群体智能研究综述
群体智能研究综述
1.2 群体机器人 群体智能最早被用在细胞机器人系统的描述中[2] 其中
多个简单的机器人通过与近邻的交互产生一种自组织的模 式 对蚂蚁 蜜蜂的分工 搬运 筑巢等行为的研究中 发 现了社会性昆虫的自组织和自组装能力 以此为理论基础 展开了群体机器人自组织 自组装以及协作的研究 1.2.1 自组织 自组装
粒 子 群 优 化 算 法 (PSO) 是 由 James Kennedy 博 士 和 R C Eberhart 博士于 1995 年提出的 该算法源于对鸟群 鱼群觅食行为的模拟[5] 在 PSO 中 首先初始化一群随机粒 子(随机解) 然后通过迭代寻找最优解 在每一次迭代中 粒子通过跟踪两个极值来更新自己的速度和位置 第一个就 是粒子本身所找到的最优解 这个解叫做个体极值 另一个 极值是整个种群目前找到的最优解 这个极值是全局极值 另外也可以不用整个种群而只是用其中一部分作为粒子的邻 居 那么在所有邻居中的极值就是局部极值 PSO 算法简单 易实现 不需要调整很多参数 主要应用有神经网络的训练 函数的优化问题等
经比较成熟 HP 公司 英国电信公司都在 20 世纪 90 年代后 期就展开了这方面的研究[6] 该算法也越来越多地应用于企 业 如工厂生产计划的制定和运输部门的后勤管理 美国太 平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的 运输管理软件 每年至少节约上千万美元开支 英国联合利 华公司已率先利用这种技术改善其一家牙膏厂的运转状况 美国通用汽车公司 法国液气公司 荷兰公路交通部和美国 一些移民事务机构也都采用相应技术以改善其运转的机能
群体智能算法的典型实现
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(Distributed), 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, 这样的系统更具有鲁棒性(Robust), 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（Scalability)。
由于系统中个体的增加而增加的系统的通信开销在这里十分小。
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, 并且实现也比较简单, 具有简单性(Simplicity)。
但是对于每个个体, 其定义本身是相对的, 其大小和功能根据所求解的问题而定, 所以其智能的寻优方式的实现是通过整个智能群的总体特征来体现的。
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。
群体机器人研究综述
９６
化 工 自 动 化 及 仪 表
第 ４５卷
是从 自然群 中受 到 的启 发 ，可 以为 分 析 自然 群 体 的 特点 做好 的参考 。
开 始 的假设 相 当人 性 化 ，即 假 设 每 个 个 体 为 了合作 和交 流具 有 唯一 身份 。群体 里 的信 息交 换 被 当作 一个 集 中式 网络 。 由近 半 个世 纪 的研 究 ， 生 物学 家现 在 断 言 ，没 有 唯一 身 份 或 在 网络 中其 他 全局 存储 信 息 的存 在 。
的 应 用 范 围 ，并 列举 群 体 机 器 人 的 建 模 方 法 和 仿 真 平 台 。
关 键 词 群 体 机 器人 群 智 能 定 义 特 点 建模 仿 真
中 图分 类 号 ＴＰ２４
文 献 标 识 码 Ａ
文 章 编 号 １０００．３９３２（２０１８）０２－００９５－０５
群 居 昆 虫 的 集 体 行 为 （如 蜜 蜂 舞 蹈 、黄 蜂 巢 穴建 造 、鸟 类 迁 徙 和蚂 蚁 觅 食 ）长 期 以来 被 认 为 是 奇 怪 而神秘 的 。大 多数 群体 智 能启发 于 自然群 体 （如 昆 虫 、鱼 或 哺乳 类 ），研 究 这 些 群 体 中个 体 间 的相互 交 流意 义重 大 。这些 群体 是 由小 区域 的少数 个 体 到 超 过 百 万 个 体 组 成 的 高 度 组 织 部 落 ，出现 在群 体 里 的 团 队行 为 展 现 出强 大 的灵 活 性 和鲁 棒 性 ，如路 线规 划 、建 巢 、任务 分 配 以及 在 众多 自然 群体 中的其他 复 杂行 为 。虽然 在 自然群 体 中 的个 体 能力 较 弱 ，但 群 体 中存 在 复 杂 的 团 队 行为 ，例 如 ：鱼 群 能 够 以训 练 有 素 的 方 阵 高 速 游 走 ，能 在群 体 队形 里 做 出令 人 吃 惊 的 变化 而 不 会 发 生碰 撞 ，就好 像它 们 的运动 被设 计 过 了 ；蚂蚁 通 过信 息 素 、声 音及 触碰 等方 式进 行 交流 ；鸟群 在 迁徙 过 程 中 聚集 成 特 殊 的 形 态 并 在 各 种 感 觉 （如太 阳罗 盘 、磁 场 、视 觉 地 标 和 嗅 觉 ）的 帮 助 下 定 位方 向 。在 多 数 情 况 下 ，一 群 个体 确 实 有 能 力 容易 地解 决 复 杂 问 题 ，然 而 同 样 物种 的一 个 个 体 却不 能 ，因为 每 个 个 体 在行 为 之 中均 担 负 着 各 自的重 要角 色 。
