分散,导致收敛速度较慢。所以当sta较小时种群的多性较好,子种群由下式确定:
在确定子种群的规模后就按照上述并行蚁群算法的调整准则对信息量进行调整。
在自适应并行蚁群算法进入停滞后采用共享机制重新确定城市之间的信息量,对群体中信息素值较大(认为与局部最优点的相似度较高)的个体通过施加共享函数进行惩罚,阻止新蚂蚁种群再次陷入同一局部最优点。施加共享函数后城市间的共享信息素为:
共享函数sh(x)采用典型的三角共享函数:
式中τshare为共享信息量;τmax为自适应并行蚁群模型中的信息素最大值。
根据图2讨论共享函数对信息量的影响。不失一般性的认为距离局部最优点xi越近的点对应的信息量就越大(虽然会有个别点不满足这个条件,但在蚂蚁数量较多的情况下对结果的影响不会太大)。本文选取τshare=1/2τmax,假设共享前τi1=0.2τshare,τi2=0.4τshare,由式(7)可得x1、x2的共享度都为0,则共享信息素分别为τi1和τi2;同理如果τi3=1.6τshare,x3的共享度为0.6,共享信息量为0.4τi3。由此可见当蚂蚁距离局部最优点较远时共享信息量与原信息量相等;当蚂蚁距离局部最优点较近时共享信息量相应减小。由于蚂蚁在搜索过程中是通过感知信息素的数量进行路径选择的,所以这样的的处理达到了局部最优点对新初始化蚂蚁的排斥作用,能够有效避免蚁群再次陷入同一局部最优。
3.1 算法描述
1)初始化:将m只蚂蚁随机分为G个种群,第k个种群中蚂蚁的个数用Nk(k=1,2,…,G)表示。
2)重复运行直到禁忌表添满为止(这一过程将运行(n-1)次)
对每个蚂蚁,根据传统的选择概率,选择下一个要转移去的数据j;
将第k只蚂蚁转移到第j个数据;
进行局部搜索,根据公式(1)更新每只蚂蚁的信息素;
将数据j插入到禁忌表tabuk(s)。
3)计算种群中每只蚂蚁所走路径的总长度,找出此次搜寻中的最短路径lt。
4)全局信息素更新:在每一种群中按照公式(2)进行全局信息素的更新。
5)种群间信息交流:每经过R1次循环就根据公式(3)进行蚂蚁种群间的信息素交流。
6)自动划分种群规模:按照公式(4)自动地进行种群规模的划分。
7)如果(NC
8)种群重新初始化:当||lt-lt-1||<ε成立,认为自适应并行蚁群算法进入停滞阶段,引入小生境技术。
按照公式(6)计算共享信息素值;
9)当NC=NCMAX,或者出现停滞时,输出最优解,结束。
4 实例运算及性能分析
从通用的TSPLIB中选用TSP问题,用上述算法、MMAS算法和文献[6]提出的基于分布均匀度的蚁群算法进行了比较测试。根据多次实验所得结论,本文选择α=1,β=2,ρ=0.4,ε=0.5,“聚度阈值”σ根据城市个数的不同选择不同的数值(本文实验中选取为0.8×max sta)。更改蚂蚁的数目,每次迭代的NCMAX取1500次,分别运行50次取平均值列于表1中。
从表1可以看出当蚂蚁数目减少的时候,本文提出的方法较之基于分布均匀度的蚁群算法能够得到效果更好的解。这是因为小生境技术可以使得大部分蚂蚁的搜索具有较强的“爬坡”能力,使得解具有较好的多样性、全局性,避免了早熟现象。虽然在时间消耗上较之基于分布均匀度的蚁群算法要多,但综合考虑搜索结果和收敛时间,本文提出的方法在蚂蚁数量减少的情况下,保证了收敛速度和防止早熟之间的平衡。
5 结论
本文提出了自适应的并行蚁群算法,通过设定“聚度阈值”来自动调整子种群的规模。并行蚁群算表1蚂蚁数量变化对搜索结果的影响法同样存在着搜索多样性的不足、易陷入局部最优的问题,小生境技术的引入正是为了解决这一问题。当自适应并行蚁群系统进入停滞阶段时,除了保留部分蚂蚁对局部最优点继续进行搜索外,其它的蚂蚁重新初始化信息素,然后对整个空间进行重新搜索。通过共享函数来阻止蚂蚁向局部最优移动,这种方法既有效地摆脱了停滞的状态又保留了原有的较优解。
参考文献
[1]Dorigo M,Maniezzo V,Colorni A.Ant system:Optimization by a colony cooperating Agents[C].IEEE Transactions on Systems,Man,and Cybernetics-Part B:Cybernetics,1996,26(1):29-41.
[2]Dorigo M,Gambardella L M.Ant colony system:a cooperative learning approach to the traveling salesman problem[C].IEEE Transac-tions on Evolutionary Computation,1997,1(l):53-66.
[3]李向丽,杨慧中,魏丽霞.基于退火的蚁群算法在连续空间优化中的应用[J].计算机工程与应用,2007,43(23):74-76.
