粒子群优化算法12.doc

洪哥出品 1 群体智能概述 1.1 群体智能的概念与特点 群体智能的概念源于对蜜蜂、蚂蚁、大雁等这类群居生物群体行为的观察和研究，是一种在自然界生物群体所表现出的智能现象启发下提出的人工智能实现模式，是对简单生物群体的智能涌现现象的具体模式研究。群体智能指的是简单智能的主体通过合作表现出复杂智能行为的特性。该种智能模式需要以相当数目的智能体来实现对某类问题的求解功能。作为智能个体本身，在没有得到智能群体的总体信息反馈时，它在解空间中的行进方式是没有规律的。只有受到整个智能群体在解空间中行进效果的影响之后，智能个体在解空间中才能表现出具有合理寻优特征的行进模式。自然界中动物、昆虫常以集体的力量进行觅食生存，在这些群落中单个个体所表现的行为是简单缺乏智能的，且各个个体之间的行为是遵循相同规则的，但由个体组成的群体则表现出了一种有效的复杂的智能行为。群体智能可以在适当的进化机制引导下通过个体交互以某种突现形式发挥作用，这是个体的智能难以做到的。 通常，群体智能是指一种人工智能模式，体现的是一种总体的智能特性。人工智能主要有两种研究范式，即符号主义和联接主义。符号主义采用知识表达和逻辑符号系统来模拟人类的智能。联接主义则从大脑和神经系统的生理背景出发来模拟它们的工作机理和学习方式。符号主义试图对智能进行宏观研究，而联接主义则是一种微观意义上的探索。20世纪90年代后，计算智能的研究逐渐成为了联接主义人工智能的一个代表性流派。计算智能系统是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上，通过相互之间的有机融合而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。神经网络反映大脑思维的高层次结构；模糊系统模仿低层次的大脑结构；进化系统则是从生物种群的群体角度研究智能产生和进化过程。对群居性生物群体行为涌现的群体智能的研究是进化系统的一个新兴研究领域。 群体智能中，最小智能但自治的个体利用个体与个体和个体与环境的交互作用实现完全分布式控制，其具有以下特点： 自组织。自组织是一种动态机制，由底层单元(部件)的交互而呈现出系统的全局性的结构。交互的规则仅依赖于局部信息，而不依赖于全局的模式。自组织并不是外部的影响施加给系统而体现的一种性质，而是系统自身涌现出的一种性质。系统中没有一个中心控制模块，也不存在一个部分控制另一部分。正反馈（positive feedback）群体中的每个具有简单能力的个体表现出某种行为，会遵循已有的结构或者信息指引自己的行动，并且释放自身的信息素，这种不断的反馈能够使得某种行为加强。尽管一开始都是一些随机的行为，大量个体遵循正反馈的结果是呈现出一种结构。自然界通过系统的自组织来解决问题。理解了大自然中如何使生物系统自组织，就可以模仿这种策略使系统自组织。 自恢复。群体是由很多的个体组成的，不存在中央控制，几乎每一个个体都在群体中享有同样重要的地位。群体中单个个体的状态，不会直接影响到整个群体。这个特点在自然界生物原型中体现得非常明显：在蚂蚁群体中，单个蚂蚁意外死亡不会影响整个群体的觅食；在鸟群的飞行过程中，一只鸟出现意外，整个鸟群在经过短暂的惊慌之后，仍然会恢复整齐有序的飞行；人体皮肤受创后，表皮细胞能记忆受创前的皮肤特征，并生成新的表皮细胞，重构出原来的形状和颜色。由此可见，群体在此过程中具有自我恢复的能力。当然，群体的恢复也是有限度的，当其数量减少到一定的程度，就会失去恢复能力。群体的这种特性，在网络、军事、医学等领域都有广阔的应用前景。 间接通信。群体系统中个体之间如何进行交互是个关键问题。个体之间有直接的交流，如触角的碰触、食物的交换、视觉接触等，但个体之间的间接接触更为微妙，群体中个体传递信息，通常都是通过改变局部环境来实现，其他个体通过感知环境变化，也就获得了相应的信息。已有研究者用Stigmergy来描述这种间接通信机制：也就是个体感知环境，对此作出反应，又作用于环境。Grasse首先引入Stigmergy来解释白蚁筑巢中的任务协调。Stigmergy在宏观上提供了一种将个体行为和群体行为联系起来的机制。个体行为影响着环境，又因此而影响着其他个体的行为。个体之间通过作用于环境并对环境的变化作出反应来进行合作。这在蚂蚁觅食的过程中表现得非常明显：先行的蚂蚁在路上留下一种信息素，后面的蚂蚁选择信息素浓度更高的路径，由此形成一种信息正反馈机制，通过不断重复，最终绝大多数蚂蚁走的都是最短的路线。对于习惯了直接通信的人类来说，生物种群的这种行为特点，不能不说是一种启发。从蚂蚁寻食到蚂蚁聚集尸体到蚂蚁搬运、筑巢，个体之间的通信机制总是离不开Stigmergy机制，对于作为个体之间交流、交互的媒介—环境的作用，通常由各种各样的信息素来体现。 学习。学习的目的在于适应和优化。适应是为了