群智能ppt

小组成员：

研究背景：



作为一种新兴演化计算技术，群智能已成为新的研究热点，它与人工生命，特别是进化策略和遗传算法有着极为特殊的联系。已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法，更为重要的是，群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。无论是从理论研究还是应用研究的角度分析，群智能理论及应用研究都是具有重要学术意义和现实价值的。

群智能的基本原理：

群智能是一种由无智能或简单智能的个体通过任何形式的聚集协同而表现出智能行为。

群智能理论的基本原理是以生物社会系统(Biology social system) 为依托的,也就是由简单个体组成的群落与环境以及个体之间的互动行为。这种生物社会性的模拟系统利用局部信息产生难以估量的群体行为。



群智能典型算法：

微粒群算法蚁群算法粒子群优化算法人工鱼群算法

微粒群算法：

微粒群算法和其他演化算法相似，也是根据对环境的适应度将群体中的个体移动到好的区域,因此有人认为它属于演化算法的一种。不同之处在于它不象其它演化算法一样对个体使用演化算子,而是将每个个体看作是d 维搜索空间中的一个没有体积没有质量的微粒，在搜索空间中以一定的速度飞行，并根据对个体和集体的飞行经验的综合分析来动态调整这个速度。

微粒i 在d 维(1 ≤d≤D) 空间的运动遵循如下方程进行：

式中的第一部分为微粒先前的速度乘一个权值进行加速，表示微粒对当前自身运动状态的信任，依据自身的速度进行惯性运动；第二部分为“认知”部分，表示微粒本身的思考，即一个得到加强的随机行为在将来的出现几率增大。这里的行为即“认知”，并假设获得正确的知识是得到加强的，从而实现一个增强学习过程.第三部分为“社会”部分，表示微粒间的信息共享与相互合作。

蚁群算法原理：

蚁群算法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。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。

蚁群觅食过程演示：

粒子群优化算法：

粒子群优化算法初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己．同时也通过跟踪它们实现粒子间的信息交换。第一个就是粒子本身所找到的最优解，这个解叫作个体极值pBest(“自身经验’’)。另一个极值是整个群体目前找到的最优解。这个极值是群体极值gBest(群体的“社会经验”)。

人工鱼群算法：

人工鱼群算法利用自上而下的寻优模式模仿自然界鱼群觅食行为，主要利用鱼的觅食、聚群和追尾行为，构造个体底层行为；通过鱼群中各个体的局部优化，达到全局最优值在群体中凸现出来的目的。在基本运算中引入鱼群的生存机制，竞争机制以及鱼群的协调机制，提高算法的有效效率。

主要行为：(1)觅食活动(2)聚群行为(3)追尾行为(4)随机行为

人工鱼群算法特点：

1)具有较快的收敛速度，可以用于解决有实时性要求的问题；

2)对于一些精度要求不高的场合，可以用它快速的得到一个可行解；

3)不需要问题的严格机理模型，甚至不需要问题的精确描述，这使得它的应用范围得以延伸。

小结

群智能的思路，为在没有集中控制且不提供全局模型的前提下寻找复杂的分布式问题求解方案提供了基础。目前．群智能中的算法已被广泛应用于组合优化问题中．在车辆调度问题、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。相应理论研究及改进算法近年来不断取得新的成果。