精华内容
下载资源
问答
  • 群体智能
    2021-05-11 18:58:37

    群体智能

    1.概念:

    群体智能是指在集体层面表现的分散的,去中心化的自组织的行为。

    比如蚁群,封群构成的复杂的社会系统,鸟群,鱼群等

    群体智能不是简单的多个体的集合,而是超越个体行为的一种更高级表现,这种从个体行为到群体行为的演变过程往往极其复杂,以至于无法预测

    新一代人工智能发展规划 了四个方面的研究任务 :

    1. 群体智能激励机制与涌现机理
    2. 群体智能的结构理论与组织方法
    3. 群体智能通用计算范式与模型
    4. 群体智能学习理论与方法

    蚂蚁寻食过程:

    每只蚂蚁只遵循两条基本的规则:

    • 寻找到食物的蚂蚁会在更高品质的路线上留下更强的生物信息素
    • 蚂蚁总是倾向加入信息素更强的路线,并在不断的往返过程中与其他蚂蚁进行反馈,从而让更短的路线被不断加强

    使用樟脑丸在蚂蚁经过的路线上涂抹会导致蚂蚁迷路,干扰了蚂蚁对信息素的识别。

    科学家们从蚁群依赖信息获取最优路径的方法上获得启发,创建了AOC算法(Ant colony optimization),即蚁群优化算法,广泛应用于车辆、店铺、人员等各种资源的调度和分配中。

    鱼群算法:把一直鱼分离出来,这只鱼就会变得情绪激动,紧张,群体游行不仅可以更有效利用水动力减少成员个体消耗,而且更有利于觅食和生殖,以及躲避捕食者的猎杀。

    鱼群中的绝大多数成员都不知道自己正在游向哪里。鱼群使用共识决策机制,个体的决策会不断地参照周边个体的行为进行调整,从而形成集体方向。

    蜂群算法

    最优化算法:求解问题的最优解

    启发式算法:基于直观或经验构造的算法。

    模仿蜜蜂行为提出的优化算法。

    不需要了解问题的特殊信息,只需要对问题进行优劣的比较,通过各人工蜂群个体的局部寻优行为,最终在群体中使全局最优值凸显出来。

    蜂群转换

    人工蜂群算法:模拟蜂蜜采蜜过程

    食物源,雇佣蜂,非雇佣蜂三部分组成。

    食物源的好坏是用蜜源花蜜量的大小衡量。

    术语介绍

    蜜源:蜂群算法需要求解的基本对象

    蜜蜂采蜜行为具体问题
    蜜源位置具体问题的可行解
    蜜源的丰富程度可行解的质量
    寻找和采集蜜源的速度求解的速度
    最大适应度的蜜源问题的最优解

    雇佣蜂(引领蜂):与食物源的位置相对应(有多少个蜜源就有多少个引领蜂)。引领蜂有记忆功能,将自己搜索到的蜜源进行信息存储,引领蜂的任务是发现食物源信息并以一定的概率与跟随蜂分享。食物源枯竭之后转变为侦查蜂。

    非雇佣蜂:包括跟随蜂,侦查蜂。跟随蜂在蜂巢的招募区内根据引领蜂提供的蜜蜂源信息来选择食物源,

    侦查蜂:找不到新的蜜源,自己去找

    跟随蜂:跟随引领蜂,跟随蜂的数量=引领蜂的数量,也可能在引领蜂周围找,在邻域内寻找解

    跟随蜂根据引领蜂传递的信息,在食物源附近搜索新的食物源,并进行贪婪选择。若一个食物源在经过数次后仍然为更新,则引领蜂变成侦查蜂。侦查蜂寻找新的食物源来代替原拉的食物源。

    采蜜机制

    蜜蜂之间的信息交流环节。舞蹈区是蜂巢中最重要的信息交换地。

    采蜜蜂在舞蹈区通过跳舞与其他蜜蜂共享食物信息,

    观察蜂通过采蜜蜂跳的舞来获得食物源信息,进行比较来选择到哪个食物源采蜜。因此,蜜蜂被招募到某个食物源的概率与食物源的受益率成正比。

    蜜蜂采蜜过程

    初始时刻,蜜蜂以侦查蜂身份进行搜索,搜索根据自己的先验知识决定,也可以完全随机的搜索。

    蜜蜂有两种选择”

    1. 变成侦查蜂,由于一些内部动机,或可能的外部环境自发的在蜂巢附近寻找食物源。
    2. 或者受之前的舞蹈影响,被招募到某个食物源,变成跟随蜂,开始采集食物。

    侦查完一轮之后,若找到食物源,蜜蜂利用自己本身的存储能力记录位置信息,开始采蜜。此时蜜蜂称为“引领蜂”,蜜蜂采蜜完之后,回到蜂巢有以下选择:

    1. 放弃食物源成为非雇佣蜂。
    2. 跳舞为对应的食物源招募更多的蜜蜂,然后回到食物源采蜜。
    3. 继续在同一个食物源采蜜而不进行招募。

    非雇佣蜂(侦查蜂,跟随蜂)有以下的选择:

    1. 转变成侦查蜂搜索蜂巢附近的食物源
    2. 在观察蜂跳完舞之后成为跟随蜂,开始搜索对应食物源领域,并进行采蜜。

    蜜蜂在采蜜时表现出的基本性质:

    • 正反馈性:食物源的花蜜量与食物源被选择的可能性成正比。
    • 负反馈性:蜜蜂停止对较差食物源的开采过程。
    • 波动性:在某个食物源被放弃时,随机搜索一个食物源代替原食物源。
    • 互动性:蜜蜂在舞蹈区与其他蜜蜂共享食物源的相关信息。

