湘潭大學(xué) 人工智能課件 群智能

1、artificial intelligence (ai)，第9章：將組智能系統(tǒng)、內(nèi)容提要、第9章：組智能系統(tǒng)、內(nèi)容提要、第9章：將組智能系統(tǒng)、組智能描述為新的進(jìn)化計(jì)算技術(shù)成為研究的焦點(diǎn)。特性是非智能主體通過合作表現(xiàn)智能行為的特性，它沒有集中控制，沒有提供全局模型，為解決復(fù)雜的分布式問題提供了基礎(chǔ)。組智能，優(yōu)勢(shì)靈活性：組可以隨時(shí)適應(yīng)不斷變化的環(huán)境。堅(jiān)固性：即使個(gè)人失敗，整個(gè)小組也能完成任務(wù)。自我組織：活動(dòng)既不受中央控制，也不受局部控制。典型算法螞蟻群算法(螞蟻捕食)粒子群算法(鳥捕食)、群智能、粒子群算法、粒子群算法(pso)、粒子群算法原理、粒子群算法(pso)、粒子群算法(pso)、粒子群算

2、法、粒子群算法(pso)1995年，詹姆斯肯尼(社會(huì)心理學(xué)博士)和露絲埃伯哈特(電子工程學(xué)博士，http:/www . engr . iupui . edu/eber hart/)提出粒子群算法(particle swarm optimization)pso算法每個(gè)解決方案都被稱為“粒子(粒子)”，所有粒子都有自適應(yīng)值，每個(gè)粒子都有確定飛行方向和距離的速度，粒子沿當(dāng)前最佳粒子搜索解決方案空間。particle swarm optimization的原理說明，particle swarm optimization原理，算法流，pso算法的相關(guān)定義pso中的對(duì)象，也稱為粒子，在多維搜索空間中飛行。

3、pso中的每個(gè)粒子保留兩個(gè)向量位置向量xi。解決方案空間中粒子的當(dāng)前位置速度矢量vi:解決方案空間中粒子的飛行速度pbest:粒子自身過去的最佳位置gbest:組全局最佳矢量lbest:鄰居的最佳位置，pso算法初始化為隨機(jī)粒子組，通過迭代找到最佳位置。在每次迭代中，粒子通過跟蹤單個(gè)極端(pbest)和全局極端(gbest)更新位置。算法流、算法流、粒子速度和位置更新、t時(shí)間指示第一個(gè)粒子在超空間中占用的位置。將速度向量添加到當(dāng)前位置后，位置更改為：算法流，pso算法是驅(qū)動(dòng)優(yōu)化過程的速度vi(t)矢量。速度矢量反映了粒子本身的經(jīng)驗(yàn)知識(shí)和相鄰粒子的社會(huì)交換信息。粒子的經(jīng)驗(yàn)知識(shí)通常稱為認(rèn)知部分，與

4、粒子過去的最佳位置(pbest)成正比。社會(huì)交換信息被稱為速度方程的社會(huì)部分。相鄰大小不同的兩個(gè)算法gbest pso、全局最佳粒子群優(yōu)化lbest pso、局部最佳粒子群優(yōu)化、算法過程、gbest pso:全局最佳粒子群優(yōu)化、粒子群優(yōu)化、粒子群優(yōu)化特性pso算法收斂速度，特別是算法初期在收斂的情況下，由于所有粒子都朝著最佳解決方案的方向飛去，因此粒子均化(多樣性損失)，導(dǎo)致后期收斂速度明顯減慢，算法以一定精度收斂，優(yōu)化無法繼續(xù)，可實(shí)現(xiàn)的精度也不高。，內(nèi)容摘要，第9章：群智能系統(tǒng)，群算法原理，群體的捕食行為，群體算法原理，群體分工，群體算法原理，螞蟻血結(jié)構(gòu)，群體算法原理，螞蟻血結(jié)構(gòu)，信息素是螞

5、蟻本身釋放出來的，實(shí)現(xiàn)螞蟻群內(nèi)間接通信的物質(zhì)。短路徑上螞蟻的往返時(shí)間比較短，單位時(shí)間內(nèi)通過這條路徑的螞蟻很多，因此信息素的累積速度比較長。因此，當(dāng)后續(xù)螞蟻在路口的時(shí)候，他們傾向于檢測(cè)以前螞蟻留下的信息，選擇更短的路徑。這種積極的反饋機(jī)制使越來越多的螞蟻沿著巢穴和食物之間的最短路徑行進(jìn)。其他路徑的信息素隨著時(shí)間的推移蒸發(fā)，所以最終所有螞蟻都沿著最佳路徑移動(dòng)。螞蟻群算法過程、螞蟻系統(tǒng)(ant system，as)的ant -cycle版本是最基本的aco算法，并提出了tsp作為應(yīng)用實(shí)例。螞蟻群算法過程，路徑構(gòu)建：偽隨機(jī)比選擇規(guī)則對(duì)于每個(gè)螞蟻k，路徑內(nèi)存矢量rk按訪問順序記錄k通過的所有城市序列號(hào)。

6、如果將螞蟻k當(dāng)前所在的城市設(shè)置為i，那么選擇城市j作為下一次訪問對(duì)象的概率將如上所示。jk(i)表示可以直接從城市i到達(dá)而螞蟻不訪問的城市序列rk中的一組城市。(i，j)是啟發(fā)式信息，通常由(i，j)=1/dij直接計(jì)算。(i，j)表示邊(i，j)上信息素的數(shù)量。螞蟻群算法過程，路徑構(gòu)建：偽隨機(jī)比選擇規(guī)則長度越短，信息素濃度越高，螞蟻選擇的概率越高。和是控制啟發(fā)式信息和信息素濃度之間權(quán)重關(guān)系的兩個(gè)預(yù)設(shè)參數(shù)。0時(shí)算法進(jìn)化為現(xiàn)有的隨機(jī)貪心算法，選擇最近城市的概率最高。=0時(shí)，螞蟻僅根據(jù)信息素濃度確定路徑，算法快速收斂，最佳路徑與實(shí)際目標(biāo)大不相同，算法性能差。蟻群算法過程，信息素更新：(1)算法初始化時(shí)，問題空間各方面的信息素初始化為0。(2)算法重復(fù)每一輪，問題空間所有路徑上的信息素蒸發(fā)，所有邊上的信息素乘以小于1的常數(shù)(:信息素的蒸發(fā)率)。信息素蒸發(fā)是自然界本身固有的特征，可以防止算法中信息素的無限積累，從而使算法快速丟棄以前制造的糟糕路線。大衛(wèi)亞設(shè)，北境，成功)(3)螞蟻根據(jù)自己建造的路徑長度，在這個(gè)輪子經(jīng)過的邊緣釋放