人工智能基礎(chǔ)07自動(dòng)規(guī)劃系統(tǒng)課件

1、目錄第一章緒論第二章知識(shí)表示 第三章搜索技術(shù)第四章推理技術(shù)第五章機(jī)器學(xué)習(xí) 第六章專家系統(tǒng) 第七章自動(dòng)規(guī)劃系統(tǒng)第八章 自然語(yǔ)言理解第九章 智能控制第十章 人工智能程序設(shè)計(jì)自動(dòng)規(guī)劃概述基于謂詞邏輯的規(guī)劃STRIPS規(guī)劃系統(tǒng)分層規(guī)劃基于專家系統(tǒng)的機(jī)器人規(guī)劃軌跡規(guī)劃簡(jiǎn)介7.1 自動(dòng)規(guī)劃概述7.1.1 規(guī)劃的概念及作用 1. 規(guī)劃的概念 定義7.1 從某個(gè)特定的問(wèn)題狀態(tài)出發(fā)，尋求一系列行為動(dòng)作，并建立一個(gè)操作序列，直到求得目標(biāo)狀態(tài)為止。這個(gè)求解過(guò)程就稱為規(guī)劃。 定義7.2 規(guī)劃是對(duì)某個(gè)待求解問(wèn)題給出求解過(guò)程的步驟。規(guī)劃涉及如何將問(wèn)題分解為若干相應(yīng)的子問(wèn)題，以及如何記錄和處理問(wèn)題求解過(guò)程中發(fā)現(xiàn)的各子問(wèn)題間

2、的關(guān)系。 定義7.3 規(guī)劃系統(tǒng)是一個(gè)涉及有關(guān)問(wèn)題求解過(guò)程步驟的系統(tǒng)。如計(jì)算機(jī)或飛機(jī)設(shè)計(jì)、火車或汽車運(yùn)輸路徑、財(cái)政和軍事規(guī)劃等問(wèn)題。7.1 自動(dòng)規(guī)劃概述7.1.1 規(guī)劃的概念及作用 例：救援仿真機(jī)器人系統(tǒng)（RoboCup Rescue Simulation System，RCRSS） 消防智能體 醫(yī)療智能體 警察智能體 普通市民 中心智能體 路障 避難所 著火建筑物 普通建筑物） 7.1 自動(dòng)規(guī)劃概述7.1.1 規(guī)劃的概念及作用 2. 規(guī)劃的作用 規(guī)劃可用來(lái)監(jiān)控問(wèn)題求解過(guò)程，并能夠在造成較大的危害之前發(fā)現(xiàn)差錯(cuò)。規(guī)劃的好處可歸納為簡(jiǎn)化搜索、解決目標(biāo)矛盾以及為差錯(cuò)補(bǔ)償提供基礎(chǔ)。 “十二五”規(guī)劃、城市

3、規(guī)劃、企業(yè)發(fā)展規(guī)劃7.1 自動(dòng)規(guī)劃概述7.1.2 規(guī)劃的分類和問(wèn)題分解途徑 1. 規(guī)劃的分類 （1）按規(guī)劃內(nèi)容分 國(guó)家、地方、重大項(xiàng)目、企業(yè)、交通、城市、環(huán)境 （2）按規(guī)劃方法分 非遞階（非分層）規(guī)劃與遞階（分層）規(guī)劃；線性規(guī)劃與非線性規(guī)劃；同步規(guī)劃與異步規(guī)劃；基于腳本、框架和本體的規(guī)劃；基于專家系統(tǒng)的規(guī)劃；基于競(jìng)爭(zhēng)機(jī)制的規(guī)劃； （3）按規(guī)劃實(shí)質(zhì)分 任務(wù)規(guī)劃、路徑規(guī)劃、軌跡規(guī)劃7.1 自動(dòng)規(guī)劃概述7.1.2 規(guī)劃的分類和問(wèn)題分解途徑 2. 問(wèn)題分解途徑把某些較復(fù)雜的問(wèn)題分解為一些較小的子問(wèn)題。有兩條實(shí)現(xiàn)這種分解的重要途徑。第一條重要途徑是當(dāng)從一個(gè)問(wèn)題狀態(tài)移動(dòng)到下一個(gè)狀態(tài)時(shí)，無(wú)需計(jì)算整個(gè)新的狀態(tài)