    其目标是为了寻找最大的食物源

    采蜜蜂利用蜜源信息寻找新的蜜源,与观察蜂分享蜜源信息,观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源,侦查蜂的任务是寻找一个新的有价值的蜜源,在蜂房附近随机的寻找蜜源。

    如果蜜源多次更新没有改进(蜜源有开采的次数),则放弃该蜜源,,雇佣蜂转变为侦查蜂进行随机搜索新蜜源。转变为采蜜蜂。

    img

    ​ 图 转换过程

    鱼群算法

    定义

    在一片水域中,鱼往往能自行或尾随其他鱼找到营养物质多的地方,因而鱼生存数目最多的地方一般就是这片水域中营养物质最丰富的地方。

    典型行为:

    1. 觅食行为:一般情况下,鱼在水中随机地自由游动,当发现食物时,则会向食物逐渐增多的方向快速游去。
    2. 聚群行为:鱼在游动的过程中会为了保证自身的生存和躲避危害会自然的聚集成群。鱼群聚集成群时有三条规则:
      1. 分隔规则:尽量避免与邻近伙伴过于拥挤;
      2. 对准规则:尽量与邻近伙伴的平均方向一致;
      3. 内聚规则:尽量朝邻近伙伴的中心移动。
    3. 追尾行为:当鱼群中的一条或几条鱼发现食物时,其邻近的伙伴会尾随其快速到达食物点。
    4. 随机行为:单独的鱼在水中通常都是随机移动,这是为了更大范围地寻找食物或身边的伙伴。

    算法具体过程

    1.人工鱼群算法实现步骤:

    与其他算法区别

    ABC算法独有的角色转换。

    蜂群算法中观察蜂才是解,粒子群中所有粒子都是可行解。

    粒子群算法与蚁群算法区别:

    粒子群所有粒子都是解空间中的可行解,蚁群算法的解是所有蚂蚁走过之后的解。

    更多相关内容
  • 有关于群体智能和智能算法有着较为详细的介绍,是不错的实践与理论并重的书籍
  • CI主要包括模糊系统(Fuzzy Systems,FS)、神经网络(Neural Networks,NN)、群体智能(Swarm Intelligence,SI)和进化计算(Evolutionary Computation,EC)。计算智能技术具有强大、高效、灵活、可靠等诸多优点...
  • 群体智能优化算法.pdf

    2022-04-18 14:57:32
    群体智能优化算法
  • 计算群体智能基础

    2018-01-09 09:50:45
    《计算群体智能基础》全面系统地介绍了计算群体智能中的粒子群优化(PSO)和蚁群优化(ACO)的基本概念、基本模型、理论分析及其应用。在简要介绍基本优化理论和总结各类优化问题之后,重点介绍了社会网络结构如何在个体...
  • 通常元启发式优化算法是基于群体智能的算法,这些算法通常被称为智能算法.此文综述一些广泛应用的优化算法,包括蚁群算法、蜜蜂算法、蝙蝠算法、布谷鸟搜索、萤火虫算法和粒子群优化.同时,还讨论启发式算法中具有...
  • 社团结构分析是复杂网络研究的一项重要内容,基于群体智能思想提出了一种自组织的重叠社团结构分析算法SO2CSA2。把网络视为一个群体,网络节点是其中的一个个具有简单智能的个体,每个个体依据定义的社团连接分数...
  • 利用群体智能和多主体系统具有的自组织性、健壮性、可扩展性和简单性等优点,给出了一种新型的优化聚类算法。在三维空间搭建主体运行环境,丰富主体的记忆、通信以及信息协调能力,增强主体的分析和判断能力。实验...
  • 人工智能新时代的群体智能 作者:李未 来源:《中国信息化周报》2017年第36期 《新一代人工智能发展规划》(以下简称规划)明确提出群体智能的研究方向, 对于推动新一代人工智能发展意义重大。当前,以互联网和移动...
  • 群体智能.ppt

    2019-06-26 14:40:15
    优化算法 遗传算法 粒子群 简单介绍
  • 梅宏院士:如何构造人工群体智能

    千次阅读 2022-04-23 00:05:39
    本文内容由数据派THU 整理自梅宏院士在清华软件论坛上所做的专题报告一、群体智能研究现状群体智能是科学家长期关注和研究的一种自然现象。在很多低等社会性生物群体中可以观察到,群体中的单一个体不具有智能,或仅...

    56ab1c81cf532cd4f27752e5917f434c.png

    11ea7ee40c8a7c9db40ebb99d0b63755.png

    本文内容由数据派THU 整理自梅宏院士在清华软件论坛上所做的专题报告

    一、群体智能研究现状

    群体智能是科学家长期关注和研究的一种自然现象。在很多低等社会性生物群体中可以观察到,群体中的单一个体不具有智能,或仅有非常有限的智能,由这些个体构成的群体却展现出远超个体能力的智能行为。这种在低等社会性生物群体层面上展现出的智能,通常被称为群体智能(Swarm Intelligence)

