《人工智能导论》课程教学资源（PPT课件讲稿）群智能（Swarm Intelligence）

群智能( Swarm Intelligence ●●●●●

群智能（ Swarm Intelligence ）

●●● 什么是群? ●●●● ●蚁群 鱼群 ●鸟群 ●蜂群

什么是群？ ⚫ 蚁群 ⚫ 鱼群 ⚫ 鸟群 ⚫ 蜂群

●●● ●●●● ●●●●● ●●●● “群”的特征 ●●0●● ●●●0 相互影响的相邻的个体 个体的行为简单 ●既有竞争又有协作 ●智能化的集体行为 个体之间不仅可以交换信 息而且可以处理信息,根 据信息来改变自身行为 没有一个集中控制中心, 分布式,自组织。 ●作为群体协作工作时,能 够突显出非常复杂的行为 特征-智能行为,群智能

“群”的特征 ⚫ 相互影响的相邻的个体 ⚫ 个体的行为简单 ⚫ 既有竞争又有协作 ⚫ 智能化的集体行为 ⚫ 个体之间不仅可以交换信 息而且可以处理信息，根 据信息来改变自身行为 ⚫ 没有一个集中控制中心， 分布式，自组织。 ⚫ 作为群体协作工作时，能 够突显出非常复杂的行为 特征-智能行为，群智能

群智能( Swarm Intelligence)出 ● ●● ●●●● 的提出和发展 ●●0●● ●●●0 ●●0● ●1989年加利福尼亚大学的Beni(贝 尼)、 Hackwood教授在其细胞自动 机中首次提出群智能的概念。细胞自 动机中的主体在一维或二维网格空间 中与相邻个体相互作用,从而实现自 组织 ●任何一种由昆虫群体或其它动物社会 Beni(贝尼) 东投题瀚諮珐熾乎鑫潜寵分布 1999年, Bonabeau(伯纳堡)、 Dorigo和 Theraulaz在他们的著作“ Swarm Inteligence: From Natural to artificial Systems,群智能:从 自然到人工系统 Bonabeau(伯纳堡)

群智能（ Swarm Intelligence ） 的提出和发展 ⚫ 1989年加利福尼亚大学的Beni（贝 尼）、Hackwood教授在其细胞自动 机中首次提出群智能的概念。细胞自 动机中的主体在一维或二维网格空间 中与相邻个体相互作用，从而实现自 组织。 ⚫ 任何一种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 式解决问题的策略均属于群智能。 1999年，Bonabeau（伯纳堡）、Dorigo和 Theraulaz 在他们的著作“Swarm Intelligence: From Natural to Artificial Systems,群智能：从 自然到人工系统” Beni（贝尼） Bonabeau（伯纳堡）

●●● 群智能( Swarm Intelligence): 的提出和发展 ●●0●● ●●●0 ●2001年肯尼迪和艾伯哈特合写了一本 书“群智能” ●群智能发展的历程碑 赞同伯纳堡关于群智能的基本定义精神 ●最重要的观点:智能源于社会性的相互 作用。群智能发展的基石。 认为暂时无法给出合适的定义 艾伯哈特 ●群智能已经成为有别于传统人工智能中 符号主义和链接主义的一种新的关于人 工智能的研究路线

群智能（ Swarm Intelligence ） 的提出和发展 ⚫ 2001年肯尼迪和艾伯哈特合写了一本 书“群智能” ⚫ 群智能发展的历程碑 ⚫ 赞同伯纳堡关于群智能的基本定义精神 ⚫ 最重要的观点：智能源于社会性的相互 作用。群智能发展的基石。 ⚫ 认为暂时无法给出合适的定义 ⚫ 群智能已经成为有别于传统人工智能中 符号主义和链接主义的一种新的关于人 工智能的研究路线

●●● ●●●● ●●●●● ●●●● Swarm Intelligence(续) ●●0●● ●●●0 《 Swarm Intelligence》最重要的观点是: Mind is social,也就是认为人的智能是源于社会性的相互作 用,文化和认知是人类社会性不可分割的重要部分, 这一观点成为了群智能发展的基石。群智能已成为有 别于传统人工智能中连接主义和符号主义的一种新的 关于智能的描述方法。 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。在计算智能领域已取得成功的两种基于S的优 化算法是蚁群算法和粒子群算法

