人工智能新时代的群体智能
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
人工智能时代的特点
人工智能时代的特点《新一代人工智能规划》指出：“人工智能发展进入新阶段，特别是在移动互联网、大数据、脑科学等新理论新技术以及社会发展强烈需求的共同驱动下，人工智能发展呈现出深度学习、跨界融合、人机协同、群智开放等新特征。
”1.深度学习：挑战人类智能得益于深度学习的发展，2006年人工智能开启了第三次浪潮，深度学习的成功并不是一蹴而就的，它一直蛰伏在人工智能的角落磨砺自己，伴随着大计算能力和大数据，一篇《一种深度置信网络的快速学习算法》宣告了深度学习时代的到来。
1934年神经科学家提出人工神经网络核心计算模型，20世纪40年代它被用于机器学习，1958年用于简单模式识别的两层人工神经网络计算结构建立，1965年提出建立多层人工神经网络的设想，这种基于多层神经网络的机器学习模型被称之为深度学习。
深度学习是基于人类神经网络原理建立的系统算法，通过对问题建模并解决该问题的过程。
简单说就是深度学习把要学习的事物看成数据，然后这些数据放进多个层级的深度神经网络，当得到的数据结果与对象特征符合就保留，不符合就调整参数直到符合。
目前，深度学习在自然语言处理领域的主要应用是机器翻译及其语义挖掘，如苹果手机的siri、天猫精灵智能音箱、智能翻译软件等。
在图像领域的应用主要为Alpha Go棋谱学习、人工智能识猫、手机预估人像年龄等。
机器从经验中进行学习的深度学习方式与人类大脑的认知方式类似，而随着深度学习算法程序的不断提高和优化，弱人工智能阶段将远去，超人工智能阶段将到来，机器的智能将接近甚至超越人类的智能，人类智能将受到威胁和挑战。
2.跨界融合：使万物互联《新一代人工智能规划》提出，要把握人工智能技术属性和社会属性高度融合的特征，坚持人工智能研发、应用、培育“三位一体”推进。
马化腾曾说“没有场景支持的人工智能研究是空中楼阁”。
随着人工智能的发展，AI技术正在向“AI+”转变，加速应用到汽车、医疗、电商、金融、教育等生活的各个方面，人工智能与其他领域的有效跨界融合可以达到1+1>2 的效果。
第1章 人工智能概述范文
● 1.1.3 脑智能和群智能●脑（主要指人脑）的宏观心理层次的智能表现称为脑智能（Brain Intelligence, BI）。
●由群体行为所表现出的智能称为群智能（Swarm Intelligence, SI）。
●脑智能和群智能是属于不同层次的智能：●脑智能是一种个体智能（Individual Intelligence, II）；群智能是一种社会智能（Social Intelligence, SI），或者说系统智能（System Intelligence, SI）。
1.1.4 符号智能和计算智能1. 符号智能符号智能就是符号人工智能，它是模拟脑智能的人工智能，也就是所说的传统人工智能或经典人工智能。
符号智能以符号形式的知识和信息为基础，主要通过逻辑推理，运用知识进行问题求解。
符号智能的主要内容包括知识获取（knowledge acquisition）、知识表示（knowledge representation）、知识组织与管理和知识运用等技术（这些构成了所谓的知识工程（Knowledge Engineering, KE））以及基于知识的智能系统等。
幻灯片52. 计算智能计算智能就是计算人工智能，它是模拟群智能的人工智能。
计算智能以数值数据为基础，主要通过数值计算，运用算法进行问题求解。
计算智能的主要内容包括：神经计算（Neural Computation， NC）、进化计算（亦称演化计算，Evolutionary Computation，EC，包括遗传算法（Genetic Algorithm，GA）、进化规划（Evolutionary Planning，EP）、进化策略（Evolutionary Strategies，ES）等）、免疫计算（immune computation）、粒群计算（Particle Swarm Algorithm，PSA）、蚁群算法（Ant Colony Algorithm，ACA）、自然计算（Natural Computation，NC）以及人工生命（Artificial Life，AL）等。
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。
群体智能及其应用