    019d000c781df220dcf539d034a45e51.png

    1.1 人类社会中的群体智能现象

    • 草地上的小路:即使没有人进行全局的规划或指挥,草坪上也会自发地涌现一条或几条条弯弯曲曲的小路。

    • 《乌合之众》(古斯塔夫·勒庞):这本书也是一种群体现象,如果受到有效的激励和鼓动,群体会展现出惊人的破坏力,因为这种激发,个体在里面失去了很多东西。

    • 三个臭皮匠顶个诸葛亮:几个智力平平的人团结在一起也有可能做出很高质量的决策。

    • 市场经济:好像存在一只“看不见的手”,对大规模市场资源进行有效配置。

    人类社会的不断发展和演化也可以被认为是一种群体智能现象,绝大多数文明成果都是人类个体在长期群体化、社会化的生产和生活中逐渐演化形成的产物。

    1.2 人类群体智能受到越来越多的关注

    Science 2010年的一篇学术论文用定量的方式观察到物理空间中2~4人小群体在协同求解问题时群体智能现象的存在,题目中的“Collective Intelligence”指的就是高等生物。

    8a9a858e9f7b35dd163c4c65613649f2.png

    对个体智能的定义和系统性度量问题,心理学家已经给出了有效的统计方法。论文将个体智能的统计度量方法应用于群体智能的度量,得到了类似于个体智能的一种度量指标“c factor”。在物理空间2~4人的群体任务求解中,观察到如下现象:群体智能弱相关于个体平均/最高智能,但强相关于个体平均社会。

    敏感度、个体对话平等度、以及群体中女性比例等三个因素。在一定程度上印证了“三个臭皮匠,顶过一个诸葛亮”。

    eb8b9f6596ac737f3ece0854b2b57aef.png

    Science在2005年发布了125个科学开放问题,其中第16题是关于人类合作行为如何发展演化。

    在2021年,Science和上海交通大学合作,再次提出125个问题,其中明确提出了群体智能如何涌现形成?

    1.3 群体智能研究现状小结

    0bb9b464f148376ce159881491e74102.png

    为什么利用现象规律构造人类群体智能系统的实践很少?

    • 原因一:对群体智能的形成机理缺乏充分理解。对群体智能的理解和应用仍然处于必然王国的阶段;无法确保求解特定问题时群体智能的可控重复发生。

    • 原因二:物理空间阻碍了人类群体智能的形成。在物理空间中聚集一个大规模的人类群体成本太高;人类群体无法在局部物理空间长时间同步高效工作。

    二、网络空间人类群体智能

    2.1 互联网带来了新的可能性

    互联网的出现为人类群体的跨时空大规模协同提供了可能,网络空间中的人群不再受到地域和时间的限制,更大规模的人类群体可以在网络空间中进行更加方便灵活的显式或隐式交互。互联网技术的不断发展,促进了网络空间人类群体智能系统的探索和成功实践。

    2.2 网络空间人类群体智能 典型案例

    9a4c422f06253131ce69d89c041e32f9.png

    d50a1a937ce2575e8d86bda94ed3b902.png

    8273156322ea0eadc37f03a5e3473d3c.png

    2.3 网络空间人类群体智能 现状小结

    • 现有实践本质上是对互联网跨时空汇聚能力的利用:针对特定问题精心设计的群体力量利用方案;对于群智规律和机理的认识与探讨较为缺乏。

    • 形成的网络空间群智现象仍然处于相对初级的阶段:距离理想形态的群智现象差距较大;无法确保群智现象的可控重复发生。

    • 与物理空间群智机理探索的研究工作缺少结合:网络空间关注利用“群智”“群力”的实践;物理空间关注低等生物群智现象的观察解释;鲜有结合二者的努力。

    三、北京大学团队的研究与实践进展

    3.1 研究问题

    • 群体智能的形成机理是什么?

    • 群体智能能否成为求解问题的基本方法之一?

    • 如何构造求解特定问题的人类群体智能系统?

    • 群体智能的能力边界在哪里?

    3.2 对群体智能的定位与理解

    3.2.1 基本认识

    理想形态的群体智能展现出两种基本性质:

      • 智能放大效应:对个体智能进行有效放大;

      • 规模可扩展性:数量庞大的个体参与其中;

    在本质上,群体智能来源于自主个体之间的大规模有效协同:

      • 学视角:量变产生质变;

      • 复杂系统视角:涌现、自组织。

    3.2.2 如何定位和理解群体智能?

    群体智能是什么?我们的理解是利用群体的力量来求解复杂问题的方式,而这个复杂问题仅依靠单一个体无法求解。

    群体智能两个特征:1+1>2;群体协同规模的可扩展性。

    3.2.3 微观群体智能两种基本原理

    6dfb00f06253116d381852f57fc914ff.png

    微观群体智能两种基本原理:

    情况在问题可分解的情况下,不同个体之间进行分工合作。把一个问题分成P1、P2,张三李四求解能力不同,解决P1、P2的时间不同,如果张三求解P1表示擅长,1t时间完成,求解P2表示不擅长,10t时间完成,总共加起来11t。同理李四,如果分工合作,总耗时仅为2t ,这就是一种可分解的局面。

    情况二具有关联性的不同信息片段融合后自然形成的信息增加。以拼图为例,张三李四的片段合起来形成一个更大的片段,它带来的含量信息含量是1+1>2的结果。

    3.2.4 宏观群体智能

    从宏观层面来看,群体智能是由大量持续出现的微观层次的群体智能现象复合形成的现象。如凯文·凯利在《失控:全人类的最终命运和结局》中提到:“一种由无数默默无闻的零件,通过永不停歇的工作,而形成的缓慢而宽广的创造力”,这是群体智能涌现的过程。

    3.2.5 宏观群体智能基本原理

    把群体智能进行分解,实际上包含三件事情:

      • 第一是探索,群体中的每一个体自主地对当前问题进行探索得到该问题的信息。

      • 第二是融合,所有个体探索到的信息通过某种方式被融合。

      • 第三是反馈,融合活动产生的群体信息通过某种方式反馈给个体刺激个体进行持续地探索。

    3.2.6 物理空间利用群体智能的可行性?

