群體智能算法從生物現(xiàn)象中獲得哪些啟示

還記得電影《蟻人》中的神隊(duì)友嗎？如果沒有那些成群螞蟻機(jī)器人，蟻人要對(duì)付壞人的話，可是沒有那么容易的。如同現(xiàn)實(shí)中的螞蟻，一個(gè)簡(jiǎn)單的個(gè)體只是有幾個(gè)神經(jīng)關(guān)節(jié)組成，但形成的一個(gè)蟻群卻能夠完成各種復(fù)雜的任務(wù)。在生物圈中，除了螞蟻還有很多類似的生物，他們個(gè)體活動(dòng)僅僅遵循簡(jiǎn)單的活動(dòng)準(zhǔn)則，但是形成的群體行為卻表現(xiàn)出高超的智能。其實(shí)在人工智能領(lǐng)域這種現(xiàn)象被稱為“群體智能”。

受到這種生物群體行為研究的啟發(fā)，專家學(xué)者發(fā)明創(chuàng)建群體計(jì)算模型，它們表現(xiàn)出了與單個(gè)個(gè)體完全不同的非凡計(jì)算能力，可以用于求解大量復(fù)雜的科學(xué)工程問題，受到廣泛的關(guān)注和研究，并發(fā)展成為群智能優(yōu)化計(jì)算的新型研究方向。群智能優(yōu)化算法為計(jì)算智能和人工智能研究領(lǐng)域的一個(gè)研究熱點(diǎn)以及交叉學(xué)科中一個(gè)非常活躍的前沿研究課題，其應(yīng)用已經(jīng)滲透到各個(gè)領(lǐng)域。

集群是生物中一種非常常見的生物現(xiàn)象，像螞蟻，蜜蜂，魚類集群等，這些生物在不同環(huán)境中的生存方式給人類解決問題的思路帶來了很多靈感。其實(shí)人類從動(dòng)物進(jìn)化、免疫、神經(jīng)元系統(tǒng)、DNA信息、生物協(xié)作中得到啟發(fā)，使得許多人類看起來高度復(fù)雜的的優(yōu)化問題可以從這些生物智能現(xiàn)象得到完美的解決。

群體智能中，群體指的是一群相互之間可以進(jìn)行直接或間接通信的個(gè)體，這組個(gè)體可以通過相互協(xié)作進(jìn)行分布問題求解。簡(jiǎn)單的說，群體智能就是低智能的個(gè)體通過相互通信和協(xié)作完成高智能的行為，許多簡(jiǎn)單的個(gè)體組成群體，它們相互合作完成較為復(fù)雜的功能。為了便于認(rèn)識(shí)群智能優(yōu)化算法所處的層次，我們給出一張關(guān)系圖，關(guān)系圖中展示生物學(xué)上現(xiàn)象與對(duì)應(yīng)的仿生計(jì)算方法。圖中我們可以看到從各種獨(dú)特的生物學(xué)現(xiàn)象提煉出其對(duì)應(yīng)的仿生計(jì)算方法。

（仿生計(jì)算方法）

而這里面大多數(shù)算法都是基于梯度的應(yīng)用優(yōu)化算法，舉個(gè)簡(jiǎn)單例子來說，求拋物線的極值點(diǎn)時(shí)，我們一般先要對(duì)函數(shù)求導(dǎo)，得到梯度變化最小的點(diǎn)，這個(gè)點(diǎn)就是極值點(diǎn)。但是群智能依靠的是概率搜索算法，雖然概率搜索算法通常采用較多的評(píng)價(jià)函數(shù)，但是與梯度方法及傳統(tǒng)的演化算法相比，優(yōu)點(diǎn)明顯：

1、算法思想簡(jiǎn)單容易實(shí)現(xiàn)，只需遵循幾個(gè)簡(jiǎn)單的規(guī)則。

2、以非直接的信息交流方式確保系統(tǒng)的擴(kuò)張性，也就是說，每個(gè)點(diǎn)的行為是自主的，只會(huì)根據(jù)局部的變化改變自己的行為，不是由中心控制的。