一个群体智能系统通常包含多个简单的智能个体(智 能体)，每个智能体与其它智能体以及环境之间存在 相互作用。所有智能体遵守着非常简单的规则，尽管 没有中心控制结构指导单个智能体的行为，但是，各 智能体之间直接或间接的局部通信催生了系统复杂全 局行为的产生。(来自 Wikipedia)
2019/3/31
细胞自动机由一些特定规则的格子所组成，每个格子看做是一个 细胞；每一个细胞可以具有一些状态，但是在某一时刻只能处一 种状态之中。随着时间的变化，格子上的每一个细胞根据周围细 胞的情形，按照相同的法则而改变状态。换句话说，一个细胞的 状态由上一时刻所围绕细胞的状态所决定。
微粒群中的个体(微粒)可理解为CA中的细胞，这些细胞在不同维上可 以同时改变它的状态。
微粒位置的更 新策略
鸟群行为 PSO
2019/中心
基本PSO
• x (t ) ：t次迭代后第i个微粒的位置； i
•
pi (t ) ：微粒 xi 从初始到目前迭代次数所得到的最好位置，通
常称为微粒个体最优点；
• pg (t )：微粒 xi 邻域内所有微粒从开始到目前迭代次数所得 到的最优位置，通常称为微粒全局最优点；
加速度比较适合应用于.P. Engelbrecht)
8
智能优化与控制研究中心
在某些方面PSO与细胞自动机(Cellular Automata, CA)是紧密联系的
①每一个细胞个体同时被更新；
②细胞状态的变化只受细胞自身和周遭细胞的影响； ③所有细胞均遵循同样的更新规则。(Rucker,1999)研究中心
两维细胞自动机——生命游戏 (J. H. Conway)
闪光灯(blinker)
滑翔机(glider)
闪光灯：在叠代过程中，细胞群会在有限的叠代次数内周期循环其形状
基于人工智能的群体决策算法研究
基于人工智能的群体决策算法研究随着人工智能技术的不断发展与普及，越来越多的企业和组织开始利用人工智能技术来提高决策效率和准确性。
其中，基于人工智能的群体决策算法成为了研究的热点。
本文将探讨基于人工智能的群体决策算法的研究现状和未来发展方向。
一、群体决策算法简介群体决策算法是指在自然或人工构建的群体中，通过收集、整合、加权各个成员的意见、知识、经验等信息，形成群体的决策结果。
在群体决策算法中，每个成员都可以成为决策的参与者或者决策的对象。
同时，决策可以基于不同的决策标准，可以是一个二元决策问题，也可以是一个多元决策问题。
二、基于人工智能的群体决策算法在人工智能技术的不断发展中，越来越多的人工智能算法被应用到群体决策中。
其中，一些基于人工智能的群体决策算法受到了广泛的关注。
这些算法包括模糊决策、神经网络、粒子群优化以及遗传算法等。
1. 模糊决策模糊决策是将传统的严格数学方法应用到模糊情况下的决策问题中。
在模糊决策中，将决策问题中的参数、变量、问题定义等抽象的概念进行模糊化处理，从而使得问题可以应用于模糊的数学算法中。
模糊决策在基于人工智能的群体决策中经常被使用，其主要好处在于可以用一种灵活的方式来处理决策问题。
2. 神经网络神经网络是一种基于模拟人脑中神经元的机器学习算法。
在神经网络中，可以通过构建一个神经元网络来对一些问题进行分类、识别等。
在基于人工智能的群体决策中，可以利用神经网络方法来进行决策概率、领域权值等的估计，从而提高决策的准确性和实效性。
3. 粒子群优化粒子群优化算法是一种基于群体智能的优化算法。
在粒子群优化中，算法通过模拟群体中各成员之间的相互作用和信息交流，从而形成出一种优化算法。
在基于人工智能的群体决策中，可以将粒子群优化算法应用于解决一些决策问题。
4. 遗传算法遗传算法是一种基于生物进化原理的优化算法。
在遗传算法中，通过对群体个体进行选择、交叉和变异等操作，从而形成出一种进化过程。
人工智能领域群体智能与协同学习方面50个课题名称
人工智能领域群体智能与协同学习方面50个课题名称以下是人工智能领域群体智能与协同学习方面的50个课题名称：1. 基于群体智能的多智能体系统的设计与优化2. 协同学习中的智能体行为模型和规划算法研究3. 群体智能在智能车队协同驾驶中的应用4. 社交媒体中的群体智能分析与决策支持5. 协同学习中的跨学科知识融合与共享6. 基于群体智能和协同学习的大规模模拟环境构建与优化7. 群体智能与协同学习在医疗诊断与治疗中的应用8. 云计算环境下的群体智能和协同学习算法设计9. 基于群体智能和协同学习的智能产品设计与开发10. 群体智能与协同学习在金融风险控制中的应用11. 