群体智能2.0研究综述
-热点与综述-
计算机工程 Computer Engineering
文章编号：1000#428(2019) 12-0001-07
文献标志码：+
2019年12月 December 2019
中图分类号：TP18
群体智能2.0研究综述
赵健，张鑫％,李佳明，贺晨
(西北大学信息科学与技术学院，西安710127 )
2
计算机工程
2019年12月15日
数据驱动下人机物共融的发展越来越深入，尤其是
在群智感知计算和众包方面利用人与机器之间的互
补性使人机物共融共生的思想得到延伸。
移动设备的广泛普及为群体数据带来了新的产
生方式和类型，借助万物互联的物联网和互联网的 实时网络共享功能，各类众包系统层出不穷$人群
与智能设备紧密相连的关系使得群体智能为人群服
关键词：群体智能；众包；移动众包；群智感知计算；联邦学习
开放科学(资源服务)标志码(OSID) : |
中文引用格式：赵健，张鑫S,李佳明，等.群体智能2.0研究综述:J].计算机工程，2019，45 (12) ：1-7.
英文引用格式：ZHAO Jian, ZHANG Xinti,LI Jiaming，et al. Reseerch review of crowd intelligence 2. 0 [J] . Computer Engineering，2019，45 (12) ： 1 -7.
$人物 打
造新一代工业生产模式，推动社会发展，期间人 r
熟知的数字经济、智城市都是人机物推动社会发
展所岀现的阶段性表现，如今 群体智能更是要
将打造“群智空间”列入其中$人
群体智能中的联邦学习算法综述
第4卷第1期智能科学与技术学报V ol.4No.1 2022年3月Chinese Journal of Intelligent Science and Technology March 2022群体智能中的联邦学习算法综述杨强1,2，童咏昕3，王晏晟3，范力欣1，王薇3，陈雷2，王魏4，康焱1（1. 深圳前海微众银行股份有限公司，广东深圳 518063；2. 香港科技大学，香港 999077；3. 北京航空航天大学，北京 100191；4. 南京大学，江苏南京 210033）摘要：群体智能是在互联网高速普及下诞生的人工智能新范式。
然而，数据孤岛与数据隐私保护问题导致群体间数据共享困难，群体智能应用难以构建。
联邦学习是一类新兴的打破数据孤岛、联合构建群智模型的重要方法。
首先，介绍了联邦学习的基础概念以及其与群体智能的关系；其次，基于群体智能视角对联邦学习算法框架进行了分类，从隐私、精度与效率3个角度讨论了联邦学习算法优化技术；而后，阐述了基于线性模型、树模型与神经网络模型的联邦学习算法模型；最后，介绍了联邦学习代表性开源平台与典型应用，并对联邦学习研究进行总结展望。
关键词：群体智能；联邦学习；隐私保护中图分类号：TP39文献标志码：Adoi: 10.11959/j.issn.2096−6652.202218A survey on federated learning in crowd intelligenceYANG Qiang1,2, TONG Yongxin3, WANG Yansheng3, FAN Lixin1, WANG Wei3,CHEN Lei2, WANG Wei4, KANG Yan11. Qianhai WeBank Co., Ltd., Shenzhen 518063, China2. The Hong Kong University of Science and Technology, Hong Kong 999077, China3. Beihang University, Beijing 100191, China4. Nanjing University, Nanjing 210033, ChinaAbstract: Crowd intelligence is emerging as a new artificial intelligence paradigm owing to the rapid development of the Internet. However, the data isolation