    目前,利用群智机理让人类群体在物理空间中求解工程问题还不具有一般意义上的可行性。

    表面原因:

      • 第一,过程和结果不可控;

      • 第二,时间跨度大。

    深层原因:

      • 第一,找不到足够多的参与者:在物理空间中召集一个群体的成本太高;长时间将一群人限定在一个物理空间中,工作效率会越来越低。

      • 第二,信息传播的速度太慢:物理空间中的信息传播存在限制。

      • 第三,信息融合依赖于重要人物:这样的重要人物很少。

      • 第四,被动式的信息反馈:信息不会主动反馈回来;需要主动去获取信息。

    当网络空间出现之前,除人类文明这种宏观层次的人类群体智能现象,很难观察到其他宏观层次的人类群体智能现象。

    3.2.7 互联网带来的可行性

    互联网直接消除了四条深层原因中的前两条,足够多的参与者没有时空的约束,传播速度极快,在网络空间,各种人类群体智能现象持续涌现。

    3.2.8 进一步还能做什么?

    自发涌现的网络空间群体智能现象大多仅消除了深层原因1和2,基本没有触及深层原因3和4。以消除深层原因3和4为目标可以设想出一种理想形态的群体智能。

    bd60e9bf017ee9c60dc86e181197193e.png

    当前形态是什么呢?探索在某种意义上有些功利性,融合是手工,反馈是被动的。如果我们自由探索,把融合变成自动的,然后根据个体能力和特性,进行有针对性的反馈,这样一来效率就更高。

    3.3 群体智能的构造性模型

    环境激发效应对群体智能现象的形成提供了一种事后解释性模型,在这一概念的基础上,我们主要关注如何构造求解特定问题群体智能系统。

    545ef09499b4047abbaf042a55121496.png

    群体智能的构造性模型EIFL,由三个环进行信息激发、融合和反馈。个体探索之后形成片段,融合之后反馈回来,通过多轮迭代形成一个解决方案。

    3.3.1 群体智能系统的分类维度

    由分类框架得到群体构成的三种分类维度:

    aa3571746e4f27715c448bee3357c8ae.png

    • 第一个分类维度:由自然生命体构成的群体(蚁群、人群);

    • 第二个分类维度:由人造智能体构成的群体(机器人群体);

    • 第三个分类维度:混合群体(人-机混合、低等生物-机混合)。

    实践一:利用EIFL模型观察已经存在的群体智能系统

    b10a41406130796bb18f7e71dc8a6b20.png

    13945ac539a2a8755128de218e52dd8a.png

    067e911ed3d4722ff697f155d95ca788.png

    72668ba008a6c47380f65bd4b1ec5d64.png

    关于群体智能的构造模型,我们在国家科学评论,发表了相关观点性的文章。构造模型的核心,就是我们要加快融合法和提高反馈法。

    实践二:基于群体智能的自组装(self-assembly)

    群体自组装问题

    动漫电影《超能陆战队》中设想有一种磁力机器人能够大规模地聚集在一起,组成各种形状。而我们的研究目标是:能否采用“探索-融合-反馈”基本原理实现大规模群体在非中心控制情况下的自我成型。

    e5e7603ae581b6a680ed88ed99aa1508.png

    • 融合:形成红光场;根据所有未被占据目标网络的位置,融合形成蓝光光场。

    • 反馈:每一个体获得其周围的局部光场信息。

    • 探索:每一个体根据其周围的局部光场信息确定其下一步的行动决策。

    ff19e82ba9b81036223a7c762238d099.png

    3098554c030bdc26a194c7b016a2ef0f.png

    实践三:基于群体智能的拼图

    1bf0f9ff8f26160dadf426a9ad873baa.png

    拼图问题是一类复杂问题的典型代表:无法通过自上而下、集中控制方式进行有效求解。

    bcc476644a71b99584e6166a54894127.png

    • 探索:单一个体自主进行拼图,拼图结果被表示为由图块以及图块之间的邻接关系形成的图。

    • 融合:所有个体当前时刻的拼图结果被融合在一起,形成当前时刻的群体观点图。

    • 反馈:根据个体当前时刻的拼图动作,将当前时刻群体观点图中相关的具有较高可信度的邻接关系反馈给当前个体。

    c29c0198608f08615bacbfb8109f2767.png

    f0e6d0137cc68a49919925a08184f247.png

    实践四:基于群体智能的知识图谱构建

    在目前阶段,专业领域的知识图谱不可能完全通过自动化算法进行构建;人类参与必不可少。对于一个大规模的专业知识图谱,仅依靠少量专家进行构建,也不具有现实的可行性。

    4813eae299e4895aefb88e0ced695004.png

    • 探索:每个参与者在探索活动中持续构建各自的个体知识图谱;个体知识图谱被表示为一种节点和边带标签的有向图。

    • 融合:所有参与者构建的个体知识图谱,通过熵最小化原则进行对齐,进而融合形成群体知识图谱。

    • 反馈:根据参与者的知识图谱构建行为,将群体知识图谱中相关且具有较高可信度的知识图谱片段反馈给参与者。

    a00be7e0169559861c2cd22679e9e9d0.png

    2fb3865336f138490096a1337d8755fb.png

    实践五:基于群体智能的软件开发

    软件是一种具有复杂逻辑结构的人造知识制品,规模和复杂性持续增长,开发困难性不断增加能否将群体智能用于软件的生产与持续演化?