社会网络中基于群体智能的动态协同学习算法12. 群体智能和协同学习在智能制造中的应用研究13. 基于群体智能的个性化协同学习模型与算法研究14. 群体智能和协同学习在电力系统中的应用研究15. 跨文化协同学习中的群体智能模型与算法设计16. 基于群体智能的智能机器人协同工作研究17. 群体智能与协同学习在城市交通管理中的应用18. 多模态数据融合中的群体智能和协同学习算法研究19. 群体智能与协同学习在环境保护中的应用研究20. 基于群体智能的场景识别和行为预测算法设计21. 群体智能和协同学习在军事作战中的应用研究22. 基于群体智能的供应链管理和协同决策研究23. 群体智能与协同学习在智慧教育中的应用研究24. 面向物联网的群体智能算法和协同学习模型研究25. 基于群体智能的云机器人协同工作研究26. 群体智能和协同学习在智能家居中的应用研究27. 基于群体智能的自动驾驶协同决策算法设计28. 群体智能与协同学习在电子商务中的应用研究29. 健康管理中的群体智能和协同学习算法研究30. 群体智能与协同学习在社会服务中的应用研究31. 基于群体智能的智能交互设计与评估方法研究32. 群体智能和协同学习在智能农业中的应用研究33. 基于群体智能的智慧城市协同决策研究34. 自组织的群体智能和协同学习算法设计35. 基于群体智能的智能安防系统研究36. 群体智能与协同学习在社交机器人中的应用研究37. 基于群体智能的医疗协同决策算法研究38. 群体智能与协同学习在无线通信系统中的应用研究39. 基于群体智能的智能制造协同决策模型与算法研究40. 群体智能和协同学习在工业控制系统中的应用研究41. 基于群体智能的人工生命系统建模与仿真研究42. 群体智能与协同学习在智能交通系统中的应用研究43. 基于群体智能的人工智能游戏设计与开发44. 群体智能和协同学习在智能电网中的应用研究45. 群体智能和协同学习在视频监控系统中的应用研究46. 基于群体智能的智能音频处理算法研究47. 群体智能与协同学习在智能物流中的应用研究48. 基于群体智能的智能大数据分析和预测方法研究49. 群体智能和协同学习在无人机系统中的应用研究50. 基于群体智能的智能图像处理和识别算法研究。
- 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)。
龙源期刊网 http://www.qikan.com.cn
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，以互联网和移动通信为纽带，人类群体、大数据、物联
网已经实现了广泛和深度的互联，使得人类群体智能在万物互联的信息环境中日益发挥越来越
重要的作用，由此深刻地改变了人工智能领域。例如：基于群体编辑的维基百科、基于群体开
发的开源软件、基于众问众答的知识共享、基于众筹众智的万众创新、基于众包众享的共享经
济，等等。这些趋势昭示着人工智能已经迈入了新的发展阶段，新的研究方向和新范式已经逐
步显现出来，从强调专家的个人智能模拟走向群体智能，智能的构造方法从逻辑和单调走向开
放和涌现，智能计算模式从“以机器为中心”的模式走向“群体在计算回路”，智能系统开发方法
从封闭和计划走向开放和竞争。因此，我们必须依托良性的互联网科技创新生态环境实现跨时
空地汇聚群体智能、高效率地重组群体智能、更广泛而精准地释放群体智能。
群体智能是新一代人工智能的重要领域
基于互联网的群体智能理论和方法是新一代人工智能的核心研究领域之一，对人工智能的
其他研究领域有着基础性和支撑性的作用。著名科学家钱学森先生在上世纪90年代曾提出综
合集成研讨厅体系，强调专家群体以人机结合的方式进行协同研讨，共同对复杂巨系统的挑战
性问题进行研究。《规划》提出的群体智能研究方向，实质上正是综合集成研讨厅在人工智能
新时代的拓展和深化。它的研究内涵不单是关注精英专家团体，而是通过互联网组织结构和大
数据驱动的人工智能系统吸引、汇聚和管理大规模参与者，以竞争和合作等多种自主协同方式
来共同应对挑战性任务，特别是开放环境下的复杂系统决策任务，涌现出来的超越个体智力的
智能形态。在互联网环境下，海量的人类智能与机器智能相互赋能增效，形成人机物融合的
“群智空间”，以充分展现群体智能。其本质上是互联网科技创新生态系统的智力内核，将辐射
包括从技术研发到商业运营整个创新过程的所有组织及组织间关系网络。因此，群体智能的研
究不仅能推动人工智能的理论技术创新，同时能对整个信息社会的应用、体制、管理、商业创
