群体智能

群体智能源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究。最早被用在细胞机器人系统的描述中。它的控制是分布式的，不存在中心控制。群体具有自组织性。

群体智能简介

群体智能源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究。最早被用在细胞机器人系统的描述中。它的控制是分布式的，不存在中心控制。群体具有自组织性。

群体智能基本原则

(1) 邻近原则( Proximity Principle) ,群体能够进行简单的空间和时间计算;

(2) 品质原则(Quality Principle) ,群体能够响应环境中的品质因子;

(3) 多样性反应原则( Principle of Diverse Response) ,群体的行动范围不应该太窄;

(4) 稳定性原则(Stability Principle) ,群体不应在每次环境变化时都改变自身的行为;

(5) 适应性原则(Adaptability Principle) ,在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为。

群体智能特点

(1) 控制是分布式的,不存在中心控制。因而它更能够适应当前网络环境下的工作状态,并且具有较强的鲁棒性,即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解。

(2) 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) 。由于群体智能可以通过非直接通信的方式进行信息的传输与合作,因而随着个体数目的增加,通信开销的增幅较小,因此,它具有较好的可扩充性。

(3) 群体中每个个体的能力或遵循的行为规则非常简单,因而群体智能的实现比较方便,具有简单性的特点。

(4) 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( Emergent Intelligence) ,因此,群体具有自组织性。

群体智能典型模型

群体智能的相关研究早已存在，到目前为止也取得了许多重要的结果。自1991年意大利学者Dorigo 提出蚁群优化（Ant colony Optimization，ACO）理论开始，群体智能作为一个理论被正式提出，并逐渐吸引了大批学者的关注，从而掀起了研究高潮。1995年，Kennedy 等学者提出粒子群优化算法（Particle Swarm Opti -mization，PSO ），此后群体智能研究迅速展开，但大部分工作都是围绕ACO和PSO 进行的。

目前群智能研究主要包括智能蚁群算法和粒子群算法。智能蚁群算法主要包括蚁群优化算法、蚁群聚类算法和多机器人协同合作系统。其中，蚁群优化算法和粒子群优化算法在求解实际问题时应用最为广泛。