3、具有并行性和分布式特點(diǎn)，可以利用多處理器予以實(shí)現(xiàn)。

4、對(duì)問題定義的連續(xù)性無特許要求，可以處理離散域問題。

5、沒有集中控制的約束，不會(huì)因個(gè)別的故障影響整個(gè)問題的求解，確保了系統(tǒng)具備更強(qiáng)的魯棒性（也就是說抗干擾能力強(qiáng)）。

群智能算法僅僅涉及基本的數(shù)學(xué)操作，數(shù)據(jù)處理過程對(duì)CPU和內(nèi)存的要求不高。這種方法只需要計(jì)算目標(biāo)函數(shù)的函數(shù)值，不用計(jì)算梯度信息。群智能理論已經(jīng)完成的研究和應(yīng)用證明這種方法是有效解決大多數(shù)全局優(yōu)化問題的新方法。

群智能優(yōu)化算法主要包括：粒子群優(yōu)化算法、蟻群優(yōu)化算法、人工蜂群優(yōu)化算法、人工魚群優(yōu)化算法。

粒子群優(yōu)化（PSO）算法

粒子群優(yōu)化算法初期只是設(shè)想模擬鳥群覓食行為過程，但是后來發(fā)現(xiàn)PSO算法是一種很好用的優(yōu)化工具。其基本思想源于對(duì)鳥類覓食過程中遷移和聚集行為的模擬，通過鳥之間的集體協(xié)作和競(jìng)爭(zhēng)達(dá)到目的。設(shè)想這樣一個(gè)場(chǎng)景：一群鳥隨機(jī)搜索食物，在這個(gè)區(qū)域里只有一塊食物，所有的鳥都不知道食物在哪里，但是他們知道當(dāng)前位置離食物多遠(yuǎn)，那么找到食物最優(yōu)的策略是什么？那就是搜尋離食物最近的鳥周圍區(qū)域。我們將每只鳥看成一個(gè)“粒子”，每個(gè)粒子的初始速度和位置都是隨機(jī)的，而后粒子速度就朝著全局最優(yōu)和個(gè)體最優(yōu)的方面靠近，所有粒子都有一個(gè)由被最優(yōu)函數(shù)決定的適應(yīng)度值，粒子們追隨當(dāng)前最優(yōu)粒子在解空間中搜索。初始粒子隨機(jī)分布，隨著迭代進(jìn)行，粒子們逐漸向最優(yōu)解逼近。

（圖a、b、c、d中粒子逐漸向最優(yōu)區(qū)間逼近）

但是該方法也有缺點(diǎn)，對(duì)于有多個(gè)極值點(diǎn)的函數(shù)，該方法容易陷入局部極值點(diǎn)。就如鳥群都集中在食物量很少的區(qū)域內(nèi)，沒找到那塊食物量最多的區(qū)域。

采用粒子群優(yōu)化算法可以求解交通信號(hào)配時(shí)問題，航班進(jìn)場(chǎng)、離場(chǎng)調(diào)度問題，機(jī)器人全局路徑規(guī)劃問題。該算法還有另外一個(gè)重要應(yīng)用領(lǐng)域是圖像處理，因?yàn)閳D像信息多樣性和復(fù)雜性特征，目前在圖像處理領(lǐng)域，建模困難、處理不完整等問題普遍存在。而粒子優(yōu)化算法在圖形處理領(lǐng)域中取得了一定的成功。（《通訊世界》：圖像去燥處理中粒子群優(yōu)化算法研究）