[4]LI X L,YANG H Z.Application of a Novel Algorithm on Clustering Analysis[C].Proceedings of the International Conference on Com-plex Systems and Applications,2006:836-840.
[5]Chu S C,Roddick J F,Pan J S.Ant colony system with communication strategies[J].Information Systems,2004,167(1-4):63-76
[6]陈崚,沈洁,秦玲,等.基于分布均匀度的自适应蚁群算法[J].软件学报,2003,14(8):1379-1387.
[7]Machado L,Schirru R.The ant-Q algorithm applied to the nuclear reload problem[J].Annals of Nuclear Energy,2002,29(12):1455-1470.
[8]Sttzle T,Hoos H.MAX-MIN ant system[J].Future Generation Computer Systems,2000,16(8):889-914.
[9]郏宣耀,王芳.一种改进的小生境遗传算法[J].重庆邮电学院学报:自然科学版,2005,17(6):721-744.
[10]Goldberg D,Richardson J.Genetic algorithms with sharing for multimodal function optimization[C].Proceedings of the2nd Internation-al Conference of Genetic Algorithms,1987:41-49.
生境适应性 篇2
流水车间 (Flow Shop) 调度属于NP完全问题, 它不仅是许多实际流水线生产调度问题的简化模型, 而且在流程作业与离散制造业中有着广泛的应用, 所以流水车间调度问题的研究具有比较重要的理论意义和实用价值。随着多目标遗传算法的兴起, 并成功应用于多目标优化的领域, 为解决流水车间调度问题提供了一个新的途径。近年来的研究结果表明, 遗传算法对求解这一类问题具有比较好的效果。
本文提出了一种自适应混合多目标遗传算法 (MOHGA) 。根据个体适应度自动调节交叉概率与变异概率, 并运用小生境技术、双重精策略进一步提高收敛速度, 以较快的速度搜索到最优解, 达到更好的优化效果。
1 流水车间调度问题及数学模型
设有n个机器和m个工作, 每个工作有k个操作, 每个工作的操作都是按顺序执行的, 必须执行完前一个操作才可以执行下一个操作。每个工作的所有操作按相同的顺序依次经过n个机器, 其中, n个机器的顺序是固定的。用Oij表示第i个工作的第j个操作, SZij表示第i个工作的第j个操作的整个执行时间。第i个工作第j个操作的准备时间为TRij, 开始的时间为TSij, 预期花费的时间为TEij。每个机器一次只执行一个操作, 一个操作一旦开始就必须执行完才能执行下一个。工作中操作执行的顺序取决于目标函数。对所有的工作进行排序, 其顺序为P={p (1) , p (2) , …, p (m) }。
在这个问题中设置三个目标函数, 第一个是所有的工作的完成时间, 第二个是工作的平均处理时间, 第三个是平均延迟时间。对它们进行优化以便获得最优时间, 因此, 需要得到这三个目标函数进行最小化的值, 如下:
f1=TSnp (m) +SZnp (m)
undefined
undefined
然后, 取得min (f1, f2, f3) 的最优解或近似最优解。
2 求解流水车间调度问题的小生境自适应混合遗传算法
2.1 编码设计及初始种群的产生
考虑到本问题的实际情况, 我们采用基于作业的自然数编码方式, 用作业的顺序来表示染色体, 其中每个基因代表工件的序号。
定义初始群体POP的大小为popsize, 种群中每个染色体的基因个数为n, 先后生成n个互不相同的1-n之间的随机数, 组成一个序列, 即构成一条染色体。
2.2 适应度函数
根据Flow-shop问题, 最大完工时间最短作为目标函数, 则目标函数的倒数即可为适应度函数。
2.3 小生境技术
本文采用基于排挤机制的小生境遗传算法, 基本思想是:计算个体之间的海明距离, 如果小于事先设定参数L, 则对适应度低的个体处以罚函数, 降低其适应度, 保护种群的多样性, 避免大量重复的解充斥整个解空间。
对于种群中的所有个体, 求出每两个个体之间的海明距离d (x, y) :
undefined。
当d (x, y)
2.4 双精英策略
本文采用双重精英策略:MOHGA使用两个群体, 进化群体和外部群体。外部群体用来保存进化过程中产生的所有非劣解。在每次迭代中, 从保存的外部群体中选择一定数目的个体进入进化群体中, 以提高算法的收敛性。
2.5 自适应交叉算子和变异算子及其操作
