计算智能课件-群智能（SI）.pptxVIP

智能优化算法

——群智能（SI）

Metaheuristics分类FigurefromJohannDréoviaWikimediaCommons

群智能（SwarmIntelligence）群智能概述粒子群优化（ParticleSwarmOptimization，PSO）蚁群优化（AntColonyOptimization，ACO）

群智能概述（1）群智能图片来自05/SASS/jsp/zytx/huiyijiyao/ppt/12.ppt生物学家研究表明：在这些群居生物中虽然每个个体的智能不高，行为简单，也不存在集中的指挥，但由这些单个个体组成的群体，似乎在某种内在规律的作用下，却表现出异常复杂而有序的群体行为。群智能由昆虫群体或其它动物社会行为机制而激发设计出的算法或分布式解决问题的策略

群智能概述（2）Swarm可被描述为一些相互作用相邻个体的集合体，蜂群、蚁群、鸟群都是Swarm的典型例子。----个体行为受到群体行为的影响，趋利避害。个体所能获得的信息远比它通过自身感觉器官所取得的多，其根本原因在于个体之间存在着信息交互能力。----群体有着很强的生存能力，这种能力不是单纯个体行为的叠加。社会性动物群体所拥有的这种特性能帮助个体很好地适应环境，

群智能的基本原则邻近原则（ProximityPrinciple）：群体能够进行简单的空间和时间计算质量原则（QualityPrinciple）：群体不仅能够对时间和空间因素作出反应，而且能够响应环境中的质量因子（如事物的质量或位置的安全性）多样性反应原则（PrincipleofDiverseResponse）：群体不应将自己获取资源的途径限制在过分狭窄的范围内稳定性原则（StabilityPrinciple）：即群体不应随着环境的每一次变化而改变自己的行为模式适应性原则（AdaptabilityPrinciple）：当改变行为模式带来的回报与能量投资相比是值得的时，群体应该改变其行为模式

群智能的特点控制是分布式的，不存在中心控制群体中的每个个体都能够改变环境，这是个体之间间接通信的一种方式，这种方式被称为“激发工作”（Stigmergy）群体中每个个体的能力或遵循的行为规则非常简单，因而群智能的实现比较方便，具有简单性的特点群体表现出来的复杂行为是通过简单个体的交互过程突现出来的智能（EmergentIntelligence），因此，群体具有自组织性

典型的群智能算法粒子群优化算法（PSO）蚁群算法（ACO）鱼群算法

粒子群优化算法（PSO）粒子群优化（ParticleSwarmOptimization,PSO）是由Kennedy和Eberhart于1995年提出的一种进化计算技术，其源于对鸟群捕食行为的研究。该算法模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于SwarmIntelligence的优化方法。粒子在解空间追随最优的粒子进行搜索。PSO的优势在于简单容易实现同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用，并且没有许多参数需要调整。

避免碰撞速度匹配中心聚集鸟群的飞行行为

Randomlysearchingfoods社会型行为的模拟

社会行为１２6Max

鸟群觅食模型FoodGlobalBestSolutionPastBestSolution

算法思想的简单来源设想这样一个场景：一群鸟随机的分布在一个区域中，在这区域里只有一块食物。所有的鸟都不知道食物在哪里。那么找到食物的最优策略是什么呢？最简单有效的方法就是追寻自己视野中目前离食物最近的鸟。如果把食物当作最优点，而把食物浓度的当作函数的适应度，那么鸟寻觅食物的过程就可以当作一个函数寻优的过程。由此受到启发，经过简化提出了粒子群优化算法。

PSO算法的基本思想每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子，然后通过迭代找到最优解。

全局PSO模型基本原理：采用简单的速度－位置模型，通过种群间个体的合作与竞争来实现对优化问题的求解PSO抽象表示在D维搜索空间中，有N个粒子组成一群体。粒子i位置：