4、，而只要考慮狀態(tài)中可能變化了的那些部分。第二條重要途徑是把單一的困難問(wèn)題分割為幾個(gè)有希望的較為容易解決的子問(wèn)題。7.1 自動(dòng)規(guī)劃概述7.1.2 規(guī)劃的分類和問(wèn)題分解途徑 3. 域的預(yù)測(cè)和規(guī)劃的修正 （1）域的預(yù)測(cè) 問(wèn)題論域的預(yù)測(cè)。對(duì)于不可預(yù)測(cè)的論域，考慮可能的結(jié)果集合，按照它們出現(xiàn)的可能性以某個(gè)次序排列。然后，產(chǎn)生一個(gè)規(guī)劃、并試圖去執(zhí)行這個(gè)規(guī)劃。 （2）規(guī)劃的修正 規(guī)劃執(zhí)行失敗導(dǎo)致對(duì)規(guī)劃的修正。 在規(guī)劃過(guò)程中不僅要記錄規(guī)劃的執(zhí)行步驟，而且要記錄每一步必須要執(zhí)行的理由。7.2 基于謂詞邏輯的規(guī)劃 用謂詞邏輯來(lái)描述世界模型及規(guī)劃過(guò)程。 世界模型的謂詞邏輯表示定義謂詞確定問(wèn)題初始狀態(tài)確定問(wèn)題目標(biāo)狀態(tài)

5、確定基本操作 基于謂詞邏輯規(guī)劃的基本過(guò)程問(wèn)題分解子問(wèn)題規(guī)劃得到操作序列7.3 STRIPS規(guī)劃系統(tǒng) 7.3.1 積木世界的機(jī)器人規(guī)劃求解機(jī)器人完成規(guī)定工作的動(dòng)作序列 BACCBA機(jī)械手機(jī)械手(a)(b)7.3 STRIPS規(guī)劃系統(tǒng) 7.3.1 積木世界的機(jī)器人規(guī)劃 1. 積木世界的機(jī)器人問(wèn)題 機(jī)器人能夠執(zhí)行的動(dòng)作舉例如下： unstack(a,b)：把堆放在積木b上的積木a拾起。在進(jìn)行這個(gè)動(dòng)作之前，要求機(jī)器人的手為空手，且積木a的頂上是空的。 stack(a,b)： 把積木a堆放在積木b上。動(dòng)作之前要求機(jī)械手必須已抓住積木a，而且積木b頂上必須是空的。 pickup(a)： 從桌面上拾起積木a

6、，并抓住它不放。在動(dòng)作之前要求機(jī)械手為空手，而且積木a頂上沒(méi)有任何東西。 putdown(a)： 把積木a放置到桌面上。要求動(dòng)作之前機(jī)械手已抓住積木a。7.3 STRIPS規(guī)劃系統(tǒng) 7.3.1 積木世界的機(jī)器人規(guī)劃 1. 積木世界的機(jī)器人問(wèn)題狀態(tài)描述謂詞：ON(a,b)： 積木a在積木b之上。ONTABLE(a)： 積木a在桌面上。CLEAR(a)： 積木a頂上沒(méi)有任何東西。HOLDING(a)： 機(jī)械手正抓住積木a。HANDEMPTY： 機(jī)械手為空手。7.3 STRIPS規(guī)劃系統(tǒng) 7.3.1 積木世界的機(jī)器人規(guī)劃 2.用F規(guī)則求解規(guī)劃序列采用F規(guī)則表示機(jī)器人的動(dòng)作，這是一個(gè)叫做STRIPS規(guī)

7、劃系統(tǒng)的規(guī)則，它由3部分組成：第一部分是先決條件。為了使F規(guī)則能夠應(yīng)用到狀態(tài)描述中去。第二部分是一個(gè)叫做刪除表的謂詞。當(dāng)一條規(guī)則被應(yīng)用于某個(gè)狀態(tài)描述或數(shù)據(jù)庫(kù)時(shí)，就從該數(shù)據(jù)庫(kù)刪去刪除表的內(nèi)容。第三部分叫做添加表。當(dāng)把某條規(guī)則應(yīng)用于某數(shù)據(jù)庫(kù)時(shí)，就把該添加表的內(nèi)容添進(jìn)該數(shù)據(jù)庫(kù)。7.3 STRIPS規(guī)劃系統(tǒng) 7.3.1 積木世界的機(jī)器人規(guī)劃 2.用F規(guī)則求解規(guī)劃序列例： move(x, y, z): 把物體x從物體y上面移到物體z上面。 先決條件：CLEAR(x), CLEAR(z), ON(x,y) 刪除表：ON(x, y), CLEAR(z) 添加表：ON(x, z), CLEAR(y)7.3 S