遗传算法是一个动态寻优过程, 恒定的控制参数不一定合理, 而自适应控制参数则有助于调整算法的搜索行为和能力。对于交叉概率 (Pc) 和变异概率 (Pm) 的自适应计算, 当Pc过大时, 虽然产生新个体的速度快, 但容易破坏较优个体的模型。当 Pc 过小, 由于减少了种群的多样性, 使算法出现早熟现象。同样Pm过小不易产生新个体, Pm过大, 算法就变成随机搜索问题, 而且影响收敛速度。为此, 在进化过程中根据不同个体各自的适应度自适应的调整交叉概率和变异概率, 计算方法如下:
undefined
undefined
其中Pc为交叉概率, Pc-max为最大交叉概率, Pc-min为最小交叉概率, Pm为变异概率, Pm-max为最大变异概率, Pm-min为最小异变概率, f'为需要交叉的两个个体的较大的适应度, f为需要变异的个体适应度, favg为种群平均适应度。
本文采用单位置次序交叉及逆序变异的方法。逆序变异是将染色体中2个不同随机位置间的基因串逆序。
3 算法步骤
算法的具体步骤如下:
步骤1 产生M个初始群体P (t) , 初始化外部群体NDt, 设置初始量。
步骤2 求非劣解, 求出当前群体P (t) 中的非劣解, 并将这些非劣解放入NDt中并运用Pareto支配对其邻域进行搜索, 修正外部群体NDt。
步骤3 计算P (t) 适应度。
步骤4 对群体P (t) 进行轮盘赌法选择及自适应交叉与变异运算, 得到P′ (t) 。
步骤5 计算新集合P′ (t) 中的个体的适应度并与P (t) 中的个体一起按适应度由大到小的顺序进行排序, 取前M个个体得到P″ (t) 。
步骤6 从外部群体中选出N (N
步骤7若满足停止条件, 则输出外部群体, 否则P (t) =P (t+1) 返回步骤3。
4 实例分析
本节通过对下面实例的计算来验证小生境自适应混合多目标遗传算法的优化性能。
以一个有5台设备 (1, 2, 3均为车床, 4为磨床, 5为铣床) 和8个工件的加工系统为例进行分析。工件的工作顺序是预先设定好的, 每个工件包含多道工序, 每道工序可以在多台不同的机床上加工, 加工中的参数如表1所示, 表1中显示了工件号、工序号、设备号、加工时间、交货时间。表1中时间的单位为分钟。
为了检验算法的效果, 下面给出采用NSGA和小生境自适应混合多目标遗传算法的优化结果。实验中设置种群中的个体数为150, 进化的代数为200, 交叉概率为0.83, 变异概率为0.04。
将优化结果用甘特图表示, NSGA的优化结果如图1所示, 小生境自适应混合多目标遗传算法的优化结果如图2所示。
由图1和图2中可以看出, 在用NSGA后, 结果显示加工过程中的平均延迟时间为10.2分钟, 加工时间为33分钟。在多目标遗传算法中加入小生境自适应方法后, 结果显示加工过程中的平均延迟时间为6.6分钟, 加工时间为29分钟。可见, 在多目标遗传算法中用了小生境自适应方法可以找到更优的调度方案。
两种算法的运行时间对比如表2所示, 其中, 表2中的数据是算法运行10次的平均值。从表2中可以很容易看出, 小生境自适应混合多目标遗传算法具有更快的运行效果。
5 结束语
根据理论分析, 将小生境技术与自适应方法引入到多目标遗传算法, 并将其应用到流水车间调度问题中。数值实验结果表明, 应用改进后的算法, 平均延迟时间和加工时间都有明显的降低, 算法的运行效率也有了很大提高。
参考文献
[1]ISHIBUCHI H, MURATA T A.Multi-objective genetic localsearch algorithm and its application to flow shop scheduling[J].IEEE Transactions on systems man and cybernetics part C:1998 (3) .
[2]JASZKIEWICZ A.Genetic local search for multi-objective combi-natorial optimization[J].European Journal of Operational Re-search, 2002 (1) .
[3]ASERSHARIF B, AKBARI A.SNR-dependent compression of en-hanced Mel sub-band energies for compensation of noise effects onMFCC features[J].Pattern Recognition Letters, 2007 (1) .
[4]YANG L H.Wavelet analysis and its applications[M].Springer, 2002.
[5]WANG Da-kai.The application of wavelet in signal processing[M].Beijing:Publishing House of Electronics industry, 2006.
[6]龚强, 王津.地区电网调度自动化技术与应用[M].北京:中国电力出版社, 2005.
[7]吴广宁.电气设备状态监测的理论与实践[M].北京:清华大学出版社, 2005.
