大规模智能群体的建模及稳定性分析

提出一种基于个体局部信息的智能群体模型．在此模型基础上,给出了个体的运动控制方程。并基于Lyapunov稳定性理论研究了大规模智能群体动态集聚行为的稳定性．该模型的建立仅依靠相互可检测到的个体之间的局部信息。结合所提出的个体局部控制算法。便能实现群体的稳定全局集聚行为,体现出了较强的适应性、鲁棒性和可扩展性．     

基于双群体进化规划的动态优化算法

动态优化问题的优化环境随时间变化导致了最优解随时间移动.为了有效地跟踪最优解,提出了一个基于双群体进化规划的动态优化算法.局部搜索群体运用高斯变异算子,并接受已有信息;全局搜索群体运用柯西变异算子,与已有信息隔离并传送较优个体至局部搜索群体.在进化过程中,它们的群体规模动态地变化.算法有效地利用了已有信息,实现了全局搜索与局部搜索的分离,适合于求解环境变化方式未知的动态优化问题.对三个动态优化模型进行了测试,并与随机初始化群体法进行了比较,仿真结果表明r提出的算法是有效的.     

一类具有群体LEADER的多智能体系统的聚集行为

针对目前关于群体聚集的稳定性研究中仅考虑同类智能体的问题,提出了一类由lea der和follower 两种个体组成的多智能体系统聚集模型.在该模型中,只有leader智能体具有关于环境和目标点的信息,并且当个体间距离较远时互相吸引,距离较近时互相排斥.当表示环境信息的势能场函数梯度有界时,证明了系统的聚集稳定性并确定了表示群体大小的一个上界,从而保证了所有leader和follower个体最终聚集在群体中心周围并一起沿着该函数的负梯度方向运动.仿真结果验证了方法有效性.     

基于ACP的动态网民群体运动组织建模与计算实验研究

由互联网促成的社会运动组织一经出现, 就受到了广大社会学者以及计算机领域专家的广泛关注. 一方面, 互联网特别是移动互联网在整合信息、引发共振、实时分享及高度互动等方面的特性, 为网民行为的大规模快速聚集提供了直通渠道, 使得多角度超视距观察并研究在线人群复杂行为及其组织特性成为可能; 另一方面, 这一研究在社会化媒体营销、共享经济、非军事组织行动中的应用意义愈加显著. 本文引入群体行为动力学和社会运动组织理论的研究, 提出基于ACP的动态网民群体运动组织(Cyber movement organizations, CMOs)研究方法. 本文工作首先使用多智能体建模方法构造双层结构的人工社区模型, 以此为基础对动态网民的个体以及群体动态组织行为展开计算实验探讨, 重点阐释了社区用户的交互行为机制及群体组织活动的建模机制, 为揭示微观个体简单行为对于宏观群体复杂涌现现象的影响奠定基础.     

基于KOD能量特征的群体异常行为识别

在群体异常行为识别过程中, 针对传统特征易受目标遮挡影响导致其对群体行为的弱描述性问题, 提出一种基于KOD（kinetic orientation distance）能量特征的群体异常行为识别方法。该能量特征忽略群体中相互遮挡的个体的局部特征, 从群体行为整体上分别根据群体的运动剧烈程度、群体运动方向一致性和群体中个体的相对位置定义并提取群体动能、方向势能和距离势能构成群体行为高层KOD能量特征, 以此描述群体的运动状态变化, 最后通过构建隐马尔可夫模型实现群体异常行为检测及类型识别。在PETS和UMN公共数据集上进行实验并与传统光流特征进行对比, 实验结果表明, 使用KOD能量特征能够有效地检测出群体异常行为并识别出其类型, 且能够达到92%的准确率。     

一种新型群智感知系统架构模型和实现方法

物联网移动群智感知模式本质是汇聚大规模普通移动个体的智能感知能力,对开放、动态、复杂物理环境进行感知,通过感知大数据的智能分析,对感知群体引导和反馈,使其持续涌现群体智能并辅助综合决策.目前的群智感知系统仍然存在个体感知欠智能、群体目标少引导、群智过程弱调控三方面的局限性.本文首先讨论了群智感知研究现状和面临的挑战;结合人机物融合、云边端协同、感算控闭环3个核心发展趋势,提出一种智能演进与反馈引导结合的新型群智感知系统架构模型Evo-CPS,并研究了该模型的实现方法;然后结合智慧出行应用场景,将所提出的理论方法进行应用验证;最后,总结全文并展望新一代群智感知研究领域的发展方向.     

