第十章_群集智能与蚁群算法.ppt

第十章 群集智能与蚁群算法 2013年6月 第1节 群体智能概念1.群体智能(Swarm Intelligence) 研究意义－群体智能概念 群体智能这个概念来自对蜜蜂和蚂蚁的观察。一组相互之间可以进行直接通信或者间接通信(通过改变局部环境)的主体，这组主体能够合作进行分布问题求解 。 任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置都称为群体智能。 群体智能在没有集中控制并且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了基础。 研究意义－群体智能的特点 分布式：能够适应当前网络环境下的工作状态; 鲁棒性：没有中心的控制与数据，个体的故障不影响整个问题的求解; 扩充性：个体的增加，系统的通信开销增加小; 简单性：个体简单，实现也比较简单。 研究意义 群体智能的研究不仅在多主体仿真、系统复杂性以及NP问题等方面为人工智能、认识科学、计算经济学等领域的基础理论问题的研究开辟了新的研究途径，同时也为诸如组合优化、机器人协作、电信路由控制等实际工程问题提供了新的解决方法。因此，群体智能的研究具有重要意义和广阔的应用前景。 研究现状－国外 美国的SDG 组织在系统复杂性方面开展了研究。他们主要通过多主体的仿真来研究系统复杂性。他们开发的SWARM软件包为多学科进行基于多主体的建模提供了一个基础平台； 加州工学院专门开设了群体智能的课程； 欧洲联盟资助的SWARM-BOTS项目的主要目标是研究设计和实现自组织和自装配的装置的新途径。它的理论基础是群体智能和蚁群算法的近期研究成果，即对群居性昆虫和其它动物群体的自组织和自装配能力的研究。 研究现状－国内 国家自然科学基金在“十五”期间学科交叉类优先资助领域第一类属于把握科学前沿，推动源头创新的项目。 其中第7项认知科学及其信息处理的研究内容就明确列出了群体智能的进化、自适应与现场认知。相关项目还有第9项复杂系统与复杂性。 主要研究方向 蚁群寻食行为研究，相对应组合优化算法和通信网络路由控制算法； 群体分工和任务分配行为研究，相对应多主体分工协作算法； 巢穴组织和自组织行为及群体分类行为研究，相对应数据分析和图的分割算法； 建巢和自装配行为研究，相对应模拟建巢算法； 群体合作搬运行为研究，相对应机器人合作搬运算法。 所需解决的关键问题 蚁群算法 效率与理论； 由于没有标准的测试集，除了寻食模型，蚁卵聚类、蚁群分工和蚁巢自装配等模型都只处于证实阶段 理论和实验 ； 一个多主体自组织模型实验和测试平台 ； 对于追求效率的实际问题，如何既保持群体智能系统的灵活性和鲁棒性等自组织特征又能保证系统的高效率也是一个关键问题 ； 群体智能与分布式智能的智能主体研究相结合，将产生新的智能主体协作、建模等算法和机制，提出网络和网格环境的自适应多智能主体系统 。 蚂蚁寻找最短路径原理 2. 蚁群优化算法研究现状 1/7 90年代Dorigo最早提出了蚁群优化算法---蚂蚁系统（Ant System, AS）并将其应用于解决计算机算法学中经典的旅行商问题（TSP）。从蚂蚁系统开始，基本的蚁群算法得到了不断的发展和完善，并在TSP以及许多实际优化问题求解中进一步得到了验证。这些AS改进版本的一个共同点就是增强了蚂蚁搜索过程中对最优解的探索能力，它们之间的差异仅在于搜索控制策略方面。而且，取得了最佳结果的ACO是通过引入局部搜索算法实现的，这实际上是一些结合了标准局域搜索算法的混合型概率搜索算法，有利于提高蚁群各级系统在优化问题中的求解质量。 蚁群优化算法研究现状 2/7 最初提出的AS有三种版本：Ant-density、Ant-quantity和Ant-cycle。在Ant-density和Ant-quantity中蚂蚁在两个位置节点间每移动一次后即更新信息素，而在Ant-cycle中当所有的蚂蚁都完成了自己的行程后才对信息素进行更新，而且每个蚂蚁所释放的信息素被表达为反映相应行程质量的函数。通过与其它各种通用的启发式算法相比，在不大于75城市的TSP中，这三种基本算法的求解能力还是比较理想的，但是当问题规模扩展时，AS的解题能力大幅度下降。 因此，其后的ACO研究工作主要都集中于AS性能的改进方面。较早的一种改进方法是精英策略(Elitist Strategy)，其思想是在算法开始后即对所有已发现的最好路径给予额外的增强，并将随后与之对应的行程记为Tgb(全局最优行程)，当进行信息素更新时，对这些行程予以加权，同时将经过这些行程的蚂蚁记为“精英”，从而增大较好行程的选择机会。这种改进型算法能够以更快的速度获得更好的解。但是若选择的精英过多则算法会由