改进的小生境粒子群优化算法 篇3
小生境(Niche)是来自于生物学的一个概念,是指特定环境下的一种生存环境。生物在其进化过程中,一般总是与自己相同的物种生活在一起,共同繁衍后代,这些生物赖以生存的环境资源,称为小生境。人们把这种思想提炼出来,运用到优化算法中来。优化算法实现小生境的方法最早由Cavicchio于1970年提出,该方法叫做基于预选机制的小生境方法[1];1975年DeJong提出了基于排挤机制的小生境实现方法[2];Goldberg在1987年提出了基于共享机制的小生境实现方法[3]。随着研究的深入,越来越多的小生境实现方法被提出,小生境在优化算法中的应用也越来越广泛。文献[4]提出了小生境粒子群优化算法。在标准PSO算法中,种群中的粒子会不断向当前最优位置靠拢,算法迅速收敛,但同时种群的多样性也快速下降。在NPSO算法中,若某个粒子在连续几代的进化过程中,适应度值只有很细微的变化,那么该粒子和它的邻居将就会形成一个小生境粒子群,该粒子是这个小生境粒子群的中心。具体算法如下:
Step1:初始化主粒子群,并设置小生境的参数。
Step2:主粒子群中的粒子进行速度、位置和适应度值的更新。
Step3:对每个小生境粒子群中的粒子进行速度、位置和适应度值的更新。
Step4:根据小生境半径的设置,查看是否有需要合并的小生境粒子群。
Step5:查看主群中是否有粒子进入了小生境范围,若有,则将该粒子吸收进入小生境粒子群中。
Step6:搜索主群中是否有满足产生新的小生境的条件的粒子,若有满足条件的粒子,则建立以该粒子群为中心的新的小生境子粒子群。
Step7:返回至Step2,直到满足算法终止条件。
NPSO算法实现过程中,需要输入两个参数μ和δ ,μ是判断子群是否合并的阈值,δ是判断子群是否产生的阈值,算法的实现效果依赖于参数的设置。在文献[5]中,小生境子粒子群的合并依赖于参数μ,如果该参数的选择不合适,算法很容易将处在不同山峰上的两个小生境子群合并,造成寻优效率下降;在文献[4]中,新的小生境子群的产生依赖于给定的 参数δ,不同的参 数其算法 性能也不同,算法需要先验知识才能保持其稳定性。
2改进的小生境粒子群优化算法
在NPSO进化过程中,需要根据参数μ和δ的设定进行。若有一种简单的方法能够判断两个粒子是否在同一个山峰上,此方法可以大大提高NPSO算法的收敛速度和收敛性能,也可以避免算法过于依赖参数设置。文献[6]设计了一个hill-valley函数,能够判别搜索空间的任意两点是否在同一个山峰上。将此函数应用到遗传算法上可求解多峰值问题,本文将此函数与NPSO算法相结合,进行多峰函数的求解。
设搜索空间的任意两点e1和e2,hill-valley(e1,e2)为判断e1和e2是否在同一山峰上的函数,若e1和e2不存在适应度值同时小于e1和e2适应度值的内点,则e1和e2在同一个山峰上,hill-valley函数的返 回值为0,否则hillvalley函数的返回值为非0值,则e1和e2不在同一个山峰上。e1和e2之间的内点由抽样向量samples确定:
其中,j=1,…,L,L是抽样向量samples的长度,本文中L的取值为5。
一维hill-valley函数如图1所示,图中e1、e2之间的内点i1、i2的适应度值均大于e1和e2的适应度值,不存在适应度值小于该两点的内点,判定e1和e2在同一个山峰;图中e3和e4之间的内点i3、i4、i5、i3的适应度值大于e3和e4的适应度值,而i4、i5的适应度值小于e3和e4的,故e3和e4 不在同一 座山峰上。 将上述hill-valley函数应用 到NPSO算法中,解决NPSO算法依赖参数设置的弊端,新算法称为改进的小生境粒子群优化算法(ImprovedNicheParticleSwarmOptimization,INPSO)。算法具体 实现如下:
Step1:参数设置及主粒子群的初始化,主粒子群以认知模型进行更新。
Step2:判断主粒子群中的每一个粒子xi是否为潜在的最优解,如果是,则产生一个以xi为中心的小生境子粒子群。判断最优解时,设粒子xi的适应度值变化为σi,在算法进化过程中若在连续几代(本算法中设置是5代)内均满足σi <δ(δ设定的一个很小的阈值),则产生新的小生境子群。
Step3:对每一个子群中的粒子进行迭代。
Step4:对所有子群进行合并操作,当任意两个子群的最优粒在同一个山峰时,合并这两个子群。假设子群Di(i≥1)的最优粒子xm,子群Dj(j≥1)的最优粒子xn处于同一山峰时,即hill-valley(xm,xn)=0时,合并两个子群。合并后的子群粒子数目变大,保留适应度值较好的R个粒子,其余粒子移到主粒子群中。