蟻群優(yōu)化（ACO）算法

螞蟻優(yōu)化算法是對(duì)自然界螞蟻的尋徑方式進(jìn)行模擬而得到的一種仿生算法。在螞蟻尋找食物過程中，蟻群總能找到一條從食物到巢穴之間的左右路徑，這是因?yàn)槲浵佋趯ふ衣窂綍r(shí)，會(huì)在路徑上釋放出一種特殊的信息素。當(dāng)它們碰到一個(gè)還沒有走過的路口時(shí)，就隨機(jī)挑選一條路徑前行，與此同時(shí)釋放出與路徑長(zhǎng)度有關(guān)的信息素，路徑越長(zhǎng)，信息素越低。當(dāng)后來的螞蟻碰到這個(gè)路口時(shí)，就選擇信息素濃度高的路徑，這就形成了一個(gè)正反饋，最優(yōu)路徑上信息素濃度越來越大，其他路徑上信息素越來越低，最終蟻群會(huì)找到最優(yōu)路徑。螞蟻算法有較強(qiáng)的自學(xué)能力，可以根據(jù)環(huán)境的改變和過去的行為結(jié)果對(duì)自身的知識(shí)庫(kù)或自身的組織結(jié)構(gòu)進(jìn)行調(diào)整，從而實(shí)現(xiàn)算法求解能力的進(jìn)化。

（從A到D點(diǎn)，ACD的路徑是ABD的兩倍，在ABD路徑上的螞蟻返回A時(shí)，ACD上螞蟻剛到D，所以ABD路徑上信息素濃度是ACD的兩倍）

這個(gè)算法應(yīng)用于其他組合優(yōu)化問題，如旅行商問題、指派問題、車輛路由問題、網(wǎng)絡(luò)路由問題等。最近幾年，該算法在網(wǎng)絡(luò)路由中的應(yīng)用受到越來越多的學(xué)者關(guān)注，并提出一些新的基于螞蟻算法的路由算法。同傳統(tǒng)的路由算法相比，該算法在網(wǎng)絡(luò)路由中具有信息分布式性、動(dòng)態(tài)性、隨機(jī)性和異步性等特點(diǎn)，而這些特點(diǎn)正好滿足網(wǎng)絡(luò)路由的特點(diǎn)。

人工蜂群（ABC）算法

人工蜂群算法是模仿蜜蜂行為提出的一種優(yōu)化方法，是群智能思想的一個(gè)具體應(yīng)用。在尋找食物源（花朵）過程中，引領(lǐng)蜂通過搖擺舞的持續(xù)時(shí)間來表現(xiàn)食物源的收益率，其他跟隨蜂可以觀察這種舞蹈并依據(jù)收益率來選擇哪個(gè)食物源。收益率與食物源被選擇的可能性成正比。所以，蜜蜂被吸引到某一個(gè)食物源的概率與食物源的收益率成正比。基于上述思想的蜜蜂算法的主要特點(diǎn)是不需要了解問題的特殊信息，只需要對(duì)問題進(jìn)行優(yōu)劣比價(jià)，通過各人工蜂的局部尋優(yōu)行為，最終在群體中使全局最優(yōu)值凸顯出來，有著較快的收斂速度。為了解決多變量函數(shù)優(yōu)化問題，Karaboga提出人工蜂群算法模型。

（蜂群尋蜜源過程）

專家提出基于人工蜂群算法的煤礦救災(zāi)機(jī)器人全局路徑規(guī)劃算法。該算法首先進(jìn)行環(huán)境建模,然后根據(jù)環(huán)境信息特點(diǎn),巧妙結(jié)合人工蜂群算法獲得機(jī)器人全局優(yōu)化路徑。該路徑規(guī)劃方法具有建模方便、算法簡(jiǎn)單以及不局限于障礙物的形狀等特點(diǎn)。實(shí)驗(yàn)證明,本算法可以快速有效地規(guī)劃出一條全局較優(yōu)化路徑,是解決全局環(huán)境已知情況下機(jī)器人路徑規(guī)劃的一種有效方法。（《煤炭技術(shù)》：基于蜂群算法的煤礦救災(zāi)機(jī)器人全局路徑規(guī)劃）