基于群体智能的半结构化藏文文本聚类算法

将群体智能技术应用于半结构化的藏文Web文本聚类,提出基于群体智能的半结构化藏文Web文本聚类算法(SCAST).充分考虑群体智能技术对藏文文本聚类准确性和时间效率的影响,SCAST算法首先运用向量空间模型表示藏文文本信息,将藏文文本和智能蚁群随机放置于一个文本向量空间中.然后智能蚂蚁随机选择藏文文本,计算藏文文本在当前局部区域内的相似性,获得拾起或者放下文本的概率,进而决定是否"拾起","移动","放下"藏文文本.最后通过多次迭代训练,将藏文文本按其相似性聚集在一起,得到最终聚类结果.大量真实藏文Web文本数据上的实验结果表明,相较于传统的k-means聚类算法,基于群体智能的藏文文本聚类算法在聚类准确率上平均提高约8.0%.     

基于虚拟领导者的多智能体蜂拥行为研究

蜂拥行为的产生来源于对飞鸟、鱼群、蚂蚁以及蜜蜂行为的研究,这些群体通过每个个体的局部信息交互而产生统一的觅食、迁徙、归巢等行为。多智能体的自组织行为促进了蜂拥行为在工程上的应用,包括大量在环境中移动的传感器、媒介的平行同步传输、军事任务中的侦查、监视和战斗协作。主要研究内容是具有虚拟领导者的多智能体蜂拥控制算法,分别对群体中只有一部分智能体具有引导信息和虚拟领导者具有变化速度的情况作了分析。通过个体之间的局部感知作用和相应的反应行为,使系统整体呈现一定的协调行为。     

非完整移动机器人群体的优化蜂拥控制

考虑到非完整移动机器人群体蜂拥运动过程中保持位置拓扑全局连通的性能,提出一类基于局部信息交互的优化蜂拥控制算法.利用趋向局部最小外接圆圆心位置的控制方式维持群体位置拓扑在运动过程中的全局连通性,保证群体位置的聚合;结合角度控制和贝塞尔曲线规划个体的运动路径,在路径长度阈值的限定下,通过粒子群算法求取个体的优化目标方向角,保障群体运动方向的匹配;最后给出了可行的避碰方案.     

视觉信息在行人群体仿真中的应用

传统群体仿真技术常把群体看成若干个体的组合,但事实上群体是由若干具有相似行为的个体组成的群组所构成的.针对大多数现有群体仿真技术由于没有考虑到上述因素,导致仿真结果和真实生活中的群体行为存在一定差异的问题,并结合群体是由不同小群组构成的特点,提出一种基于视觉信息指导并考虑行人动态寻路和局部碰撞避免的方法.仿真结果显示,该方法在仿真群体时能够获得较为自然的自组织现象,与现有的几种方法相比,这种现象在复杂环境或者高密度情况下会更加明显.     

大规模联合采集智能群体的协调跟踪模型及稳定性分析

An improved cooperative tracking model is proposed, which is based on the local information between mutually observable individuals with global object information, and this model is used for scalable social foraging swarm. In this model, the “follower” individuals in the swarm take the center of the minimal circumcircle decided by the neighbors in the positive visual set of individual as its local object position. We study the stability properties of cooperative tracking behavior of social foraging swarm based on Lyapunov stability theory. Simulations show that the stable cooperative tracking behavior of the global social foraging swarm can be achieved easily, and beautiful scalability emerge from the proposed model for social foraging swarm.     

An improved artificial bee colony algorithm based on the strategy of global reconnaissance

The artificial bee colony (ABC) algorithm is a recently introduced swarm intelligence optimization algorithm based on the foraging behavior of a honeybee colony. However, many problems are encountered in the ABC algorithm, such as premature convergence and low solution precision. Moreover, it can easily become stuck at local optima. The scout bees start to search for food sources randomly and then they share nectar information with other bees. Thus, this paper proposes a global reconnaissance foraging swarm optimization algorithm that mimics the intelligent foraging behavior of scouts in nature. First, under the new scouting search strategies, the scouts conduct global reconnaissance around the assigned subspace, which is effective to avoid premature convergence and local optima. Second, the scouts guide other bees to search in the neighborhood by applying heuristic information about global reconnaissance. The cooperation between the honeybees will contribute to the improvement of optimization performance and solution precision. Finally, the prediction and selection mechanism is adopted to further modify the search strategies of the employed bees and onlookers. Therefore, the search performance in the neighborhood of the local optimal solution is enhanced. The experimental results conducted on 52 typical test functions show that the proposed algorithm is more effective in avoiding premature convergence and improving solution precision compared with some other ABCs and several state-of-the-art algorithms. Moreover, this algorithm is suitable for optimizing high-dimensional space optimization problems, with very satisfactory outcomes.     