Step5:对每个子群进行吸收粒子的操作,主群中的粒子xm移动到小生境的Di(i≥1)范围内,即对于任意xm∈Di都有hill-valley(xm,xn)=0,且Di中的粒子 数目小于R,则粒子xm被吸收到小生境子粒子Di中,若Di中的粒子数目等于R,用xm替换Di中适应度值最小的粒子。
Step6:判断是否满足终止条件,若不满足转到Step2。
3实验分析
为了验证INPSO算法的有效性,针对3个典型的多峰函数做了两组实验,第一组实验测试算法能否搜索到多峰函数的所有山峰;第二组实验测试算法的精度。测试函数如下:
(1)f1(x)=xsin(10πx)+2.0,x∈ (-1,2)。该函数具有17的局部最大值,这些峰值大小不等,间隔相等,当x =1.850549时,函数有全局最大值[7]为3.850274。
函数具有19个局部极大值,当x=-7.0835、-0.8003、5.4829时,函数有3个全局最大值:14.508008。
(3)f3(x,y)=cos(x)2+sin(y)2,x∈ (-5,5),y∈(-5,5)。函数具有12个局部极大值2。
测试中的参数设置 为:迭代次数50,惯性权重 ω =0.729 ,学习因子c1=c2 =1.49,实验结果为30次独立实验的平均值。
第一组实验是为了验证新算法的有效性,函数f1和f2 的初始种群规模为100,函数f3的初始种群规模为80。
3个函数运行的结果如图2所示,其结果是30次运行结果的平均值。图中星星表示粒子,a、b、c图是函数的图形表示,d、e、f图是小生境子群中最优粒子在图形中的位置。d图是函数f1的运行结果,基本上最优的粒子都爬到了山峰的顶端。e是函数f2的运行结果,所有的峰值都有粒子。f1 和f2是的维度是一维,函数f3的维度设定为二维。f图是函数f3的俯视效果图,图上的白色星星表示粒子。从图形上可以看出粒子处在山峰的顶端位置,本算法能够找到所有的峰值。因此,本算法对多元函数仍然适用。
第二组实验是为了验证新算法的有效性,将本文所得测试结果与NPSO算法[8]所得结果进行对比分析。参数的设置和第一组实验中的参数设置基本相同,个别参数设置如表1所示。本文INPSO算法不需要设置参数,是否合并两个子群由hill-valley判断两个子群中的最优粒子是否在同一山峰上实现。两种算法的实验对比结果如表2所示。
从实验结果可知,本文提出的INPSO与文献[8]提出的NPSO算法在一维函数f1和f2上都得到了较好的结果,收敛率是100,而在二维函数运行上INPSO算法每次都能搜索到函数的全部峰值,而NPSO算法只有26次找到全部峰值,收敛率87%。另外,INPSO算法搜索到每个峰值的平均位置偏差要比NPSO算法要小,说明本文提出的INPSO算法的精确度高于NPSO算法。
4结语
本文引入一个函数判断两个粒子是否在同一座山峰上,克服了NPSO算法需要输入两个参数的弊端。通过对3个典型函数的优化实验可以看出,本文所提出的算法能够找到多峰函数的所有峰值,并且在平均偏离度和收敛率上都优于NPSO方法,是一种有潜力的优化方法。改进后的小生境粒子群算法有更强的全局搜索能力和更高的收敛速度,能够高效地寻找到多个全局最优值是一种寻优能力、效率和可靠性更高的优化算法,其综合性能比基本NPSO算法有显著提高。
摘要：传统的小生境粒子群优化算法(NPSO)需要两个参数的输入,一个是判断子群合并的阈值,另一个是子群产生的阈值。参数设置的不当,将直接影响计算结果。引入一个函数判断两个点是否在同一座山峰上,以克服NPSO算法需要输入参数的弊端。在程序运行时,无须严格限定小生境的半径,也不需太多的先验知识。实验结果证明,该算法合理有效,能够能快速有效地找到多峰函数的全局最优点。
生境适应性 篇4
关键词：生境,野生大豆,种子,扫描电镜
1 材料和方法
对张家口地区进行多次的实地考察, 对有代表性地点的种子单株收获, 并在张家口市不同县区田间同一条件下种植保存, 在此选取有代表性的、发育良好的种子用于电镜观察。
将成熟的种子置于解剖镜下观察, 记录并描述种子的形状、颜色、大小、百粒重等。
选取成熟的种子用酒精清洗, 分别黏于扫描电镜样品台的导电胶上, 在SBC-12型离子溅射仪中喷金2min后直接在KYKY-2800扫描电镜下观察并分别在50×、300×、500×和1000×下进行拍照。
2 结果与分析
2.1 野生大豆种子外观形态
无盐碱地、中度盐碱地、重盐碱地的野生大豆种子的形状都是椭圆, 百粒重相差不大, 不同生境种子的长、宽差异不是很大。
2.2 不同生境野生大豆种子的扫描电镜比较
2.2.1 种皮的比较