新等提供核心驱动力。
瞄准群体智能前沿
突破理论和技术瓶颈
《规划》在群体智能的基础理论和前沿技术分别设置了四个方面的基础理论研究任务和八
个方向的关键共性技术研究任务，以建立关于群体智能的完整理论和技术体系，突破大规模群
智空间构造、运行、协同和演化等关键核心技术，使得我国群体智能的研究达到世界领先水
平。
龙源期刊网 http://www.qikan.com.cn
在群体智能的基础理论部分，《规划》设置了四个方面的研究任务，包括：群体智能的结
构理论与组织方法、群体智能激励机制与涌现机理、群体智能学习理论与方法、群体智能通用
计算范式与模型，以解决群智组织的有效性、群智涌现的不确定性、群智汇聚的质量保障、群
智交互的可计算性等科学问题。 在群体智能关键共性技术部分，《规划》设置了八个方向的
研究任务，包括：群体智能的主动感知与发现、知识获取与生成、协同与共享、评估与演化、
人机整合与增强、自我维持与安全交互、服务体系架构以及移动群体智能的协同决策与控制
等，以支撑形成群智数据-知识-决策自动化的完整技术链条。具体地，需要研究基于群体与环
境数据分析的主动感知，对互联网群体行为进行多模态信息感知，建立对网络化感知信息的知
识表示框架，突破基于群智的知识获取和生成技术，以实现群智空间善感、能知的基本目标；
面向群体智能不断涌现产生的海量智力成果，研究大众化协同与开放式共享技术、持续性评估
与可行演化技术，以保障群智成果汇聚质量；研究人机增强和移动群体智能，解决在开放动态
环境下群体与机器的协同强化、回环演进的问题；研究群智空间的体系结构和安全交互机制，
以实现群智空间的高效组织和可信运行。
建立群体智能平台
推进群体智能应用
我国现阶段虽具有丰富的人力资源，但是尚未释放出丰富而强大的群体智能，充分发挥对
国家创新体系的支撑作用。《规划》立足国情和现实需要，聚焦平台与应用，提出构建群智众
创计算支撑平台，打造面向科技创新的群智科技众创服务系统，推动群智服务平台在智能制
造、智能城市、智能农业、智能医疗等重要领域应用，形成群体智能驱动的应用系统和创新生
态，占据全球价值链高端。
具体地，通过打造面向基础研究和高技术研究的、跨学科、跨行业的“群智空间”，有效整
合各类科技资源和智力资源，构造基于互联网的群智众创服务平台， 支撑建立科技众创、软
件创新、群智决策等共性应用服务系统，解决国家经济社会发展和民生改善的重大问题。尤其
是紧密结合我国在智能经济和智能社会的发展需求，形成一批群体智能重大应用需求的产品和
解决方案，如：构建群智软件学习与创新系统和群智软件开发与验证自动化系统，服务国家对
软件自主创新的重大需求；构建人机协同、交互驱动的演进式群智决策系统，实现开放环境下
复杂问题求解和智能决策；研制面向各类民生服务领域的群智共享经济服务系统，提高民生领
域稀缺、高质量资源的利用率和共享度，改善我国人民生活质量。同时，在国家主要科技方向
和领域推动形成基于群体智能的科技创新生态系统，培育新兴繁荣的群体智能产业发展新生
态、新模式，将加速促进传统产业转型升级和新兴产业发展，使中国群体智能成为国家科技创
新的核心驱动力，全面支撑国家的“大众创业、万众创新”重大战略。
相关链接
龙源期刊网 http://www.qikan.com.cn
过去的科技进步主要是指提升执行指定任务的能力。而当今的人工智能则是赋予机器反应
和适应能力以优化产出。通过与物联网、机器人等技术的结合，人工智能能够构造出一个整合
的信息物理世界。
当今人工智能发展势头正猛，未来有望在全球多个行业和场景下得到广泛运用，尤其是将
会看到大量的人类工作被机器取代。
当然，技术可行性只是影响自动化速度及程度的一个因素，还有其他因素需要考虑，包括
研发和应用成本、劳动力市场供需、经济效益，以及社会和政府监管部门的接受度。
综合上述因素，麦肯锡的报告指出，在现今所有工作内容之中，过半会在2055年左右自
动化，但这过程存在诸多变量。如果自动化推进速度快，达到该程度可能会提前20年；如果
推进缓慢，则可能延后20年。
展望未来，人工智能可成为应对一些社会核心挑战的强大工具。在医疗领域，人工智能将
极大提升我们分析人类基因组和为患者开发个性化治疗方案的能力，甚至大大加快治愈癌症、
阿茲海默症和其他疾病的进程。在环保领域，人工智能能够分析气候特征并大规模降低能耗，
帮助人类更好地监控和应对气候变化问题。人工智能甚至可以在地球以外地区发挥作用，他日
或助力人类探索火星及外太空。