針對(duì)不相關(guān)并行機(jī)混合流水線調(diào)度問題的特點(diǎn),專家設(shè)計(jì)了一種基于排列的編碼和解碼方法,提出了一種有效的人工蜂群算法。在引領(lǐng)蜂和跟隨蜂搜索階段采用3種有效的鄰域搜索方法,以豐富搜索行為。在偵察蜂搜索階段通過隨機(jī)搜索對(duì)種群進(jìn)行更新,以增強(qiáng)種群多樣性。同時(shí),通過試驗(yàn)設(shè)計(jì)方法對(duì)算法的參數(shù)設(shè)置進(jìn)行了分析,給出指導(dǎo)性參數(shù)組合。通過基于典型實(shí)例的數(shù)值仿真以及與已有代表性算法的比較,驗(yàn)證了所提算法的有效性和魯棒性。（《控制理論與應(yīng)用》：求解不相關(guān)并行機(jī)混合流水線調(diào)度問題的人工蜂群算法）

人工魚群（AF）算法

人工魚群算法是國(guó)內(nèi)李曉磊博士等人在動(dòng)物群體智能行為研究基礎(chǔ)上提出的一種新型仿生群智能優(yōu)化算法。該算法根據(jù)水域魚生存數(shù)目最多的地方就是該水域中富含營(yíng)養(yǎng)物質(zhì)最多的地方這一特點(diǎn)來模擬魚群的覓食行為而實(shí)現(xiàn)尋優(yōu)。算法主要利用魚的三個(gè)基本行為：覓食、聚群和追尾行為，人工魚是真實(shí)魚的抽象化、虛擬化的一個(gè)實(shí)體，其中封裝了自身的數(shù)據(jù)和一系列行為，可以接受環(huán)境的刺激信息，做出相應(yīng)的活動(dòng)。它的下一刻狀態(tài)取決于自身狀態(tài)和環(huán)境狀態(tài)，并通過自身活動(dòng)影響環(huán)境，進(jìn)而影響其他人工魚的活動(dòng)。該算法收斂速度快，可用于解決實(shí)時(shí)性要求高的問題。對(duì)于精度要求不高的場(chǎng)合，可以快速得到可行解；

（人工魚及其環(huán)境）

針對(duì)車聯(lián)網(wǎng)環(huán)境下若干典型車輛軌跡規(guī)劃方法存在車速與軌跡波動(dòng)性較大的問題,專家提出了一種基于改進(jìn)人工魚群算法的車輛軌跡規(guī)劃方法。該方法以DSRC通信的車聯(lián)網(wǎng)應(yīng)用場(chǎng)景為設(shè)計(jì)平臺(tái),車輛的最優(yōu)行車速度為核心計(jì)算基礎(chǔ),分析得到車輛的最佳軌跡。（《計(jì)算機(jī)應(yīng)用》：基于改進(jìn)人工魚群算法的車輛軌跡規(guī)劃方法）

針對(duì)基于BP神經(jīng)網(wǎng)絡(luò)室內(nèi)定位算法收斂速度慢和定位精度低的問題，專家提出了改進(jìn)的人工魚群算法(AFSA)和距離加權(quán)質(zhì)心法。通過改進(jìn)人工魚覓食和尋優(yōu)方式來提高人工魚全局尋優(yōu)的能力和速度，并用該算法來選取室內(nèi)定位神經(jīng)網(wǎng)絡(luò)參數(shù)。通過改進(jìn)的加權(quán)質(zhì)心法計(jì)算距離，以減小室內(nèi)復(fù)雜環(huán)境干擾造成的定位的誤差。實(shí)驗(yàn)證明該改進(jìn)方法使室內(nèi)定位的平均精度比BP神經(jīng)網(wǎng)絡(luò)模型提高8%左右，并提高了室內(nèi)定位的可靠性。（《計(jì)算機(jī)應(yīng)用》：基于人工魚群算法的無線室內(nèi)定位優(yōu)化）