8、TRIPS規(guī)劃系統(tǒng) 7.3.2 STRIPS規(guī)劃系統(tǒng) 斯坦福大學(xué)人工智能研究所于1966-72年研制的Shakey機(jī)器人是第一臺(tái)能夠進(jìn)行行動(dòng)推理的多用移動(dòng)機(jī)器人，該項(xiàng)目融合了機(jī)器人視覺(jué)、機(jī)器人學(xué)和自動(dòng)推理研究成果。機(jī)器人的任務(wù)是在一些相連的房間里，將用戶指定的箱子推到指定的位置。對(duì)于用戶輸入的每一個(gè)任務(wù)，Shakey自主地規(guī)劃完成該任務(wù)的行動(dòng)并依次執(zhí)行。 Shakey項(xiàng)目技術(shù)：規(guī)劃語(yǔ)言STRIPS（ STanford Research Institute Problem SolverSTRIPS ）和A*算法等。 STRIPS語(yǔ)言用來(lái)描述外部世界模型并支持任務(wù)規(guī)劃，它提供了框架問(wèn)題的一種簡(jiǎn)潔、

9、高效的解法，但理論上并不完備。7.3 STRIPS規(guī)劃系統(tǒng) 7.3.2 STRIPS規(guī)劃系統(tǒng) STRIPS系統(tǒng)的組成如下：(1) 世界模型。為一階謂詞演算公式。(2) 操作符(F規(guī)則)。包括先決條件、刪除表和添加表。(3) 操作方法。應(yīng)用狀態(tài)空間表示和中間-結(jié)局分析。規(guī)劃過(guò)程每個(gè)STRIPS問(wèn)題的解答為某個(gè)實(shí)現(xiàn)目標(biāo)的操作符序列，即達(dá)到目標(biāo)的規(guī)劃。 A Service Robot Copes with Changes Understanding, Learning, Planning, and Acting7.4 分層規(guī)劃 探索規(guī)劃時(shí)首先只考慮一層的細(xì)節(jié)，然后再注意規(guī)劃中比這一層低一層的細(xì)節(jié)，所

10、以把它叫做長(zhǎng)度優(yōu)先搜索。NOAH規(guī)劃系統(tǒng)1. 應(yīng)用最小約束策略一個(gè)尋找非線性規(guī)劃而不必考慮操作符序列的所有排列的方法是把最少約束策略應(yīng)用來(lái)選擇操作符執(zhí)行次序的問(wèn)題。問(wèn)題求解系統(tǒng)NOAH采用一種網(wǎng)絡(luò)結(jié)構(gòu)來(lái)記錄它所選取的操作符之間所需要的排序。它也分層進(jìn)行操作運(yùn)算，即首先建立起規(guī)劃的抽象輪廓，然后在后續(xù)的各步中，填入越來(lái)越多的細(xì)節(jié)。7.4 分層規(guī)劃 2. 檢驗(yàn)準(zhǔn)則準(zhǔn)則法已被應(yīng)用于各種規(guī)劃生成系統(tǒng)。對(duì)于早期的系統(tǒng)，如HACKER系統(tǒng)，準(zhǔn)則只用于舍棄不滿足的規(guī)劃。在NOAH系統(tǒng)中，準(zhǔn)則被用來(lái)提出推定的方法以便修正所產(chǎn)生的規(guī)劃。第一個(gè)涉及的準(zhǔn)則是歸結(jié)矛盾準(zhǔn)則。第二個(gè)準(zhǔn)則叫做消除多余先決條件準(zhǔn)則，包括除去