Stable social foraging swarms in a noisy environment

Bacteria, bees, and birds often work together in groups to find food. A group of robots can be designed to coordinate their activities to search for and collect objects. Networked cooperative uninhabited autonomous vehicles are being developed for commercial and military applications. Suppose that we refer to all such groups of entities as "social foraging swarms". In order for such multiagent systems to succeed it is often critical that they can both maintain cohesive behaviors and appropriately respond to environmental stimuli (e.g., by optimizing the acquisition of nutrients in foraging for food). In this paper, we characterize swarm cohesiveness as a stability property and use a Lyapunov approach to develop conditions under which local agent actions will lead to cohesive foraging even in the presence of "noise" characterized by uncertainty on sensing other agent's position and velocity, and in sensing nutrients that each agent is foraging for. The results quantify earlier claims that social foraging is in a certain sense superior to individual foraging when noise is present, and provide clear connections between local agent-agent interactions and emergent group behavior. Moreover, the simulations show that very complicated but orderly group behaviors, reminiscent of those seen in biology, emerge in the presence of noise.     

基于精英蜂群搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、求解精度不高、容易陷入局部最优等问题,利用蜂群觅食过程中先由侦察蜂进行四处侦察食物,并利用蜂群搜索构建精英群体指导蜂群觅食寻优。据此,提出了一种模拟侦察蜂侦察觅食行为的基于精英蜂群搜索策略的连续优化算法。算法利用构建精英蜂群策略、改进侦察蜂搜索机制以及基于目标函数值选择寻优三个主要策略加强算法的搜索机制。数值实验表明,所提算法不仅寻优精度和寻优率非常高,且收敛速度快,并能适于高维空间的优化问题。     

基于仿生学改进的粒子群算法

针对标准粒子群算法收敛速度慢和易陷入局部最优的局限性,提出了一种基于仿生学改进的粒子群算法。即通过在标准粒子群公式中加入负梯度项,使算法更加符合鸟群觅食的实际规律,同时使算法的全局和局部搜索能力得到了平衡。仿真对比结果表明,改进的粒子群算法减小了陷入局部极值的可能性,能够提高最优解的精度和优化效率。     

一种具有区域影响的人工萤火虫算法

受到自然界中萤火虫通过荧光进行信息交流的群体行为的启示,萤火虫算法被提出。它是一种新颖的仿生群智能优化算法。基本的萤火虫算法中,萤火虫个体间存在协作不足,易陷入局部最优的缺陷;考虑到萤火虫个体的区域影响作用,提出一种更接近社会上信息传递系统的萤火虫算法。该算法综合考虑了萤火虫个体的历史最优位置和萤火虫群体的历史最优位置对当前位置的影响作用,使相距较近的萤火虫个体能很快地得到信息并受其影响。实验仿真结果表明,区域影响下的萤火虫算法性能有了显著提高。     

基于细菌觅食机理改进粒子群算法的研究

粒子群算法与细菌觅食算法在优化问题中均体现了较好的性能,但由于各自特定的进化机制,也都存在缺点。粒子群优化（PSO）算法在优化过程中过快陷入局部极值,为了避免这个缺陷,提出了一种新的混合算法。通过PSO算法完成整个空间的全局搜索,通过细菌觅食算法（BFOA）中的趋向性运动算子完成局部搜索的功能,再通过典型函数进行测试,结果表明新算法可以有效弥补细菌觅食算法速度不快和粒子群算法精度不高的缺陷,同时部分地避免了局部收敛的问题,从而适用于解决复杂函数的优化问题。     

PSO_BFA优化词袋模型及蛋白质亚细胞定位预测

提出了一种基于PSO_BFA优化的词袋模型。传统词袋模型有两个重要参数：窗口大小[d]和字典大小[k]。结合粒子群算法和细菌觅食算法产生新的PSO_BFA混合优化算法,在PSO进行局部搜索时,加入BFA的复制和迁移行为,得到PSO_BFA的最优解即为窗口大小和字典大小的最佳组合。将优化词袋模型与蛋白质序列的氨基酸组成算法和伪氨基酸组成算法结合,获得蛋白质序列的词袋特征。实验结果证明,基于PSO_BFA优化的词袋模型能有效提高蛋白质亚细胞定位预测的精度。     

配送中心选址问题的BFO-AFSA算法研究

以细菌觅食算法改进的人工鱼群算法为工具,提出了一种新的解决配送中心选址问题的群智能算法。细菌觅食算法改进的人工鱼群算法主要针对基本人工鱼群算法后期容易陷入局部最优的缺点,利用细菌觅食算法局部搜索能力强的特点,将细菌觅食算法中的趋化思想应用到基本人工鱼群算法中。通过算法测试可以看出,改进人工鱼群算法在搜索精度、可靠性、优化速度及稳定性方面相对于基本鱼群算法更有效。通过选址实例仿真可以看出,改进人工鱼群算法在解决配送中心选址问题上相对于基本鱼群算法更具优越性,改进人工鱼群算法能够寻找到更低的成本。