群集智能介绍.pptVIP

高级人工智能 史忠植 背景 　　　我们经常能够看到成群的鸟、鱼或者浮游生物。这些生物的聚集行为有利于它们觅食和逃避捕食者。它们的群落动辄以十、百、千甚至万计，并且经常不存在一个统一的指挥者。 　　它们是如何完成聚集、移动这些功能呢？ 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。 蚂蚁寻找最短路径原理 第k个蚂蚁从城市i到城市j 的跃迁概率为： 算法介绍 　　 　　　　　粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation）,由Eberhart博士和kennedy博士于1995年提出 (Kennedy J，Eberhart R． Particle swarm optimization．Proceedings of the IEEE International Conference on Neural Networks．1995．1942~1948.)。源于对鸟群捕食的行为研究。 　 　　　粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解． 算法介绍 　　设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在那。但是它们知道自己当前的位置距离食物还有多远。 　那么找到食物的最优策略是什么？ 　最简单有效的就是搜寻目前离食物最近的鸟的 　周围区域。 算法介绍 　抽象： 　　　鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间，粒子I 在N维空间的位置表示为矢量 Xi＝(x1，x2，…，xn)，飞行速度表示为矢量Vi＝(v1，v2，…，vn),每个粒子都有一个由目标函数决定的适应值(fitness value)； 　　　并且知道自己到目前为止发现的最好位置(pbest) ；除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest) 　(gbest是pbest中的最好值)。 　　　　 　　　粒子怎么样到达下一步的运动？ 粒子群优化 粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和RC Eberhart等于1995年开发的一种演化 机制。 粒子(particle)”是一个折衷的选择,因为既需要 将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。 Particle Swarm Optimization (PSO) applies to concept of social interaction to problem solving. It was developed in 1995 by James Kennedy and Russ Eberhart [Kennedy, J. and Eberhart, R. (1995). “Particle Swarm Optimization”, Proceedings of the 1995 IEEE International Conference on Neural Networks, pp. 1942-1948, IEEE Press.] (/members/payman/swarm/kennedy95-ijcnn.pdf ) 特点 分布式搜寻 具记忆性 组件较少，容易实现 适合在连续性的范围内搜寻 演算法介绍 每个寻优的问题解都被想象成一只鸟，我们也称为“Particle”。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏， 每一个Particle必须赋予记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 速度更新 Vid ：每一Particle在第d维之速度 i：Particle之编号 d：维度 w ：Inertia Weight c1、c2：学习 Rand()：一介于0至1的随机数 Pid ：每一Parti