11、對(duì)子目標(biāo)的多余說(shuō)明?？梢园逊謱右?guī)劃和最少約束策略十分直接地結(jié)合起來(lái)，以求得非線性規(guī)劃而不產(chǎn)生一個(gè)龐大的搜索樹(shù)。 7.5 基于專家系統(tǒng)的機(jī)器人規(guī)劃1. 系統(tǒng)結(jié)構(gòu)及規(guī)劃?rùn)C(jī)理（1）知識(shí)庫(kù)：用于存儲(chǔ)某些特定領(lǐng)域的專家知識(shí)和經(jīng)驗(yàn)，包括機(jī)器人工作環(huán)境的世界模型、狀態(tài)、物體描述等事實(shí)和可行操作或規(guī)則等。（2） 控制策略：包含綜合機(jī)理，確定系統(tǒng)應(yīng)當(dāng)應(yīng)用什么規(guī)則以及采取什么方式去尋找該規(guī)則。（3） 推理機(jī)：用于記憶所采用的規(guī)則和控制策略及推理策略。（4）知識(shí)獲?。菏紫全@取某特定域的專家知識(shí)。然后用程序設(shè)計(jì)語(yǔ)言把這些知識(shí)變換為計(jì)算機(jī)程序。最后把它們存入知識(shí)庫(kù)待用。7.5 基于專家系統(tǒng)的機(jī)器人規(guī)劃(5)解釋與說(shuō)明：

12、通過(guò)用戶接口，在專家系統(tǒng)與用戶之間進(jìn)行對(duì)話，從而使用戶能夠輸入數(shù)據(jù)、提出問(wèn)題、知道推理結(jié)果以及了解推理過(guò)程等。2. 任務(wù)級(jí)機(jī)器人規(guī)劃三要素（1）建立模型：世界模型。（2）任務(wù)說(shuō)明：定義狀態(tài)及狀態(tài)變換次序。（3）程序綜合。3. ROPES機(jī)器人規(guī)劃系統(tǒng)7.6 軌跡規(guī)劃簡(jiǎn)介 軌跡：機(jī)械手在運(yùn)動(dòng)過(guò)程中的位移、速度和加速度。 軌跡規(guī)劃：根據(jù)任務(wù)的要求，計(jì)算出預(yù)期的軌跡。 在機(jī)械手運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)基礎(chǔ)上，討論在關(guān)節(jié)空間和笛卡爾空間中機(jī)器人運(yùn)動(dòng)的軌跡規(guī)劃和軌跡生成方法 7.6 軌跡規(guī)劃簡(jiǎn)介 例：NAO機(jī)器人檢球動(dòng)作。 地球上的生物物種在漫長(zhǎng)的過(guò)程中形成了豐富的行為特性，并且一直不斷地完善和發(fā)展，以更好地適應(yīng)

13、其所生存的環(huán)境。生物群體和自然生態(tài)系統(tǒng)可以通過(guò)自身的演化就能使許多在人類看起來(lái)高度復(fù)雜的優(yōu)化問(wèn)題得到完美解決。因此，各種模仿生物群體的智能仿生算法被相繼提出，得到了深入研究和應(yīng)用實(shí)踐。 群智能思想的產(chǎn)生主要源于復(fù)雜適應(yīng)系統(tǒng)理論以及人工生命的研究。群智能算法群智能思想起源群智能算法群智能思想起源 復(fù)雜適應(yīng)系統(tǒng)( Complex Adaptive System, CAS) 理論：1994 年由 Holland 教授正式提出。CAS中成員稱為具有適應(yīng)性的主體, 簡(jiǎn)稱主體。 主體的適應(yīng)性, 是指它能夠與環(huán)境以及其它主體進(jìn)行交流，在交流的過(guò)程中 “學(xué)習(xí)” 或 “積累經(jīng)驗(yàn)”，并且根據(jù)學(xué)到的經(jīng)驗(yàn)改變自身的結(jié)

14、構(gòu)和行為方式。CAS具有四個(gè)基本特點(diǎn): （1）首先, 主體是主動(dòng)的、活的實(shí)體。具有適應(yīng)性的主體的概念把個(gè)體主動(dòng)性提高到了系統(tǒng)進(jìn)化基本動(dòng)因的位置, 從而成為研究與考察宏觀行為的出發(fā)點(diǎn)。 （2）其次, 個(gè)體與環(huán)境(包括個(gè)體之間)之間的相互影響、相互作用是系統(tǒng)演變和進(jìn)化的主要?jiǎng)恿?。相互作用是“可記憶”? 它表現(xiàn)為進(jìn)化過(guò)程中每個(gè)個(gè)體的結(jié)構(gòu)和行為方式的變化，以不同的方式 “存儲(chǔ)” 在個(gè)體內(nèi)部。群智能算法群智能思想起源 （3）再次, 這種方法不像許多其他的方法那樣, 把宏觀和微觀截然分開(kāi), 而是把它們有機(jī)地聯(lián)系起來(lái)。 （4）最后, 這種建模方法還引進(jìn)了隨機(jī)因素的作用, 使它具有更強(qiáng)的描述和表達(dá)能力。隨機(jī)

