群体智能报告.doc

群体智能综述群体智能源于对自然界中的蜜蜂、蚂蚁、大雁等群居生物社会行为的观察与模拟严格来讲是一种在自然界生物群体活动所表现出的智能现象启发下提出的人工智能模式，是对生物群体简单行为的智能“涌现”现象的具体研究，即“简单智能的主体通过合作表现出复杂智能行为的特性是基于种群行为对给定的目标进行寻优的启发式搜索算法,群体中相互合作的个体是分布式的心的控制与数据(Distributed),这样更能够适应当前网络环境下的工作状态这样的系统更具有鲁棒性;没有中障而影响整个问题的求解Robust),不会由于某一个或者某几个个体的故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样的系统具有更好的可扩充性(销在这里十分小Scalability)由于系统中个体的增加而增加的系统的通信开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也比较简单具有简单性小和功能根据所求解的问题而定(Simplicity)但是对于每个个体,所以其智能的寻优方式的实现是通过整个智能群的总体,其定义本身是相对的其大特征来体现的目前比较流行的新型仿生优化算法有蚁群算法、微粒群算法、人工免疫算法、人工鱼群算法等,这些仿生优化算法已为解决实际应用中的许多优化间题做出了很大的贡献,也是当今仿生智能领域的研究热蚁群算法同目前流行的遗传算法、人工神经网络、微粒群算法、人工免疫算法、人工鱼群算法等都属于仿生优化算法,都是模拟自然界生物系统、完全依赖生物体自身的本能、通过无意识的寻优行为来优化其生存状态以适应环境的一类新型的最优化算法。

这些仿生优化算法有许多相同的特点如都是一类不确定的算法、都是一类概率型的全局优化算法、都不依赖于优化问题本身的严格数学性质、都是一种基于多个智能体的智能算法和都具有本质并行性等特点但是它们在机理和实现形式上有许多不同之处,具体如下：蚁群算法①蚁群算法本身采用了正反馈原理,加快了进化过程这一点不同于其它仿生优化算法②蚁群算法具有很强的并行性,蚂蚁个体之间不断进行信息交流和传递,有利于发现较好的解③基本蚁群算法一般需要较长的搜索时间,而且容易出现停滞现象所以出现了典型的ACS和MMAS算法等④蚁群算法的收敛性能对参数的初始化设置比较敏感,目前还缺乏系统的理论指导其参数设置微粒群算法①微粒群算法是一种原理相当简单的算法,与其它仿生优化算法相比,它仅需很少的代码和参数②微粒群算法受所求问题维数的影响较小③与其它仿生优化算法相比,微粒群算法的数学基础显得相对薄弱,缺乏深刻且具有普遍意义的理论分析人工免疫算法①在人工免疫算法中模拟了人体免疫系统所特有的自适应性和人工免疫这一加强人体免疫系统的手段,并采用了基于浓度的选择更新,从而有效地防止了其它仿生优化算法中“早熟”的问题,将搜索过程引向全局最优②免疫算法实现的是多样性的搜索,它的搜索目标具有一定的分散性和独立性。

③人工免疫算法的数学模型固然简单、易于实现,但功能不强,智能度也没有其它几种仿生优化算法高,改进起来较其它仿生优化算法麻烦人工鱼群算法①随着工作状况或其他因素的变更造成的极值点的漂移,人工鱼群算法具有快速跟踪变化的能力② 人工鱼群算法具有很强的跳出局部极值的能力③ 人工鱼群算法获取的是系统的满意解域,对于精确解的获取还需对其模型进行适当改进④ 人工鱼群算法的数学基础显得相对薄弱,目前还缺乏具有普遍意义的理论分析对群体智能的一些展望：(1) 加强仿生优化算法的基础理论研究,进一步发展新的数学分析和建模工具对仿生优化算法的基础理论研究非常重要,包括参数设置优化方法、对解决不同优化问题时收敛性、收敛速度的估计、避免陷入局部最优值以及鲁棒性分析理论2) 几种算法之间的相互学习和融合，我们可将仿生优化算法中的两种或者数种综合使用来开发混合优化方法，进而发展思想更先进、功能更强大、解决更复杂系统的智能行为3) 加强与其他各种先进计算技术如模糊逻辑、粗糙集计算和支持向量机等的融合改善自身性能，扩展应用领域！比如SVM分类器模型中参数的选取，对分类器的性能产生较大的影响，为避免传统的网格搜索参数带来的时间消耗和搜索范围难于确定问题，我们可以利用蚁群算法对主要参数进行搜索。

4) 应充分挖掘仿生优化算法在实际应用中的潜力,一切理论最终要应用于实践并在实践中发展当然没有任何一种算法是万能的，我们应在对现有应用领域进行深化研究的同时,研究群体智能最适合的领域并进一步扩大其应用范围。