and data privacy preservation problems make it difficult to share data among the crowd and to build crowd intelligent applications. Federated learning is a novel solution that aims to collaboratively build models by breaking the data barriers in crowd. Firstly, the basic ideas of federated learning and a comparison with crowd intelligence were introduced. Secondly, federated learning algorithms were divided into three categories according to the crowd organization, and further optimization techniques on privacy, accuracy and efficiency were discussed. Thirdly, fe-derated learning operators based on linear models, tree models and neural network models were presented respectively.Finally, mainstream federated learningopensource platforms and typical applications were introduced, followed by the conclusion.Key words: crowd intelligence, federated learning, privacy preservation收稿日期：2021−12−16；修回日期：2022−03−04通信作者：童咏昕，yxtong@基金项目：国家重点研发计划基金资助项目（No.2018AAA0101100）；国家自然科学基金资助项目（No.U21A20516，No.61822201，No.U1811463，No.62076017）；微众学者计划Foundation Items: The National Key Research and Development Program of China (No.2018AAA0101100), The National Natural Science Foundation of China (No.U21A20516, No.61822201, No.U1811463, No.62076017), WeBank Scholars Program·30·智能科学与技术学报第4卷0引言近年来，人工智能技术的发展进入了新时代，诞生了以AlphaGo为代表的能够模拟出强大个体智慧的成功案例。
【转】群体智能
【转】群体智能［关键词］群体智能；⼈⼯智能；复杂性科学0 引⾔ ⼈们在很早的时候就对⾃然界中存在的群集⾏为感兴趣，如⼤雁在飞⾏时⾃动排成⼈字形，蝙蝠在洞⽳中快速飞⾏却可以互不碰撞等。
对于这些现象的⼀种解释是，群体中的每个个体都遵守⼀定的⾏为准则，当它们按照这些准则相互作⽤时就会表现出上述的复杂⾏为。
基于这⼀思想，Craig Reynolds在1986年提出⼀个仿真⽣物群体⾏为的模型BOID。
这是⼀个⼈⼯鸟系统，其中每只⼈⼯鸟被称为⼀个BOID，它有三种⾏为：分离、列队及聚集，并且能够感知周围⼀定范围内其它BOID的飞⾏信息。
BOID根据该信息，结合其⾃⾝当前的飞⾏状态，并在那三条简单⾏为规则的指导下做出下⼀步的飞⾏决策。
Reynolds⽤计算机动画的形式展现了该系统的⾏为，每个BOID能够在快相撞时⾃动分开，遇到障碍物分开后⼜重新合拢。
这实际上就是⼀种群体智能模型。
尽管这—模型出现在1986年，但是群体智能（Swarm Intelligence）概念被正式提出的时间并不长。
⼀个显著的标志是1999年由⽜津⼤学出版社出版的E Bonabeau和M Dorigo等⼈编写的⼀本专著《群体智能：从⾃然到⼈⼯系统》（“Swarm Intelligence：From Natural to Artificial System”）。
⽬前，对群体智能的研究尚处于初级阶段，但是它越来越受到国际智能计算研究领域学者的关注，逐渐成为⼀个新的重要的研究⽅向。
本⽂对群体智能的概念、特点、主要模式等进⾏了综述，希望对读者有所启发。