15、因素的影響不僅影響狀態(tài), 而且影響組織結(jié)構(gòu)和行為方式。具有主動(dòng)性的個(gè)體會(huì)接受教訓(xùn),總結(jié)經(jīng)驗(yàn), 并且以某種方式把 “經(jīng)歷” 記住, 使之 “固化” 在自己以后的行為方式中。 CAS理論提供了模擬生物、 生態(tài)、 經(jīng)濟(jì)、 社會(huì)等復(fù)雜系統(tǒng)的巨大潛力。群智能算法群智能思想起源 人工生命(Artificial Life, AL)是用來(lái)研究具有某些生命基本特征的人工系統(tǒng)。 近年來(lái), 人工生命的研究發(fā)展非?？? 在某些方面的研究已與傳統(tǒng)的生物科學(xué)形成了互補(bǔ)。人工生命包括兩方面的內(nèi)容: 如何利用計(jì)算技術(shù)研究生物現(xiàn)象; 如何利用生物技術(shù)研究計(jì)算問(wèn)題。 第二部分的內(nèi)容的研究中，現(xiàn)已經(jīng)有了很多源于生物現(xiàn)象的計(jì)算技巧，

16、例如，人工神經(jīng)網(wǎng)絡(luò)是簡(jiǎn)化的大腦模型，遺傳算法是模擬基因進(jìn)化的過(guò)程，目前這一類計(jì)算技術(shù)被統(tǒng)稱為自然計(jì)算。群智能屬于自然計(jì)算中的一類，它模擬另一種生物系統(tǒng)：社會(huì)系統(tǒng)，更確切地說(shuō)，是模擬由簡(jiǎn)單個(gè)體組成的群落與環(huán)境以及個(gè)體之間的互動(dòng)行為，這些模擬系統(tǒng)利用局部信息從而可能產(chǎn)生不可預(yù)測(cè)的群體行為。群智能算法群智能思想起源 群智能( Swarm Intelligence, SI)： 1992年由 Beni, Hack-wood 和 Wang在分子自動(dòng)機(jī)系統(tǒng)中提出。 1999 年, Bonabeau, Dorigo 和 Theraulaz 在 Swarm Intel-ligence: From Natural

17、 to Artificial Systems中對(duì)群智能進(jìn)行了詳細(xì)的論述和分析。 2003年 IEEE 第一屆國(guó)際群智能研討會(huì)在美國(guó)印第安納州首府召開(kāi)。 群智能定義：任何一種由昆蟲(chóng)群體或其它動(dòng)物社會(huì)行為機(jī)制而激發(fā)設(shè)計(jì)出的算法或分布式解決問(wèn)題的策略均屬于群智能。 群智能算法群智能思想起源 Swarm 可被描述為一些相互作用相鄰個(gè)體的集合體, 蜂群、蟻群、鳥(niǎo)群、魚(yú)群都是Swarm的典型例子。社會(huì)性動(dòng)物群體所擁有的這種特性能幫助個(gè)體很好地適應(yīng)環(huán)境，個(gè)體所能獲得的信息遠(yuǎn)比它通過(guò)自身感覺(jué)器官所取得的多，其根本原因在于個(gè)體之間存在著信息交互能力。信息的交互過(guò)程不僅僅在群體內(nèi)傳播了信息，而且群內(nèi)個(gè)體還能處理信

18、息，并根據(jù)所獲得的信息 (包括環(huán)境信息和附近其它個(gè)體的信息)改變自身的一些行為模式和規(guī)范, 這樣就使得群體涌現(xiàn)出一些單個(gè)個(gè)體所不具備的能力和特性, 尤其是對(duì)環(huán)境的適應(yīng)能力。這種對(duì)環(huán)境變化所具有的適應(yīng)能力可以被認(rèn)為是一種智能, 也就是說(shuō)動(dòng)物個(gè)體通過(guò)聚集成群而涌現(xiàn)出了智能。 群智能算法群智能思想起源 SI 的定義進(jìn)一步推廣（Bonabeau）: 無(wú)智能或簡(jiǎn)單智能的主體通過(guò)任何形式的聚集協(xié)同而表現(xiàn)出智能行為的特性。 群智能理論還非常不成熟, 但已成為有別于傳統(tǒng)人工智能中連接主義、 行為主義和符號(hào)主義的一種新的關(guān)于智能的描述方法, 并成為人工智能領(lǐng)域的新研究熱點(diǎn)。群智能算法群智能理論 James Ke