Swarm Intelligence(续) 《Swarm Intelligence》最重要的观点是：Mind is social，也就是认为人的智能是源于社会性的相互作 用，文化和认知是人类社会性不可分割的重要部分， 这一观点成为了群智能发展的基石。群智能已成为有 别于传统人工智能中连接主义和符号主义的一种新的 关于智能的描述方法。 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。在计算智能领域已取得成功的两种基于SI的优 化算法是蚁群算法和粒子群算法

●●● ●●●● ●●●●● ●●●● Swarm Intelligence(续) ●●0●● ●●●0 目前,已有的基于S的优化算法都是源于对动 物社会通过协作解决问题行为的模拟,它主要强 调对社会系统中个体之间相互协同作用的模拟 这一点与遗传算法 Genetic Algorithms-GA不 同,GA是对生物演化中适者生存的模拟。与GA 样的是,S的目的并不是为了忠实地模拟自然 现象,而是利用他们的某些特点去解决实际问题。 另一个与GA的相同点是,基于S的优化算法也是 概率搜索算法

Swarm Intelligence(续) 目前，已有的基于SI的优化算法都是源于对动 物社会通过协作解决问题行为的模拟，它主要强 调对社会系统中个体之间相互协同作用的模拟。 这一点与遗传算法Genetic Algorithms-GA不 同，GA是对生物演化中适者生存的模拟。与GA 一样的是，SI的目的并不是为了忠实地模拟自然 现象，而是利用他们的某些特点去解决实际问题。 另一个与GA的相同点是,基于SI的优化算法也是 概率搜索算法

●●● ●●●● ●●●●● ●●●● Swarm Intelligence(续) ●●0●● ●●●0 目前,已有的群智能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优化问题 的新方法,更重要是,群智能潜在的并行性和 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

Swarm Intelligence(续) 目前，已有的群智能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优化问题 的新方法，更重要是,群智能潜在的并行性和 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

●●● ●●●● ●●●●● ●●●● Swarm Intelligence(续) ●●0●● ●●●0 由于S的理论依据是源于对生物群社会性的模 拟,因此其相关数学分析还比较薄弱,这就导 致了现有研究还存在一些问题。 数学理论基础薄弱:群智能算法的数学理论基础相对薄弱,缺乏 具备普遍意义的理论性分析,算法中涉及的各种参数设置一直 没有确切的理论依据,通常都是按照经验型方法确定,对具体 问题和应用环境的依赖性比较大。 结果的可信性:同其它的自适应问题处理方法一样,群智能也不 具备绝对的可信性,当处理突发事件时,系统的反应可能是不 可测的,这在一定程度上增加了其应用风险。 另外,群智能与其它各种先进技术(如:神经网络、模糊逻辑、支持 向量机等)的融合还不足

Swarm Intelligence(续) 由于SI的理论依据是源于对生物群社会性的模 拟，因此其相关数学分析还比较薄弱，这就导 致了现有研究还存在一些问题。 数学理论基础薄弱：群智能算法的数学理论基础相对薄弱，缺乏 具备普遍意义的理论性分析，算法中涉及的各种参数设置一直 没有确切的理论依据，通常都是按照经验型方法确定，对具体 问题和应用环境的依赖性比较大。 结果的可信性：同其它的自适应问题处理方法一样，群智能也不 具备绝对的可信性，当处理突发事件时,系统的反应可能是不 可测的,这在一定程度上增加了其应用风险。 另外,群智能与其它各种先进技术(如:神经网络、模糊逻辑、支持 向量机等) 的融合还不足

●●● ●●●● ●●●●● ●●●● Swarm Intelligence(续) ●●0●● ●●●0 ●无智能或简单智能的主体通过任何形式的聚集 协同而表现出智能行为的特性。 这里关心的不是个体之间的竞争,而是它们之 间的协同(获取并共享信息)。 蚂蚁:信息素 鱼群:速度、方向、位置等,群体最佳和个 体最佳位置 鸟群:速度、方向、位置等

⚫ 无智能或简单智能的主体通过任何形式的聚集 协同而表现出智能行为的特性。 这里关心的不是个体之间的竞争，而是它们之 间的协同（获取并共享信息）。 蚂蚁：信息素 鱼群：速度、方向、位置等，群体最佳和个 体最佳位置 鸟群：速度、方向、位置等。 Swarm Intelligence(续)