人工智能通识教程 第2版 课件 第13、14章 群体智能、 自动规划.pptx

;;;;对群体智能（又称群集智能）的研究源于对蚂蚁、蜜蜂等社会性昆虫群体行为的研究，最早被用在细胞机器人系统的描述中。群体具有自组织性，它的控制是分布式的，不存在中心控制。

群体智能的算法主要有智能蚁群算法和粒子群算法。智能蚁群算法包括蚁群优化算法、蚁群聚类算法和多机器人协同合作系统。蚁群优化算法和粒子群优化算法在求解实际问题时应用最为广泛。;PART01;蜜蜂是自然界中被研究的时间最长的群体智能动物之一。蜜蜂在进化过程中首先形成了大脑以处理信息，但是在某种程度上它们的大脑不能太大，这大概因为它们是飞行动物，脑袋小能够减轻飞行负担。事实上，蜜蜂的大脑比一粒沙子还要小，其中只有不到一百万个神

经元。相比之下，人类大约有850亿个神经元。

不管你有多聪明，把它除以85000，这就是一

只蜜蜂的智慧。;所以，一只蜜蜂是一个非常非常简单的有机体，但它们也有非常困难的问题需要解决，这也是关于蜜蜂被研究最多的一个问题——选择筑巢地点。通常一个蜂巢内有1万只蜜蜂，并且随着蜜蜂数量的壮大，它们每年都需要一个新家。它们的筑巢地点可能是空树干里面的一个洞，也可能在建筑物某一侧。因此，蜜蜂群体需要找到合适的筑巢地点。这听起来好像很简单，但对于蜜蜂来说，这是一个关乎蜂群生死的决定。它们选择的筑巢地点越好，对物种生存就会越有利。;为了解决这个问题，蜜蜂形成了蜂群思维，或者说群体智能，而第一步就是它们需要关于周围世界的信息。因此，蜂群会先派出数百只侦察蜜蜂到外面约78平方千米的地方进行有哪些信誉好的足球投注网站，寻找它们

可以筑巢的潜在地点，这是数据收集阶段。

图13-5一群蜜蜂聚集在一棵树上，

侦察蜂外出寻找新巢址;然后，这些侦察蜜蜂把信息带回蜂群，接下来，就是最困难的部分：它们要做出决定，在找到的几十个潜在地点中挑选出最好的。蜜蜂们非常挑剔，它们需要找到一个能满足一系列条件的新住所。新房子必须足够大，可以储存冬天所需的蜂蜜；通风要足够好，这样在夏天能保持凉爽；需要能够隔热，以便在寒冷的夜晚保持温暖；需要保护蜜蜂不受雨水的影响，但也需要有充足水源。当然，还需要有良好的地理位置，接近好的花粉来源。;这是一个复杂多变量问题。事实上，研究这些数据的人会发现，人类寻找这个多变量优化问题的最佳解决方案都是非常困难的。换成类似具有挑战性的人类的问题，比如为新工厂选取厂址，或者为开设新店选取完美的店址，或者定义新产品的完美特性，这些问题都很难找到一个十全十美的解决方案。然而，生物学家的研究表明，蜜蜂常常能够从所有可用的选项中选出最佳的解决方案，或者选择第二好的解决方案。这是很了不起的。事实上，通过群体智能一起工作，蜜蜂能够作出一个优化的决定，而比蜜蜂大脑强大85000倍的人脑，却很难做到这一点。;那么蜜蜂们是怎么做到的呢？它们形成了一个实时系统，在这个系统中，它们可以一起处理数据，并在最优解上汇聚在一起。这是大自然的造化，蜜蜂想出了绝妙的办法，它们通过振动身体来处理数据，实现这一过程，生物学家把这叫做“摇摆舞”。生物学家刚开始研究蜂巢的时候，他们看到这些蜜蜂在做一些看起来像是在跳舞的事情，它们振动自己的身体，这些振动所产生的信号代表它们是否支持某个特定的筑巢地点。成百上千的蜜蜂同时振动它们的身体时，基本上就是一个多维的选择问题。;它们揣度每个决定，探索所有不同的选择，直到在某个解决方案中能够达成一致，而这几乎总是最优或者次优的解决方案，并且能够解决单个大脑无法解决的问题。这是关于群体智能最著名的例子，我们也看到同样的过程发生在鸟群或者鱼群中，它们的群体智能大于个体。;利用这一方式，我们来考虑一大群游客在曼哈顿找一家优质酒店。假设大部分游客都年老体弱，无法长途行走。首先，在中央公园的演奏台建立一个临时基地，接着，派出体力最好的成员到处巡查，随后他们回到演奏台并互相比较笔记。听到有更好的酒店选择时，他们再次前往实地考察。最后，大家达成共识，所有人再集体前往目标酒店办理入住。;曼哈顿的街道有两种命名方式，街常为东西走向，而道常为南北走向，所以侦察兵回来的时候，只需要说明该酒店最接近哪条街哪条道，大家就可以明白。任何时间，侦察兵的定位都可以用两个数字来表示：街和大道。如果用数学语言表示，就是X和Y。假如需要的话，我们还可以在演奏台准备一张坐标纸，追踪每一个侦察兵的行走路线，以此定位酒店位置。侦察兵在曼哈顿街道上寻找最佳酒店就如同在XY坐标轴上寻找最优值一样。;所谓集群机器人或者人工蜂群智能，就是让许多简单的物理机器人协作。就像昆虫群体一样，机器人会根据集群行为行动，它们会在环境中导航，与其他机器人沟通。

与分散机器人系统不同，集群机器人会用到大量的机器人个体，它是一个灵活的系统。拉迪卡·纳