无盐碱环境下野生大豆的种子种皮初级雕纹都为纵条状网纹纹饰。呈蜂巢状, 种皮表面残留片状附着物, 网眼稍有凹陷, 网壁隆起不是很明显, 多数具有不很凸起的网脊, 网眼大小不均, 由不规则四边形或五边形组成, 多数呈长条状, 种皮上的发芽孔不是很明显较浅。
中度盐碱环境下生长的野生大豆种子种皮初级雕纹为近圆状网状纹饰, 种皮表面残留片状附着物, 颜色较深, 具有一定的方向性, 网眼凹陷较浅。背面网眼大小不很规则, 种皮上的发芽孔较明显较深。
重盐碱环境下生长的野生大豆种子种皮初级雕纹为长条和近圆状以及近椭圆状网纹纹饰。种皮表面残留片状附着物, 呈蜂窝状, 没有一定的方向性, 网胞异形, 网壁较宽, 网壁隆起很明显, 各网胞网脊连接处为下凹明显沟槽, 界限清晰, 种皮上的发芽孔很明显很深。
3种环境下种皮的表面结构都呈网状纹理蜂窝状, 种皮表面残留片状附着物, 种皮颜色深度为中度盐碱>重盐碱>无盐碱, 其中网格不均匀, 网胞明显, 网眼均凹陷, 网脊突出, 凹陷程度为重盐碱>无盐碱>中度盐碱:无盐碱野生大豆种子网眼较大, 由纵向长条状不规则的4边形或5边形组成, 中度盐碱及重盐碱的网眼较无盐碱小, 且2者网眼的大小相近、形状相似, 且由近规则的5边形或6边形组成, 中度盐碱表面比较平滑。种皮表面上的发芽孔明显程度为重盐碱>无盐碱>中度盐碱。
2.2.2 种脐的比较
无盐碱环境下野生大豆的种子种脐相比之下最小, 纹理脑状, 不具有一定的规则性, 从整体看出比较整齐, 种脐表面有裂缝, 有片状不规则的附着物, 种脐颜色较深;中度盐碱环境下生长的野生大豆种子种脐比较大, 纹理也呈脑状, 没有方向性, 排列不规则, 从整体观察更是杂乱无章, 种脐表面有裂缝, 有片状不规则的附着物, 但种脐颜色很深;重盐碱环境下生长的野生大豆种子种脐大小介于上述2者之间, 纹理也呈脑状, 纹理不具有一定的规则性, 排列不整齐, 种脐表面有裂缝, 有片状不规则的附着物, 种脐颜色较浅。
3种环境下种脐大小为中度盐碱>重盐碱>无盐碱, 种脐表面结构都呈脑状, 不同环境下种脐不具有方向性与规则性, 没有一定的方向性, 种脐表面都有裂缝, 有片状不规则的附着物, 种脐的颜色深度为中度盐碱>无盐碱>重盐碱。
2.2.3 脐冠的比较
无盐碱环境下野生大豆的种子脐冠大小没有超过种脐脐线, 形状近半圆状, 呈竖条状的条纹, 条纹较疏稀, 没有一定的规则性, 纹理纵向延伸, 纹与纹之间的距离不等, 较宽, 由纵向长条状的不规则的多边形组成为宽带状, 有的纹隆起, 有的不明显, 分布不均匀, 脐冠的颜色较浅;中度盐碱环境下生长的野生大豆种子种冠大小超过了种脐脐线, 形状呈凹凸不平的山峰状, 也呈竖条状纹饰, 条纹之间分布较密但是不均匀, 整体排列没有规则性但多数纵向排列, 纹与纹之间的距离较窄, 纵向长条状的不规则的组成为窄带状, 条纹隆起多数比较明显, 少数不是很明显, 脐冠的颜色很深;重盐碱环境下生长的野生大豆种子脐冠大小没有超过种脐脐线, 形状近长方形, 呈纵向条纹的宽带状, 条纹分布比较散不够紧密, 有的纹理隆起很明显, 少数不是很明显, 多数条纹呈纵向条状, 纹与纹之间连接多数为宽带状, 少数为窄带状, 分布不具有规则性, 脐冠的颜色较深。
3种环境下脐冠表面结构纹理都是条状, 都具有一定的方向性, 做纵向排列但是没有规则性, 纹与纹之间的距离宽窄不一, 中度盐碱的纹隆起比较明显, 而无盐碱与中度盐碱的纹隆起有的很明显, 有的较明显, 有的不明显, 中度盐碱环境下条纹分布较密, 而无盐碱与重盐碱环境下条纹分布比较疏稀, 3种环境下脐冠的颜色为中度盐碱>重盐碱>无盐碱。
3 结论与讨论
泸山赤腹松鼠的生境特征初探 篇5
1 研究地区概况
泸山位于四川省凉山彝族自治州西昌市邛海湖畔 (E102°18', N27°53') , 系螺髻山北支余脉, 面积约为46 km2, 主峰海拔为2 317 m。在地质构造上属于川东地台区, 受印度洋西南暖流的影响, 属亚热带高原季风气候区, 植被类型以川西南山地典型的亚热带常绿阔叶林为主, 林下草本以入侵植物紫茎泽兰为主, 泸山的光、热资源充足, 全年日照时间约为2 400 h, 但日照季节变化不明显, 这与泸山四季大多昼晴夜雨密切相关。泸山年平均温度为17.1℃, 1月份平均温度为9.5℃, 7月份平均温度为22.7℃, 极值最低温度为-1.7℃, 最高温度为33.8℃, 冬暖夏凉, 冬干夏湿, 年平均降水量约为1 000 mm[15]。
2 方法
2.1 取样方法