19、nnedy 和 Russell C.Eberhart 在 2001 年出版的Swarm Intelligence 是群智能發(fā)展的一個(gè)重要?dú)v程碑。他們不反對(duì)Bonabeau 關(guān)于 SI 的定義，贊同其定義的基本精神，但反對(duì)定義中使用 “主體” 一詞。 其理由是 “主體” 所帶有的自治性和特殊性是許多 Swarm的個(gè)體所不具備和擁有的，這將大大限制 Swarm的定義范圍。 Mark Millonas( 1994) 構(gòu)建一個(gè) SI 系統(tǒng)所應(yīng)滿足的五條基本原則: Proximity Principle: 群內(nèi)個(gè)體具有能執(zhí)行簡(jiǎn)單的時(shí)間或空間上的評(píng)估和計(jì)算的能力。 群智能算法群智能理論 Quality P

20、rinciple: 群內(nèi)個(gè)體能對(duì)環(huán)境(包括群內(nèi)其它個(gè)體)的關(guān)鍵性因素的變化做出響應(yīng)。 Principle of Diverse Response: 群內(nèi)不同個(gè)體對(duì)環(huán)境中的某一變化所表現(xiàn)出的響應(yīng)行為具有多樣性。 Stability Principle: 不是每次環(huán)境的變化都會(huì)導(dǎo)致整個(gè)群體的行為模式的改變。 Adaptability Principle: 環(huán)境所發(fā)生的變化中, 若出現(xiàn)群體值得付出代價(jià)的改變機(jī)遇, 群體必須能夠改變其行為模式。群智能算法群智能理論 以上五條原則現(xiàn)在成為了群智能的最基本理論，現(xiàn)有的群智能方法和策略都符合這些原則。 Swarm Intelligence 最重要的觀點(diǎn)是：M

21、ind is social, 也就是認(rèn)為人的智能是源于社會(huì)性的相互作用，文化和認(rèn)知是人類社會(huì)性不可分割的重要部分，這一觀點(diǎn)成為了群智能發(fā)展的基石。 群智能模擬的是社會(huì)系統(tǒng)的變化，其最基本單位是 “敏因”(Meme) ，這一詞由 Dawkin 在 The Selfish Gene中提出，它是指思想文化傳播中的基本單位，個(gè)體在社會(huì)中會(huì)根據(jù)環(huán)境來(lái)改變自身的思想，敏因的傳播途徑是在個(gè)體與個(gè)體之間，在人類社會(huì)中它還可以在人腦與書(shū)本之間、 人腦與計(jì)算機(jī)、 計(jì)算機(jī)與計(jì)算機(jī)之間傳播。當(dāng)然，“敏因” 應(yīng)該如何嚴(yán)格描述和定義還沒(méi)有定論。群智能算法群智能理論 群智能研究的更進(jìn)一步目標(biāo)是對(duì)人類思想變化的社會(huì)行為的模擬

22、。人類心理中存在著群體性、習(xí)慣性、一致性, 常常是習(xí)慣性地遵循一些習(xí)俗和規(guī)則。無(wú)論什么時(shí)候, 人們思想和行為總是因相互影響而變得非常近似, 道德規(guī)范以及文化的形成就是這種通過(guò)相互間影響而導(dǎo)致近似的結(jié)果。 人類的社會(huì)思想行為并不簡(jiǎn)單類似鳥(niǎo)群或魚(yú)群的行為, 人類思想的形成過(guò)程是一種在高維認(rèn)知空間的探索歷程。 兩種思想意見(jiàn)在認(rèn)知空間上聚集到一點(diǎn)上, 被稱為 “一致” 或 “認(rèn)同” , 而不是鳥(niǎo)群或魚(yú)群系統(tǒng)中的 “碰撞” 。如果某人認(rèn)同認(rèn)知空間某個(gè)點(diǎn), 那么就努力靠近它, 反之則盡量遠(yuǎn)離它, 這里認(rèn)知空間中的某個(gè)點(diǎn)就是某個(gè)人的思想。人類通過(guò)這種社會(huì)行為達(dá)成社會(huì)的共識(shí): 習(xí)俗、道德規(guī)范等。 目前, 群智