1 群体智能的概念及特点 群体智能这个概念来⾃对⾃然界中⼀些昆⾍，如蚂蚁、蜜蜂等的观察。
单只蚂蚁的智能并不⾼，它看起来不过是⼀段长着腿的神经节⽽已。
⼏只蚂蚁凑到⼀起，就可以起往蚁⽳搬运路上遇到的⾷物。
如果是⼀群蚂蚁，它们就能协同⼯作，建起坚固、漂亮的巢⽳，⼀起抵御危险，抚养后代。
这种群居性⽣物表现出来的智能⾏为被称为群体智能。
新型群体智能优化算法综述
新型群体智能优化算法综述高岳林;杨钦文;王晓峰;李嘉航;宋彦杰【期刊名称】《郑州大学学报:工学版》【年(卷),期】2022(43)3【摘要】智能优化算法主要分为4类:仿自然优化算法、进化算法、仿植物生长算法和群体智能优化算法,其中群体智能优化算法是最为重要的一类算法。
智能优化算法与图像处理、故障检测、路径规划、粒子滤波、特征选择、生产调度、入侵检测、支持向量机、无线传感器、神经网络等技术领域交叉融合,应用更加广泛。
以蝙蝠算法、果蝇优化算法、鲸鱼优化算法、樽海鞘群体算法和哈里斯鹰优化算法为基础,对群体智能优化算法的模型、特征、改进策略及应用领域等进行了综述,从理论研究、改进策略和应用研究3个方面分析了其面临的发展机遇和未来趋势,给出了算法应用的指导意见。
研究表明:群体智能优化算法在众多经典问题上的表现较好,而在多目标优化、多约束优化、动态优化和混合变量优化等领域仍有待扩展;不同群体智能优化算法在面对各类具体问题时有效的参数控制仍是未来的研究重点;种群协同进化、探索更高效的混合算法和搜索策略是可行的解决途径。
【总页数】10页(P21-30)【作者】高岳林;杨钦文;王晓峰;李嘉航;宋彦杰【作者单位】北方民族大学计算机科学与工程学院;北方民族大学宁夏智能信息与大数据处理重点实验室;北方民族大学数学与信息科学学院;国防科技大学系统工程学院【正文语种】中文【中图分类】TP18;TP301【相关文献】1.基于无人机航迹规划优化的几种新型仿生智能优化算法综述2.新型群智能优化算法综述3.基于无人机航迹规划优化的几种新型仿生智能优化算法综述4.一种新型群体智能优化算法——微进化算法5.群体智能优化算法在入侵检测中的应用综述因版权原因，仅展示原文概要，查看原文内容请购买。
群智感知 研究综述
群智感知研究综述作者：郑晓茹来源：《卫星电视与宽带多媒体》2019年第18期【摘要】物联网在物理世界与信息世界的联网和扩展需求之下进入大众视野，感知网络作为物联网的核心技术，但是成本非常高。
互联网+群体思维的群智感知网络的出现，可以解决高成本的问题，但是群智感知网络的发展面临着一些挑战，参与用户不愿意去共享个人的隐私数据。
本文利用实证研究的方法，构建群智感知平台上用户隐私数据共享意愿的概念模型，并通过问卷调研得出研究结论，为群智感知平台提高用户隐私数据共享意愿提供一定的理论指导。
【关键词】群智感知平台;成本;收益群智感知网络指普通用户的移动设备作为参与感知任务的基本单元，通过移动互联网进行协作，实现感知任务参与和数据的收集，完成大规模的社会感知任务。
1. 群智感知网络发展的有利条件群智感知网络的飞速发展主要基于以下几个因素：移动智能手机的广泛普及。
据调查统计，截止2018年底，全球智能手机用户数量已突破24.1亿，预计到 2019年将增长8%，WirelessExpertise在《未来移动应用展望报告》中提到，2020年智能手机在移动市场中占比将达到30%左右;传感器技术的飞速发展，智能手机的传感器包括：红外线传感器、WiFi信号检测器，诸多的传感器为用户参与群智感知任务提供了保障;随着智能手机开放性的不断提高，应用商店的逐步兴起，智能手机的计算、存储、通信和感知能力不断增强;高计算和高存储能力的计算中心的出现。
同时，云计算和云存储技术的高速发展，为海量数据的存储及数据的计算提供可能。
如微软Azure、Google Drive、IBM Bluemix Paas、阿里云存储、亚马逊AWS、和163云存储等，云技术的出现为群智感知平台的进一步发展提供了技术支撑。
2.国内外群智感知网络相关研究加州伯克利大学（UCB）的Common Sense项目介绍了一种移动设备参与感知并收集空气质量数据的方法，希望能够帮助日常收集公民与政治相关数据并参与做决定的过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
某些种类的蚂蚁在打扫巢穴时 聚集尸体形成一个 公
基金项目 国家自然科学基金资助项目(70171043) 作者简介 王 玫(1980 ) 女 硕士生 主研方向 群体智能系统 朱云龙 研究员 博导 何小贤 博士生 收稿日期 2004-10-07 E-mail wangmei@