2012年12月份—2013年5月份, 笔者运用样方法对泸山赤腹松鼠的生境特征进行调查, 调查过程中根据调查地树木大小共设置了64个10 m×10 m样方, 根据参考文献[14, 16]测量的生态因子选定为植被类型、郁闭度、避风性、坡位、坡向、坡度、海拔、乔木密度、灌木密度、人为干扰距离、食物丰富度、水源距离等。各生态因子测量的定级标准如下:
1) 植被类型:依据样方所在地的植被类型, 分为针叶林、落叶阔叶林和针阔混交林等。
2) 避风性:依据样方所在地的避风情况, 将避风性划分为3级, 即差、一般、良好。
3) 郁闭度:即所在地的郁闭度, 划分为4级, 分为<20%, ≥20%~<45%, ≥45%~<75%, ≥75%。
4) 海拔:即所在地的海拔高度, 用全球定位系统 (GPS) 或海拔仪测量所得。
5) 坡向:根据样方所在地的坡向, 将整个样方划分为4级, 即≥45°~<135°为东坡, ≥135°~<225°为南坡, ≥225°~<315°为西坡, ≥315°~<45°为北坡, 用指南针进行测量。
6) 坡度:根据样方所在地的地貌景观, 可将坡度划分为<30°的平缓坡, ≥30°~<60°的斜坡和≥60°的陡坡, 用罗盘仪进行测定。
7) 坡位:根据样方所处的位置, 将坡位分成上坡位、中坡位、下坡位。
8) 乔木密度:指的是样方中乔木的平均数量 (株) 。
9) 灌木密度:指的是样方中灌木的平均数量 (株) 。
10) 水源距离:测量样方中离水源的最近距离, 用GPS和测距仪进行水源距离的测量。
11) 食物丰富度:根据样方所在地中的食物多少, 将食物的丰富度划分为3个等级, 即差、一般、丰富。
12) 人为干扰距离:被干扰的主要是景点施工、寺庙佛堂、爬山道路等人为干扰较为频繁的地区, 用GPS和测距仪测量样方到干扰源的直线距离。
2.2 数据的统计分析
对所调查收集到的数据进行初步整理并描述, 计算各生态因子在所调查的样方中出现的频次及所占百分比, 分析各样方组的重要生态因子差异情况, 运用主成分分析法分析各种生态因子的重要性。采用SPSS 11.5对数据进行处理。
3 结果与分析
3.1 泸山赤腹松鼠的生境特征数据 (结果见表1)
由表1可知, 本地区的赤腹松鼠选择乔木密度平均棵数为17.406株, 灌木密度平均棵数为57.672株, 人为干扰距离为13.969 m, 无明显影响, 水源距离较远为313.813 m。
3.2 泸山赤腹松鼠生境特征中各生态因子的分布频次 (结果见表2)
由表2可知, 泸山赤腹松鼠生境的主要特征为植被类型多为针阔混交林, 郁闭度良好, 避风性较差, 坡向以北坡和东坡为主, 上坡位, 坡度为30°~60°, 海拔<1 750 m, 乔木密度为10~30株, 灌木密度为<50株, 人为干扰的距离<10 m, 食物丰富度一般, 水源距离>300 m。
3.3 生境特征的主成分分析 (结果见表3)
由表3可知, 前4个主成分特征值均大于1, 这4个主成分的累计贡献率达到了68.369%, 说明前面4个主成分基本包括了这12个生态因子所具有的基本信息, 因此取前4个主成分进行分析。
主成分分析结果表明, 第1个主成分特征值为4.055, 贡献率为33.796%。经过转置矩阵分析发现, 在这个主成分中载荷系数绝对值比较大的有植被类型、坡位、海拔、灌木密度、食物丰富度和水源距离。由于泸山的中低海拔区域以阔叶林、针阔混交林为主, 灌木密度较低, 景点周围水源丰富, 旅游活动中游客投喂给景区观赏动物———猕猴的食物较多, 因此赤腹松鼠的食物资源比较丰富。这6个变量反映了泸山赤腹松鼠对生境内食物、水源的选择。上述6种生境为赤腹松鼠提供了良好的食物和水源条件, 因此将泸山赤腹松鼠生境选择的关键因子命名为食物因子。
第2个主成分特征值为1.559, 贡献率为12.995%。在这个主成分分析中载荷系数绝对值较大的有郁闭度、避风性和乔木密度。较好的郁闭度和避风性条件以及适当的乔木密度为赤腹松鼠逃避天敌、躲避不良刺激提供了良好的隐蔽条件。因此, 这3个变量反映了泸山赤腹松鼠在生境隐蔽性方面作出的选择, 因此将第2个主成分命名为隐蔽因子。
第3个主成分特征值为1.394, 贡献率为11.620%。在这个主成分分析中, 坡度和人为干扰距离载荷系数的绝对值占得比重较大, 坡度和人为干扰距离反映的是泸山赤腹松鼠生境选择中受到自然和人为干扰的影响而作出的有利于自身安全的选择, 因此将第3个主成分命名为干扰因子。
第4个主成分特征值为1.195, 贡献率为9.958%。在这个主成分中, 坡向的载荷系数特征值比较大, 坡向作为地理性因素影响动物的生境选择, 因此将第4个主成分命名为地理性因子。
由此确定泸山赤腹松鼠生境特征的次要因子分别为郁闭度、避风性、乔木密度、坡度、人为干扰距离、坡向, 并将泸山赤腹松鼠生境特征的次要因子分别命名为隐蔽因子、干扰因子和地理性因子。