    95e30609b275a0ae790ed0504641c10c.png

    c68a2bc9863a63165cc265a75e4a89d6.png

    4a4d01bf2e7407024e2a1b6b5be7aaff.png

    0eeb48376327e30e995b8e134db875a9.png

    94fda6632da6749a5424f3ebf6b0f160.png

    新一代人工智能把群体智能当成人工智能,而我们需要提出新的认识,群体智能本身是自然智能。科学家认识群体智能机理,我们还希望能够把这种规律或者机理利用起来。

    通过群体智能构造性模型,在求解特定问题的时,个体探索之后,用机器汇聚效率高,还需要确保正确性。目前,我们在软件工程领域开展了初步的探索,取得了一定效果。希望未来,对开源社区的平台机制提供一些帮助,实现自动汇聚。以百科平台为例,是由人来管理,我们有没有更好的办法合作?类似这样的系统有没有更好的办法引入机器的能力?现在,实际上是想把AI用到群体智能系统的构建,用AI去加强融合和反馈,替代人的工作。我们最关心的是在软件开发中,能不能更多的人去参与,AI在软件开发中的应用,以及AI在群体化软件开发中应用。谢谢大家。

    ef4b6e6269988dcbc12038e7242c1646.png

    审核:刘璘

    校对:林亦霖

    编辑:黄继彦

    4ea419d0c6b592b4a75d3a986f45c33a.png

    0eb20c352b0b50010033dbd44bc3bc46.png

    展开全文
  • 群体智能算法(Swarm Intelligence Algorithm,SIA)是模拟自然界生物的群体行为而构造的随机优化算法,是在群体智能领域中随着计算智能研究的逐步深入而产生的一种新兴的计算智能模式,它是群体智能研究中的一个重要...
  • #资源达人分享计划#
  • 基于免疫网络的群体智能及其在无人机群协调中的应用
  • 基于群体智能的网络安全协同防御技术研究.pdf
  • 云计算中基于群体智能算法的大数据聚类挖掘.pdf
  • 云计算中基于共享机制和群体智能优化算法的任务调度方案.pdf
  • 多目标群体智能算法NSGA2,包含所有测试函数和真实帕累托前沿,包含详细注释
  • 群体智能 群体智能全文共5页,当前为第1页。群体智能全文共5页,当前为第1页。群体智能 群体智能全文共5页,当前为第1页。 群体智能全文共5页,当前为第1页。 群体智能作为一个新兴领域,自从20世纪80年代出现以来,...
  • 群体智能在旅行商问题中的应用综述
  • 清华大学高级人工智能人才培养课程 AI人工智能 智能系统 课程体系 第8章 群体智能 含习题 共29页.pptx 清华大学高级人工智能人才培养课程 AI人工智能 智能系统 课程体系 第9章 多Agent系统 含习题 共42页.pptx 清华...
  • 群体智能初探

    千次阅读 2021-05-29 22:57:56
    1 定义 群体智能算法是一类通过模拟生物种群 (或自然/人工的群体)的行为,由一群简单个体遵循特定的交互机制完成给定任务 的优化算法

    1 群体智能定义及特点

    群体智能算法是一类通过模拟生物种群 (或自然/人工的群体)的行为,由一群简单个体遵循特定的交互机制完成给定任务 的优化算法。

    相对于传统的优化算法,群体智能优化算法主要表现在搜索过程和搜索信息两个方面的不同。

    1.1 搜索过程的不同

    ·传统的优化算法的迭代搜索过程是确定性的、 可重复的。
    ·群体智能优化算法是基于概率的随机的搜索过 程,不能完全重复试验。

    1.2 搜索信息的不同

    传统优化算法使用的是梯度、偏导数信息,一 阶导数或者二阶导数信息作为启发式信息。
    群体智能算法依靠群体间的信息交互,利用适 应度函数值、种群多样性等启发式信息来指导搜索过程。

    1.3 群体智能的特点

    1,群体中的每个个体是独立工作的,具有相同的配置和行为准则,因此具有潜在的并行性。
    2, 群体中不存在中心节点控制,各个个体之 间协同工作。因此,群体工作时系统的鲁 棒性很高,个体出现故障不会影响系统的 正常工作。
    3, 群体中每个个体都遵循非常简单的工作机制,模拟 简单的个体行为,并且个体感知范围是仅限于有限 的邻域而非具有全局感知能力。因此, 增加个体数量的成本很低 ,同时由于是个体间的交互仅限于有 限的邻域, 通信开销很低
    4, 群体智能算法可以通过多个简单节点之间 的协同作用完成很复杂的任务,表现出强 大的功能。

    2 群体智能算法分类

    根据研究对象可以将群体智能算法分为生物群体智能算法和人工群体智能算法

    2.1生物群体智能算法

    生物群体智能算法的研究对象主要是具有生命现象的种群.

    2.2 人工群体智能算法

    人工群体智能算法研究对象主要是非生物系统、 人工系统和结构或者自然现象。

    3 典型算法举例

    3.1 粒子群算法

    3.1.1 算法思想起源

    鸟群的觅食模式:

    • 避免碰撞

    • 速度匹配

    • 中心聚集

    • 局部控制

    • 无中心控制

    3.1.2 算法原理

    – 我们可以设想这样的一个场景,一群鸟在随机搜寻食物。所有的鸟都不知道食物在哪里,但他们知道周围多远的范围内有食物,那么找到食物的最佳策略是什么?