23、能理論研究處于基本思想描述階段, 還未能提出一些較為明確的概念和定義, 盡管已經(jīng)有人提出廣義群智能的模型。 蟻群算法(Ant Colony OptimizationACO)由 Colorni, Dorigo 和 Maniezzo 于 1991 年提出,它是通過(guò)模擬自然界螞蟻社會(huì)的尋找食物的方式而得出的一種仿生優(yōu)化算法。 自然界種蟻群尋找食物時(shí)會(huì)派出一些螞蟻分頭在四周游蕩, 如果一只螞蟻找到食物, 它就返回巢中通知同伴并沿途留下 “信息素” ( pheromone)作為蟻群前往食物所在地的標(biāo)記。 信息素會(huì)逐漸揮發(fā), 如果兩只螞蟻同時(shí)找到同一食物,又采取不同路線回到巢中, 那么比較繞彎的一條路上信

24、息素的氣味會(huì)比較淡, 蟻群將傾向于沿另一條更近的路線前往食物所在地。ACO算法設(shè)計(jì)虛擬的 “螞蟻” , 讓它們摸索不同路線, 并留下會(huì)隨時(shí)間逐漸消失的虛擬 “信息素” 。根據(jù) “信息素較濃的路線更近” 的原則, 即可選擇出最佳路線。 群智能算法蟻群算法 ACO算法首先應(yīng)用于 TSP 問(wèn)題中, 這里以 TSP 問(wèn)題為例對(duì)算法作簡(jiǎn)單介紹。當(dāng)某一個(gè)螞蟻?zhàn)叩揭粋€(gè)城市, 下一步可選的路徑集合為 E, 集合中任一條路徑 eE 上的信息素濃度為e, 走這條路的代價(jià)為 e, 那么選擇某一條路徑 vE 的幾率為：群智能算法蟻群算法 其中, 和 兩個(gè)參數(shù)分別用來(lái)控制信息素和路徑長(zhǎng)度的相對(duì)重要程度。當(dāng)螞蟻在所有城市

25、走過(guò)一遍之后，路徑上的信息素濃度將變?yōu)? e( t+1) =( 1- )e( t) +e 其中，0 1 用于控制信息素隨時(shí)間揮發(fā)的速度，e是上次螞蟻經(jīng)過(guò)此路段所留下的信息素，未經(jīng)過(guò)則為 0。上式以及e可以根據(jù)問(wèn)題進(jìn)行設(shè)計(jì)。 目前，ACO算法已被廣泛應(yīng)用于組合優(yōu)化問(wèn)題中，在車輛調(diào)度問(wèn)題、 機(jī)器人路徑規(guī)劃問(wèn)題、 路由算法設(shè)計(jì)等領(lǐng)域均取得了良好的效果。 由于 ACO算法具有廣泛實(shí)用價(jià)值，成為了群智能領(lǐng)域第一個(gè)取得成功的實(shí)例，曾一度成為群智能的代名詞，相應(yīng)理論研究及改進(jìn)算法近年來(lái)不斷取得新的成果。群智能算法蟻群算法 粒子群優(yōu)化算法（Particle Swarm OptimizationPSO)源于 1

26、987 年 Reynolds 對(duì)鳥(niǎo)群社會(huì)系統(tǒng)boids的仿真研究，boids 也是一個(gè) CAS。 在 boids 中, 一群鳥(niǎo)在空中飛行, 每個(gè)鳥(niǎo)遵守以下三條規(guī)則: （1）避免與相鄰的鳥(niǎo)發(fā)生碰撞沖突; （2）盡量與自己周圍的鳥(niǎo)在速度上保持協(xié)調(diào)和一致; （3）盡量試圖向自己所認(rèn)為的群體中心靠近。 僅僅通過(guò)使用這三條規(guī)則, boids 系統(tǒng)就出現(xiàn)非常逼真的群體聚集行為, 鳥(niǎo)成群地在空中飛行, 當(dāng)遇到障礙時(shí)它們會(huì)分開(kāi)繞行而過(guò), 隨后又會(huì)重新形成群體。不過(guò) Reynolds 僅僅將其作為 CAS的一個(gè)實(shí)例作仿真研究, 而并未將它用于優(yōu)化計(jì)算中, 也無(wú)任何實(shí)用價(jià)值。 群智能算法粒子群優(yōu)化算法 Kenne

