(仿生智能计算报告.docxVIP

1.遗传文化社会认知算法已有的群体智能算法都是通过模拟自然界生物个体内部单一的系统( DNA 分子、免疫系统、神经网络) 或单一的生物群体( 蚁群、粒子群、鱼群等) 的某项功能而设计的，都存在自身的优点与不足。事实上，群体智能的演化不应仅局限于生物个体内部的某一系统或孤立的生物群体之间，应该是由基于基因的遗传进化、生物群体的学习、知识的积累与沉淀、知识对生物群体进化的影响构成的一个循环演化过程，如图2 所示。人类社会群体智能的演化就十分符合这一过程: 在人类社会中，由具有优良基因的个体构成的群体具备更强的智能，由这一群体形成的知识，通过积累沉淀成为人类社会宝贵的文化，通过文化的影响能够加速社会群体智能的演化。在人类社会中，个体所获得的知识以一种公共认知的形式影响着社会中的其他个体，加速整体进化，帮助个体更加适应环境，从而形成文化。基于此，Ｒeynolds 提出了一种源于文化进化的双层进化模型，称为文化算法 ( culture algorithm，CA)［4］。已经有文献证明，在文化加速进化作用下的进化远优于单纯依靠基因遗传的生物进化［8］。群体智能的演化应该是由基因遗传进化、生物群体的演化、生物群体文化的积累与沉淀、文化对生物群体进化的影响构成的一个相互影响和相互促进的过程。鉴于上述思想，本文提出了( GCS) 算法。新型群体智能算法框架如图4 所示。该算法包括微观层、中间层和信仰层三层协同演化空间。GCS 算法的构建思路为: a) 将遗传算法纳入微观层，为中间层提供具有良好基因的个体; b) 将改进的社会认知算法纳入文化算法框架之内，作为中间层，模拟人类群体的学习过程; c)不断地从中间层提取有用的知识存储到信仰空间，信仰空间里的知识通过积累沉淀形成文化，并应用文化来指导中间层群体的演化。2. GCS 算法的计算流程a) 首先，在 GCS 算法的微观层，按照基因遗传变异的演化过程，通过遗传算法的运作，选择具有较好基因的个体到 GCS算法的中间层。b) 将从微观层选择的优秀个体作为中间层 SCO 算法的初始群体，使用评价函数评价种群空间内的个体。c) 在中间层，按照 SCO 算法计算流程，执行群体的认知学习过程。d) 当 SCO 算法执行完一次完整的演化之后，通过接受函数将中间层优秀个体作为知识提取到信仰空间，用更新函数更新信仰空间里的知识，对知识执行基于模仿学习的进化操作。e) 当信仰空间里的知识经过 k 代的更新后，通过影响函数来指导中间层群体的演化。f) 如此迭代直至达到算法结束的条件。下面给出 GCS 算法中关键函数的定义:Evaluate( ) : 计算每个解的评价值; 通常需要根据具体问题设计相应的评价函数。Accept( ) : 从中间层提取若干个优秀的解到信仰空间。Update( ) : 用评价值较好的新解替代信仰空间内评价值较差的解。BEvolve( ) : 指信仰空间内知识的进化; 这里是按照模仿学习机制进行进化的。PEvolve( ) : 指群体空间内的进化; 中间层的群体按照 SCO的计算流程进行演化。Influence( ) : 用信仰空间的知识指导中间层群体的演化;具体操作是用信仰空间的解替换群体空间中较差的解，并将信仰空间的解随机分配给代理。3. QoS 感知的云服务优化组合问题本文所设计的 GCS 算法主要用来求解离散型的组合优化问题，为验证该算法在求解离散型组合优化问题的性能，本文采用 GCS 算法求解 QoS 感知的云服务优化组合问题。QoS 感知的云服务优化组合问题是当前计算机领域的研究热点问题，具有一定的代表性，通过对该问题的求解能够验证 GCS 的性能。云服务组合是创建增值服务的新模式，蕴藏着巨大的应用价值［9］。QoS 感知的云服务优化组合是一个典型的组合优化问题，服务组合算法关系到服务组合的质量和成败，因此，设计基于群体智能的服务组合算法成为服务计算和云计算领域的研究热点。由于网络上存在大量候选服务，使得每一个任务节点都对应一个云服务群。云服务组合流程如图 5 所示。云服务群是指由具有相同功能和不同 QoS 的云服务组成的服务集合。云服务的 QoS 指标［10］主要包括费用( cost) 、反应时间( responsetime) 、可靠性( reliability) 、可用性( availability) 以及领域属性( domain QoS) 等。文献［11］给出了考虑领域属性的组合 Web服务 QoS 计算方法，这里不再对组合云服务的 QoS 聚合方法进行研究，而直接采用文献［11］中的方法计算组合云服务的QoS 属性。QoS 感知的云服务优化组合就是从每个云服务群中选择一个具体的云服务，使得由这些云服务聚合成的组合云服务既满足用户 QoS 约束又具有最优的全局服务质量。设一个