墓 或者将它们的幼虫分成几堆 现在还无法充分阐释这种 行为 但是有一个简单的模型 可以解释蚂蚁聚类或者分类 中的某些特征 在该模型中 空间中随机运动的个体(如蚂蚁) 根据局部的信息拿起或者放下某种物体(蚂蚁尸体或者幼 虫) 这个模型可以被应用在数据分析上 具有不同属性的对 象可被视为要分类的物体 由此受到启发得到蚂蚁分类算法 并且应用于数据挖掘的分类和聚类上 1.1.3 粒子群优化算法
A Survey of Swarm Intelligence
WANG Mei1,2, ZHU Yunlong1, HE Xiaoxian1,2 (1. Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016;
自组织的特点 通过利用同一种介质或者媒体创建时间 或空间上的结构[1] 比如蚂蚁筑的巢 寻找食物时的路径等
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
1.2 群体机器人 群体智能最早被用在细胞机器人系统的描述中[2] 其中
多个简单的机器人通过与近邻的交互产生一种自组织的模 式 对蚂蚁 蜜蜂的分工 搬运 筑巢等行为的研究中 发 现了社会性昆虫的自组织和自组装能力 以此为理论基础 展开了群体机器人自组织 自组装以及协作的研究 1.2.1 自组织 自组装
摘 要 群体智能利用群体的优势 在没有集中控制 不提供全局模型的前提下 为寻找复杂问题的解决方案提供了新的思路 首先阐述 了群体智能的研究现状 包括典型的蚂蚁群优化算法 粒子群优化算法 群体机器人以及算法的应用 在此基础上 对今后的研究趋势进 行了分析和展望 对群体智能系统底层机制的研究以及群体机器人的研究将是今后研究的重点 具有重大意义和广阔前景 关键词 群体智能 群算法 群体机器人 涌现
粒 子 群 优 化 算 法 (PSO) 是 由 James Kennedy 博 士 和 R C Eberhart 博士于 1995 年提出的 该算法源于对鸟群 鱼群觅食行为的模拟[5] 在 PSO 中 首先初始化一群随机粒 子(随机解) 然后通过迭代寻找最优解 在每一次迭代中 粒子通过跟踪两个极值来更新自己的速度和位置 第一个就 是粒子本身所找到的最优解 这个解叫做个体极值 另一个 极值是整个种群目前找到的最优解 这个极值是全局极值 另外也可以不用整个种群而只是用其中一部分作为粒子的邻 居 那么在所有邻居中的极值就是局部极值 PSO 算法简单 易实现 不需要调整很多参数 主要应用有神经网络的训练 函数的优化问题等
第 31 卷 第 22 期
Vol.31
22
人工智能及识别技术
计算机工程 Computer Engineering
文章编号 1000 3428(2005)22 0194 03
文献标识码 A
2005 年 11 月 November 2005
中图分类号 TP18
群体智能研究综述
王 玫 1, 2 朱云龙 1 何小贤 1, 2 (1. 中国科学院沈阳自动化研究所 沈阳 110016 2.中国科学院研究生院 北京 100039)
近年来群体智能的应用有构建网站 优化搜索引擎 创 建知识管理系统甚至进行音乐创作等
2 发展趋势及展望
蚂蚁优化算法 粒子优化算法等为解决一类优化问题提 供了新的思路 众多研究者纷纷给予改进 使之得到了扩展 和完善 在解决某些问题方面表现出了比传统优化算法更好 的性能 但是单纯对优化算法的研究很难再有其他大的突破 然而 生物群体拥有巨大的潜力供人们研究 目前还没有形 成系统的理论 许多问题有待回答 以下几个方面将是研究 的热点 刺激产生新的算法的生物群体的行为模型 各种算 法的完善和结合在实际问题上的应用 群体机器人的研究 群体智能系统的底层机制的研究 系统的建模 仿真以及实 际应用
表 1 群体算法总结
群体行为
算法
应用
首先用来解决 TSP 问题 之后推广
蚁群觅食
蚂蚁优化算法 到各种组合优化问题 实际应用于
网络路由的优化等
蚂蚁公墓形成 幼虫分类
LS 算法 KLS 算法
用于数据分析和图的划分
蚂蚁分工
任务分配算法
任务分配
群鸟觅食粒子优化算法 Nhomakorabea函数优化问题 神经网络训练等
1.1.2 蚂蚁聚类算法
蚂蚁优化算法受蚂蚁取食行为中的通信机制启发而得 来 经过大量的观察研究发现 蚂蚁个体之间可以通过分泌
194
信息素(pheromone)来传递信息 蚂蚁在行动的过程中 会在 经过的路径上留下信息素 后面的蚂蚁通过感知这种物质的 浓度来选择自己的路径 这样 由大量蚂蚁组成的蚁群集体 行为就表现出了一种信息正反馈的现象 信息素随时间挥发 在较短的路径上浓度较大 因而蚂蚁总是可以找到更短的路 径取食 用人工蚂蚁来模仿自然蚂蚁 在走过的路径上留下 信息素 为解决各种寻优问题提供了一种新的方法 该算法 已经被成功地应用在很多复杂的组合优化问题上 意大利学 者 Macro Dorigo 首先将该方法用于求解 TSP 问题 随后诸多 学者陆续使用了该算法解二次分配问题 皇后问题等 所解 决的问题以各种 TSP 问题为主 另外有函数优化问题 背包 问题等 而且从离散空间扩展到了连续空间 在解决这些问 题的性能方面 比之于传统的优化算法 蚂蚁优化算法表现 出了良好的性能[4]
