人工智能-10 群智能.ppt

* * * * * * * * * * 蚁群算法（Ant Colony Optimization, ACO）由Colorni，Dorigo和Maniezzo在1991年提出，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。自然界种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。 ACO算法设计虚拟的“蚂蚁”，让它们摸索不同路线，并留下会随时间逐渐消失的虚拟“信息素”。根据“信息素较浓的路线更近”的原则，即可选择出最佳路线。 目前，ACO算法已被广泛应用于组合优化问题中，在图着色问题、车间流问题、车辆调度问题、机器人路径规划问题、路由算法设计等领域均取得了良好的效果。也有研究者尝试将ACO算法应用于连续问题的优化中。由于ACO算法具有广泛实用价值，成为了群智能领域第一个取得成功的实例，曾一度成为群智能的代名词，相应理论研究及改进算法近年来层出不穷。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * ，它射程远，飞行高度低，攻击突然性大。“战斧”巡航导弹射程最远达2500公里，最近为450公里，均在敌火力网外发射，因此发射平台很难被对方发现。导弹在海面飞行高度7～15米，平坦陆地为50米以下，山区和丘陵地带为100米以下，基本是随地形的起伏而不断改变飞行高度，而这一高度又都在对方雷达盲区之内，所以也很难为对方的发现，极易造成攻击的突然性。另外，导弹采取有效隐身措施后，其雷达反射面积仅为0.02～0.1平方米，相当于一只小海鸥的反射能力。新一代巡航导弹在雷达荧光屏上只有针尖大小的一个目标光点，可见很难探测。 世界上第一枚巡航式导弹是德国的V─1飞弹。第二次世界大战期间，德国曾向英国发射了10500枚V─1飞弹，但落在]英国本土的只有约3200枚。 1991年的海湾战争中，美国向伊拉克的重要目标发射了数百枚“战斧”式巡航导弹，大都准确击中了目标。 巡航导弹 第三，它的命中精度高，摧毁能力强。射程2500～3000公里的巡航导弹，命中误差不大于60米，精度好的可达10～30米，基本具有打点状硬目标的能力 1马赫=每小时1126公里 飞行速度6-8马赫 * 鸟类的觅食 一群鸟在随机的搜索食物，在一块区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己的当前位置距离食物有多远。 那么这群鸟找到食物的最优策略是什么？ 群体协作-获取信息、共享信息 粒子群优化算法 粒子群优化算法 每个鸟抽象为一个无质量，无体积的“粒子” 每个粒子有一个适应度函数以模拟每只鸟与食物的距离 每个粒子有一个速度决定它的飞行方向和距离，初始值可以随机确定 每一次单位时间的飞行后，所有粒子分享信息，下一步将飞向自身最佳位置和全局最优位置的加权中心 粒子群优化算法流程 PSO算法 初始化为一群随机粒子，通过迭代找到最优。 每次迭代中，粒子通过跟踪“个体极值（pbest）”和“全局极值(gbest)”来 更新自己的位置。 粒子群优化算法 粒子速度和位置的更新 假设在D维搜索空间中，有m个粒子； 其中第i个粒子的位置为矢量 其飞翔速度也是一个矢量，记为 第i个粒子搜索到的最优位置为 整个粒子群搜索到的最优位置为 第i个粒子的位置和速度更新为： 粒子群优化算法 粒子速度和位置的更新 其中，w称为惯性权重， c1和c2为两个正常系数，称为加速因子。 将 vidk 限制在一个最大速度 vmax 内。 “惯性部分”，对自身运动状态的信任 “认知部分”，对粒子本身的思考，即来源于自己经验的部分 “社会部分”，粒间子的信息共享，来源于群体中的其它优秀微粒的经验 粒子群优化算法 基本粒子群算法描述 算法流程 Start Initialize particles with random position and velocity vectors. For each particle’s position (xi) evaluate fitness If fi