27、dy和 Eberhart （1995年）在 boids 中加入了一個(gè)特定點(diǎn), 定義為食物, 鳥(niǎo)根據(jù)周圍鳥(niǎo)的覓食行為來(lái)尋找食物。他們的初衷是希望通過(guò)這種模型來(lái)模擬鳥(niǎo)群尋找食源的現(xiàn)象, 然而實(shí)驗(yàn)結(jié)果卻揭示這個(gè)仿真模型中蘊(yùn)涵著很強(qiáng)的優(yōu)化能力, 尤其是在多維空間尋優(yōu)中。 由于最初的仿真系統(tǒng)中每個(gè)鳥(niǎo)在計(jì)算機(jī)屏幕上表示為一個(gè)點(diǎn), 而 “點(diǎn)( Points)” 這個(gè)詞在數(shù)學(xué)領(lǐng)域具有非常多的意義, 因此作者用了 “粒子( Particle)” 來(lái)表示每一個(gè)個(gè)體。于是也就得到了基本 PSO算法。群智能算法粒子群優(yōu)化算法群智能算法粒子群優(yōu)化算法粒子群特性群智能算法粒子群優(yōu)化算法 在PSO系統(tǒng)初始化為一群隨機(jī)粒子(

28、 隨機(jī)解)，然后通過(guò)迭代找到最優(yōu)解。在每一次迭代中, 粒子通過(guò)跟蹤兩個(gè) “極值”來(lái)更新自己, 同時(shí)也通過(guò)跟蹤它們實(shí)現(xiàn)粒子間的信息交換。第一個(gè)就是粒子本身所找到的最優(yōu)解, 這個(gè)解叫作個(gè)體極值pBest( “自身經(jīng)驗(yàn)” )。另一個(gè)極值是整個(gè)群體目前找到的最優(yōu)解, 這個(gè)極值是群體極值 gBest(群體的 “社會(huì)經(jīng)驗(yàn)” )。群智能算法粒子群優(yōu)化算法 1998 年,Shi 和 Eberhart 正式給出標(biāo)準(zhǔn) PSO算法的數(shù)學(xué)描述如下: 設(shè)搜索空間為 M維, 粒子數(shù)為 N。第 i 個(gè)粒子位置表示為向量 Xi=( xi1, xi2, , xiD) ; 第 i 個(gè)粒子“飛行” 歷史中的過(guò)去最優(yōu)位置(即該位置對(duì)

29、應(yīng)解最優(yōu))為 Pi=( pi1, pi2, , piD)也就是 pBest，其中所有 Pi( i=1, , N)中的最優(yōu)個(gè)體被記作 Pg 也就是 gBest；第 i 個(gè)粒子的位置變化率(速度)為向量 Vi=( vi1, vi2, , viD)。每個(gè)粒子的位置按如下公式進(jìn)行變化( “飛行” ) :群智能算法粒子群優(yōu)化算法 其中, c1, c2 為正常數(shù), 稱為加速因子; rand( )為0, 1之間的隨機(jī)數(shù); w稱慣性因子。第d( 1dM)維的位置變化范圍和速度變化范圍分別為- xd,max, xd,max和- vd,max, vd,max( 變化范圍可通過(guò)平移處理使之對(duì)稱) , 迭代中若某一維

30、的 xid 或 vid 超過(guò)邊界則取邊界值。粒子群初始位置和速度隨機(jī)產(chǎn)生, 然后按公式進(jìn)行迭代, 直至滿足停止條件。群智能算法粒子群優(yōu)化算法 2003 年李曉磊、 邵之江等提出的人工魚(yú)群算法（Artificial Fish-Swarm AlgorithmAFSA)，它利用自上而下的尋優(yōu)模式模仿自然界魚(yú)群覓食行為, 主要利用魚(yú)的覓食、聚群和追尾行為, 構(gòu)造個(gè)體底層行為; 通過(guò)魚(yú)群中各個(gè)體的局部尋優(yōu), 達(dá)到全局最優(yōu)值在群體中凸現(xiàn)出來(lái)的目的。在基本運(yùn)算中引入魚(yú)群的生存機(jī)制、競(jìng)爭(zhēng)機(jī)制以及魚(yú)群的協(xié)調(diào)機(jī)制,提高算法的有效效率。李曉磊等又采用分解協(xié)調(diào)的思想構(gòu)造一種改進(jìn)的人工魚(yú)群算法, 并以換熱器系統(tǒng)為例, 驗(yàn)證了該算法，結(jié)果表明該算法具有較好的收斂性。 AFSA只使用目標(biāo)函數(shù)的函數(shù)值，無(wú)需目標(biāo)函