经比较成熟 HP 公司 英国电信公司都在 20 世纪 90 年代后 期就展开了这方面的研究[6] 该算法也越来越多地应用于企 业 如工厂生产计划的制定和运输部门的后勤管理 美国太 平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的 运输管理软件 每年至少节约上千万美元开支 英国联合利 华公司已率先利用这种技术改善其一家牙膏厂的运转状况 美国通用汽车公司 法国液气公司 荷兰公路交通部和美国 一些移民事务机构也都采用相应技术以改善其运转的机能
1 研究现状
1.1 群体算法研究 对群体智能的研究起源于对以蚂蚁 蜜蜂等为代表的社
会性昆虫的群体行为的研究[1] 现有的对群体智能的研究 大都是从某一种由大量个体表现出来的群体行为出发 从它 们的群体行为中提取模型 为这些行为建立一些规则 从而 提出算法 应用于解决实际中的问题 目前国内外研究得比 较多而且也比较成熟的算法有蚂蚁优化算法 蚂蚁聚类算法 粒子群优化算法 还有对蚂蚁分工的研究 如表 所示 1.1.1 蚂蚁优化算法(ACO)
2. Graduate School of Chinese Academy of Sciences, Beijing 100039)
Abstract A survey of swarm intelligent system is presented. Large amount of simple individuals have more advantages over a single complex one. Thus, swarm intelligence provides a new way to solve complex problems without global control. Firstly the prolific research results in this field are illustrated involving typical algorithms, applications and swarm-based robotics. On the basis of that, the future directions in this field are analyzed. Finally, the significance of study on swarm intelligence is pointed out in the conclusion.
Swarm-bots 是由布鲁塞尔自由大学 IRIDIA 实验室 Macro Dorigo 领导的一个项目 该项目是为了研究一种设计和实现 自组织和自组装的人工物的新方法 该项目的具体目标是建 立一个由多个比较简单的 类似昆虫的机器人的群体 swarm-bots 这些机器人使用相对便宜的构件 具有自组织 和自组装能力来适应环境 1.2.2 多机器人协作
合作搬运行为是基于群体的机器人研究的基准任务之 一 机器人学家对蚂蚁的合作搬运进行了建模 并设计了几 个相互无通信 无中心控制的机器人进行推盒子的实验 这 些机器人结构相同 各自有 3 个传感器和 1 个行为装置 传 感器用来感知障碍物 其他机器人和目标 并定义了机器人
的 5 种动作[1]
1.3 算法的实际应用 蚂蚁优化算法在电信网络的路由问题(ACR)上的应用已
2.1 新的行为模型 如前所述 根据蚂蚁群体以及鸟群 鱼群等生物群体行
为提出的算法都得到了广泛的应用 生物的奥秘是无穷的 从生物学甚至社会学的角度出发 新的有益的行为模式有待 去发现和提炼
2.2 群体智能系统的底层机制研究 2.2.1 自组织(self-organization)
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[1] 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
社会性昆虫的巢穴结构往往复杂而精巧 蚂蚁筑巢过程 中 与环境的交互分 2 种 连续的和离散的 离散的交互是 指刺激因素类别不同 因而产生不同的反应 连续的交互是 指由于刺激因素的量的不同而产生不同的反应 基于离散的 交互和自组织提出一个模型 在这个模型中 个体在三维空 间运动 依据它的周围空间的砖块的排布决定是否在当前位 置放下背负的砖块 利用该模型实验的结果显示可以产生非 常类似黄蜂巢穴的结构 自组装的机器人系统可以借鉴这个 筑巢模型