    – 基于空间的连续性(假设),最简单的方法就是往距离食物最近的那只鸟的位置靠近。

     

    3.2 蚁群算法

    3.2.1 算法思想

    它是通过模拟自然界蚂蚁社会的寻找食物的方式而得出的一种仿生优化算法。

    蚁群寻找食物时会派出一些蚂蚁分头在四周游荡。

    • 如果一只蚂蚁找到食物,它就返回巢中通知同伴并沿途留下“信息素”(pheromone) 作为蚁群前往食物所在地的标记。

    • 信息素会逐渐挥发,如果两只蚂蚁同时找到同一食物,又采取不同路线回到巢中, 那么比较绕弯的一条路上信息素的气味会比较淡,蚁群将倾向于沿另一条更近的路线前往食物所在地。

    3.2.2 双桥实验

    – 最开始时,两条分支的蚂蚁数相同。

    – 随着时间推移,留在短路径上的信息素越来越多大部分蚂蚁都会走短的路。

    3.2.3 算法流程

    – m 个蚂蚁随机分布于 n 个地点
    每只蚂蚁通过状态转移规则( State Transition Rule)进行觅食,并通过信息素局部更新规则
    Local Updating Rule )来修改路径上信息素 (Pheromone )的多少
    当所有蚂蚁都完成了周游,路径上的信息素通过全局更新规则(Global Updating Rule )进行修改
    如果满足结束条件,退出;否则回到第二步

    4 演化学习

    演化学习就是利用演化算法(EA)求解机器学习中的复杂优化问题。

    演化算法是指一大类受自然演化启发的启发式随机优化算法,通过考虑 「突变重组」和 「自然选择」这两个关键因素来模拟自然演化过程。

    演化学习解决旅行商问题

    演化学习解决行走问题

    4.1 演化学习的缺陷与展望

    尽管演化学习在实践中取得了许多成功, 但在很长时期内未获得机器学习社区的广泛接受。其中一个最主要的原因便是,缺少坚实的理论基础。一直以来,演化计算的研究者过于关注启发式的策略设计算法,而缺乏对演化计算理论的关注。

    在演化计算领域里,对于搞应用的来说,理论太滞后,没有指导意义,甚至关注理论进展的人都很少。而放在整个人工智能领域里,更是艰难,当时演化计算就已经是在顶级会议上冷下去的话题了。

    2019年,经过数年的努力,周志华、俞扬等人的《Evolutionary Learning: Advances in Theories and Algorithms》(《演化学习:理论与算法进展》)发布

    4.1.1 演化学习的理论劣势

    进化算法就是加了限制条件的随机搜索,不稳定,且执行起来偏慢

    相比于神经网络来说,参数太多,随机搜索代价太大。

    4.2 演化学习与机器学习

    4.2.1 机器学习

    机器学习过程一般由三个部分组成:模型表示(model representation)、模型评估(model evaluation)、模型优化(model optimization)。

    preview

    为了解决复杂学习问题,往往需要使用非线性模型和非凸评估函数,这导致优化目标函数往往具有不可导、不连续、存在多个局部最优解等性质。 

    然而,这些性质可能使得传统优化算法(如梯度下降)失效,而演化算法便有了用武之地

    4.2.2 演化算法

    演化算法一般可以抽象为以下四个步骤:

    1. 生成一个包含若干初始解(solution)的集合,称为种群(population);

    2. 基于当前种群通过变异和交叉产生一些新解;

    3. 从当前种群和产生的新解中去除一些相对差的解形成新的种群;

    4. 返回第二步并重复运行, 直至满足某个停止条件。

    preview

    4.3  演化算法的优势

    从迭代过程可以看出,演化算法在求解优化问题时,能够对解的优劣进行评估以便执行搜索,而无须关注问题的结构信息。

    尤其在缺乏目标函数的梯度信息、甚至缺乏目标函数的显式表达式时都能使用,仅需能够通过实验或模拟评估解的相对优劣即可。

    因此,演化算法被视为一种通用优化算法,甚至能以黑箱的方式求解优化问题。

    展开全文
  • 群智能计算(Swarm Intelligence Computing),又称群体智能计算或群集智能计算,是指一类受昆虫、兽群、鸟群和鱼群等的群体行为启发而设计出来的具有分布式智能行为特征的一些智能算法。群智能中的“群”指的是一组...

    群智能计算(Swarm Intelligence Computing),又称群体智能计算或群集智能计算,是指一类受昆虫、兽群、鸟群和鱼群等的群体行为启发而设计出来的具有分布式智能行为特征的一些智能算法。

    群智能中的“群”指的是一组相互之间可以进行直接或间接通信的群体;“群智能”指的是无智能的群体通过合作表现出智能行为的特性。智能计算作为一种新兴的计算技术,受到越来越多研究者的关注,并和人工生命、进化策略以及遗传算法等有着极为特殊的联系,已经得到广泛的应用。群智能计算在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。

    99bc551c0eb638b0fa880e01519bce33.png

    对一般群智能计算,通常要求满足以下五条基本原则:

    邻近原则:群内的个体具有对简单的空间或时间进行计算和评估的能力;

    品质原则:群内的个体具有对环境以及群内其他个体的品质作出响应的能力;

    多样性原则:群内的不同个体能够对环境中某些变化做出不同的多样反应;

    稳定性原则:群内个体的行为模式不会在每次环境发生变化时都发生改变;