4 讨论
影响动物生境选择的因素是复杂多样的, 除了动物本身的特性外, 还包括直接或间接影响动物生存和繁殖的多种环境因素, 如食物条件、隐蔽场所以及竞争和捕食等因素[13,14,17]。关于这些因素对生境选择重要性的测定是复杂的, 在大多数情况下往往是难以测定的, 对某种动物来说某个生态因子是影响其生境选择的主要因子或次要因子是相对的, 因为随着环境条件的改变, 主要因子和次要因子会相互转化, 甚至原来并不重要的因子会变得很重要[17]。
食物因子是影响动物生境选择的重要因素[18]。研究表明, 食物因子对泸山赤腹松鼠的生境选择具有重要影响, 是其生境选择的关键因子, 包括植被类型、食物丰富度和水源距离等, 这与前人的研究结果有所不同。原宝东[13,14]研究人为干扰剧烈、食物资源较为丰富的宜州市龙江河畔的赤腹松鼠春季生境选择时发现, 春季赤腹松鼠偏好选择郁闭度高、向阳、食物充足、坡度适中的生境, 其关键因子是隐蔽性因子。研究虽然选在景区;但在以人工云南松纯林为主的生境条件下, 食物资源相对较为匮乏, 导致食物因子成为赤腹松鼠生境选择的关键因子。调查发现, 泸山赤腹松鼠的主要食物为云南松、麻栎、冷杉等植物的叶、果实、种子等, 这与前人的研究结果相似[3,10], 次要食物为游客投喂的玉米、花生等。食物因子作为影响生境选择的重要因素, 影响着泸山赤腹松鼠的生境选择, 对赤腹松鼠具有很大的作用。
赤腹松鼠的繁殖期、危害期均集中在每年春季的3—5月份, 4月份最重[4]。据报道, 繁殖期内雄性领域面积大于雌性, 这与其提高遇见雌性松鼠的机率, 从而增加与雌性的交配数量有关[8], 本研究过程中也有类似发现。赤腹松鼠在春、夏、秋季较活跃, 每天以6:00—9:00及16:30—19:30时较为活跃[2], 这与此次调查结果相同。从泸山赤腹松鼠生境生态因子分布频次可以看出, 赤腹松鼠选择郁闭度较高, 避风性较差及上坡位的生境, 这与温知新等[12]的研究结果相似。主成分分析结果表明, 郁闭度、避风性和乔木密度反映了泸山赤腹松鼠在生境的隐蔽性方面作出的选择, 郁闭度高意味着该地区乔木生长良好, 种子、果实较多。乔木密度高, 则食物的丰富度较高, 隐蔽程度高[16]。避风性差可以促进空气流通, 使其更容易发现敌害, 因此将其次要影响因子定义为隐蔽因子。
研究表明, 泸山赤腹松鼠高度适应人为干扰, 其干扰距离较小, 大多为<10 m, 笔者曾观察到沪山赤腹松鼠在游客的脚下捡拾游客投喂的食物, 这与原宝东[13,14]的研究结果相同, 而与门兴元等[9]的研究结果不同。泸山作为邛泸风景区的一部分, 因其儒道佛三教合一的宗教特色、彝族特色的文化氛围、良好的植被条件以及可爱的猕猴吸引着大量的游客。旅游活动的开展对沪山赤腹松鼠的分布有重要影响, 也影响了沪山赤腹松鼠的生境选择机制, 导致干扰因子成为沪山赤腹松鼠生境选择的第三影响因子。
主成分分析结果显示, 坡向作为地理性影响因素是泸山赤腹松鼠生境选择的第四影响因子。泸山各林分类型下的林下植物以入侵植物紫茎泽兰为主, 而紫茎泽兰的生长对沪山赤腹松鼠的地面活动造成一定影响。调查结果表明, 泸山的各山脉西坡和南坡紫茎泽兰生长比北坡和东坡茂盛, 因此从生境生态因子分布频次可以看出, 泸山赤腹松鼠对东坡和北坡有选择偏好, 这与温知新等[12]的研究结果相似。
随着旅游活动的开展和生态保护力度的加强, 泸山适宜赤腹松鼠生长和繁殖的食物、隐蔽等生态因子将会日趋丰富, 在天敌较为缺乏的情况下种群数量势必会快速增长。目前, 各地常用防治森林鼠害的方法 (如营林、生物、物理、化学等防治措施和方法[2]) 来应对赤腹松鼠对林木的危害。因此, 通过对泸山赤腹松鼠生境特征的调查, 可以掌握影响赤腹松鼠生境选择的关键因子, 继而可以通过抚育间伐等措施破坏赤腹松鼠的食物条件、栖息和繁殖环境而进行人为干预以控制种群数量增长。
摘要：为了解泸山赤腹松鼠的生境特征并为危害控制提供理论数据, 笔者于2012年11月份—2013年5月份在四川西昌泸山对赤腹松鼠生境中64个10 m×10 m样方中的12个生境特征进行调查, 采用频次分析和主成分分析对泸山赤腹松鼠的生境特征选择进行初步分析。结果表明:赤腹松鼠偏好的生境特征为:1) 食物因子。植被类型多为针阔混交林, 上坡位, 海拔<1 750 m, 灌木密度<50株, 食物丰富度一般, 水源距离>300 m。2) 隐蔽因子。郁闭度良好, 避风性较差, 乔木密度为1030株。3) 干扰因子。人为干扰距离<10 m, 坡度为30°60°。4) 地理因子。坡向以东坡和北坡为主。