    适应性原则:群内个体能够在所需代价不高的情况下,适当改变自身的行为模式。

    群智能计算现含蚁群算法、蜂群算法、鸡群算法、猫群算法、鱼群算法、象群算法、狼群算法、果蝇算法、飞蛾扑火算法、萤火虫算法、细菌觅食算法、混合蛙跳算法、粒子群算法等诸多智能算法。下面对它们中间常用的一些重要算法进行一些简单介绍。

    蚁群算法(Ant Colony Algorithm),受蚂蚁觅食过程及其通信机制的启发,对蚂蚁群落的食物采集过程进行模拟,可用来解决计算机算法中的经典“货郎担问题”,即求出需要对所有n个城市进行访问且只访问一次的最短路径及其距离。

    在解决货郎担问题时,蚁群算法设计的虚拟“蚂蚁”将摸索不同路线,并留下会随时间逐渐消失的虚拟“信息素”。虚拟的“信息素”会因挥发而减少;每只蚂蚁每次随机选择要走的路径,它们倾向于选择路径比较短的、信息素比较浓的路径。根据“信息素较浓的路线更近”的原则,即可选择出最佳路线。由于这个算法利用了正反馈机制,使得较短的路径能够有较大的机会得到选择,并且由于采用了概率算法,所以它能够不局限于局部最优解。蚁群算法具有很多特点,简单说来,它是一种自组织的并行算法,具有较强的算法的可靠性、稳健性和全局搜索能力。

    蚁群基本算法由三个操作过程组成,它们分别是解构建,信息素更新和后台操作。

    (1)解构建:一定数目的虚拟蚂蚁在完全连接图中按照某种规则出发,各自独立地根据信息素和启发式信息,采用一个概率规则选择下一步的移动,直到建立优化问题一个完整的解,并对构成的解进行质量评估。

    (2)信息素更新:包括信息素的释放过程和蒸发过程。信息素释放往往根据构成解的质量决定释放量的大小,而信息素蒸发通常是以一个固定比例值衰减所有边上的信息素。整个更新过程一般是在解的构建完成后,但有时也会出现在解构建的每一步中。每条边上信息素的量直接影响蚂蚁对这条边的选择概率,因而信息素的分布情况决定了整个蚁群的搜索空间方向。

    (3)后台操作:以灵活的机制执行单独蚂蚁不能完成的宏观操作,如搜集全局信息素情况,采取局部搜索措施等,从而对整个算法的行为进行调控。

    以上三个操作过程的结合方式是根据算法设计者考虑问题特征时自由指定的,可以并行、独立、交叉以及同步,从某种程度上来说它们之间是相互作用的。

    75e04b96ac9ab96b5bf17848f179f686.png

    蚁群算法对于解决货郎担问题并不是最好的方法,但它首先提出了一种解决货郎担问题的新思路;其次,由于这种算法特有的解决方案,已成功用于解决其他组合优化问题,如图着色、最短超串等;最后,通过对蚁群算法进行的精心研究和应用开发,现己被大量应用于数据分析、机器人协作问题求解,也在电力、通信、水利、采矿、化工、建筑、交通等领域得到成功的应用。

    蜂群算法(Bee Colony Algorithm)根据蜜蜂各自的分工不同,对蜂群信息共享和交流及进行采蜜活动等的观察和研究,对蜂群的采蜜行为进行计算机模拟,以此找到问题的最优解,是一种基于群智能的全局优化算法。

    经过对蜜蜂采蜜机制的观察和研究,可将除蜂王外的整个蜂群的蜜蜂分为三类,即采蜜蜂、观察蜂和侦察蜂,整个蜂群的目标是寻找花蜜量最大的蜜源。在蜂群算法中,采蜜蜂利用先前的蜜源信息采蜜,寻找新的蜜源并与观察蜂分享蜜源信息;观察蜂依据与采蜜蜂分享的信息寻找新的蜜源;侦查蜂的任务是寻找一个新的更有价值的蜜源,它们在蜂房附近随机地寻找蜜源。蜂群算法通过对三类蜜蜂功能的模拟,以寻找最短路径、最大蜜源为目标,用于寻求问题的最优解。

    狼群算法(Wolf Colony Algorithm)是基于狼群群体智能,模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻三种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制,提出一种新的群智能算法。算法采用基于狼主体的自下而上的设计方法和基于职责分工的协作式搜索路径结构,通过狼群个体对猎物气味、环境信息的探知、人工狼相互间信息的共享和交互以及人工狼基于自身职责的个体行为决策最终实现了狼群捕猎的全过程模拟。

    粒子群算法(Particle Swarm Algorithm)源于对鸟群和兽群捕食行为的研究,基本核心是利用群体中的个体对信息的共享从而使得整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的最优解。

    可以利用一个有关粒子群算法的经典描述,对粒子群算法进行直观描述和简要介绍。

    设想这么一个场景:一群鸟进行觅食,而远处有一片玉米地,所有的鸟都不知道玉米地到底在哪里,但是它们知道自己当前的位置距玉米地不远。找到玉米地的最佳策略,就是搜寻目前距离玉米地最近的周围区域。粒子群算法就是从这种群体觅食的行为中得到了启示,从而构建的一种优化模型。

    在粒子群算法中,把搜索空间中的鸟称之为“粒子”,而问题的“最优解”对应为鸟群要寻找的“玉米地”。所有的粒子都具有一个位置向量(粒子在解空间的位置)和速度向量(决定下次飞行的方向和速度),并可以根据目标函数来计算当前的所在位置的适应值,可以将其理解为距离“玉米地”的距离。在每次的迭代中,群中的粒子除了根据自身的“经验”(历史位置)进行学习以外,还可以根据种群中最优粒子的“经验”来学习,从而确定下一次迭代时需要如何调整和改变飞行的方向和速度,进行逐步迭代,最终整个种群的粒子就会逐步趋于最优解。

    粒子群算法的计算步骤如下:

    步骤1 种群初始化:可以进行随机初始化或者根据被优化的问题设计特定的初始化方法,然后计算个体的适应值,从而选择出个体的局部最优位置向量和种群的全局最优位置向量。

    步骤2 迭代设置:设置迭代次数;

    步骤3 速度更新:更新每个个体的速度向量;

    步骤4 位置更新:更新每个个体的位置向量;

    步骤5 局部位置向量和全局位置向量更新;

    步骤6 终止条件判断:判断迭代次数是否达到要求,如满足,输出计算结果;否则继续进行迭代,跳转至步骤3。

    7c183dee915ca175afdb745a3ce897d4.png

    在粒子群算法的应用中,主要是对速度和位置向量迭代算子的设计。迭代算子是否有效将决定整个粒子群算法算法性能的优劣,所以如何设计粒子群算法的迭代算子是粒子群算法算法应用的研究重点和难点。

    通过上面几个群智能算法的介绍,不难看出,它们一般都具有如下一些特点:群体中相互合作的个体是分布式的,这样更能够适应当前网络环境下的工作状态;没有中心的控制与数据,这样的系统更具有稳健性,不会由于某一个或者某几个个体的故障而影响整个问题的求解;可以不通过个体之间直接通信而是通过非直接通信进行合作,这样的系统具有更好的可扩充性;由于系统中个体的增加而随之增加的开销十分小,系统中每个个体的能力十分简单,这样每个个体的执行时间比较短,并且实现起来也比较简单,具有简单性,在计算机上容易实现编程和并行处理。

    此外,需要对群智能算法实行进一步研发和改进,经常遇到的问题有:

    从上面已经列出的十多种群智能算法来看,类似性似乎比较多,应按照数学的抽象性、理论性、应用性和计算机程序的编程类似性等进行合理整顿,需要合并的就进行合并,能略去的就略去,更应加强算法收敛性、有效性等的基础研究;

    智能算法重在应用,要特别加强已有算法的应用研究,不断扩大应用范围和领域;

    对现有的群智能算法在加强理论研究的同时,进行必要的算法改进,提高应用的广泛性和有效性,克服诸如精度不高、收敛速度较慢、容易收敛到局部极小值、多样性下降过快、参数敏感等问题;

    进一步寻求更好、更快、更新和更高效的群智能算法。

    群智能算法和传统优化算法相比,具有简单、并行、适用性强等优点,它不要求问题连续可微,特别适用于具有高度可重入性、高度随机性、大规模、多目标、多约束等特征的各类典型优化问题求解。但是,由于群体智能计算是一种新兴的理论和算法,其理论基础还不够完善,数学基础相对薄弱,因此,如何提高算法在解空间内的搜索效率,算法收敛性分析与证明以及对算法模型框架本身的研究都需要进行更深入的探索,特别是对群体智能归纳出统一的计算模式和框架建模理念。

    群体智能来源于对自然界中生物群体行为的模拟,而智能个体在群体中的行为在很多方面类似于生物群体在自然环境中的生态行为,物种乃至整个生态系统的进化都离不开种群之间的协同作用。因此,可以从自然界中获取很多具有参考意义的科学法则以及相关理论,用来指导群体智能计算模式的研究及其算法改进。如借鉴自然界中种群生态学中的竞争、捕食和协同进化等机制以及自然系统中的混沌现象与机理以及运行规律来进行群体智能计算模式的设计与改进研究,将是一个很有意义的研究领域。

    群智能计算因为具有以上诸多特点,虽说研究还处于初级阶段,理论上存在不少缺空,并有诸多困难和问题,但是由于其具有的分布式、自组织、协作性、稳健性和实现简单等特点,在诸如优化问题求解、机器人领域、电力系统领域、网络及通讯领域、计算机领域、交通领域和半导体制造领域等取得了较为成功的应用,为寻找复杂问题的解决方案提供了快速可靠的基础,为人工智能、认知科学等领域的基础理论问题的研究开辟了新的途径。因此,可以预见群智能的研究代表了以后各类算法研究发展的一个重要方向,具有重要意义和广阔的不可忽视的应用前景,会逐渐成为一个新的重要研究方向,值得给予更多的重视。

    展开全文
  • SOA是对人的随机搜索行为进行分析,借助脑科学、认知科学、心理学、人工智能、多Agents系统、群体智能等的研究成果,分析研究人作为高级Agent的利己行为、利他行为、自组织聚集行为、预动行为和不确定性推理行为,并...
  • 计算群体智能基础-2009-Andries P.Engelbrecht著,谭营译,清晰,无目录
  • 本文重点关注群体智能技术最典型、最具实际价值应用之一的共享出行,首先探讨大规模共享出行场景中几大群体智能技术前沿问题,包括组织架构设计、行为模式挖掘、激励机制设计与协同决策优化,介绍相关的前沿研究工作...
  • 数值优化领域的典型群体智能优化算法SCA
  • 群体智能这个概念来自对蚂蚁、鸟群、蜜蜂的观察。一组相互之间可以进行直接通信或者间接通信( ( 通过改变局部环境) ) 的主解体,这组主体能够合作进行分布问题求解。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 73,883
精华内容 29,553
关键字:

群体智能