大规模移动智能群体的建模及联合行为分析

提出一种基于个体局部信息的移动智能群体的模型,该模型的建立仅依靠相互可检测到的个体之间的局部位置信息.在此模型基础上,研究了移动智能群体联合趋向目标行为的稳定性问题.仿真实验表明,基于局部位置信息的群体模型能够实现群体的联合跟踪全局目标的行为,同时对群体的规模具有较强的可扩展性.     

面向群体行为识别的非局部网络模型

目的 视频行为识别一直广受计算机视觉领域研究者的关注，主要包括个体行为识别与群体行为识别。群体行为识别以人群动作作为研究对象，对其行为进行有效表示及分类，在智能监控、运动分析以及视频检索等领域有重要的应用价值。现有的算法大多以多层递归神经网络（RNN）模型作为基础，构建出可表征个体与所属群体之间关系的群体行为特征，但是未能充分考虑个体之间的相互影响，致使识别精度较低。为此，提出一种基于非局部卷积神经网络的群体行为识别模型，充分利用个体间上下文信息，有效提升了群体行为识别准确率。方法 所提模型采用一种自底向上的方式来同时对个体行为与群体行为进行分层识别。首先从原始视频中沿着个人运动的轨迹导出个体附近的图像区块；随后使用非局部卷积神经网络（CNN）来提取包含个体间影响关系的静态特征，紧接着将提取到的个体静态特征输入多层长短期记忆（LSTM）时序模型中，得到个体动态特征并通过个体特征聚合得到群体行为特征；最后利用个体、群体行为特征同时完成个体行为与群体行为的识别。结果 本文在国际通用的Volleyball Dataset上进行实验。实验结果表明，所提模型在未进行群体精细划分条件下取得了77.6%的准确率，在群体精细划分的条件下取得了83.5%的准确率。结论 首次提出了面向群体行为识别的非局部卷积网络，并依此构建了一种非局部群体行为识别模型。所提模型通过考虑个体之间的相互影响，结合个体上下文信息，可从训练数据中学习到更具判别性的群体行为特征。该特征既包含个体间上下文信息、也保留了群体内层次结构信息，更有利于最终的群体行为分类。     

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。     

面向社交大数据的个体行为信任评价

由于大数据环境下个体行为具有多样性的特点,使得基于局部信息的一般个体行为信任评价模型考虑因素不全面,导致个体面临信任危机。为此,提出一种改进的个体行为信任评价模型。采用多数据融合获得信任评价结果,利用D-S理论对关联信任评价的个体信任mass函数值与评估结果进行整合,计算个体出现不信任情况的概率。融合个体信任态势求出关联个体的不信任态势,获得个体参与信任评价的权重,得出个体行为信任评价。实验结果表明,与基于局部信息的一般个体行为信任评价模型相比,该模型具有更高的可靠性和安全性。     

人群应急疏散中一种多智能体情绪感染仿真模型

为了从情绪的视角分析紧急情境下人群的疏散行为,梳理了现有情绪感染的研究工作,总结了人群紧急状况下行为特点.采用智能体描述人群个体,提出一种多智能体情绪感染模型.其主体框架分为感知层、情绪层、感染层、行为层和行动层.归纳了产生情绪感染现象的3个条件及情绪感染的3个规则,提出了情绪感染的算法,考虑个体的个性和个体间距离因素,采用情绪强度和人群紧密度来计算个体疏散速度.用C#语言编制了仿真实验,采用真实的地震疏散案例,验证了仿真疏散时间和实际观测的基本一致.通过与以往基于传染病思路的情绪感染模型对比,所提出的模型可以更好地描述情绪感染从局部到整体的过程.实验结果表明,所提出的模型可以推演情绪驱动下的群体聚集行为,有望为制定应急疏散预案提供一种可视化分析方法.     

一种基于群体智能的客户行为分析算法

提出了一种基于群体智能的客户行为分析算法．首先将客户的消费模式作为平面上的一个点随机分布于平面区域内；然后依据基于群体智能的聚类方法，选用由小到大的群体相似系数进行聚类分析；最后，在平面区域内采用递归算法收集聚类结果，获得不同消费特征的客户群体．文中还提出了算法的并行策略，提高了算法对大数据量的适应性．该文以电信移动客户话费数据作为实验数据，并将算法结果与其它经典聚类算法的结果进行比较分析．分析结果表明：这种基于群体智能的客户行为分析算法能够满足客户聚类和分类的要求，特别是在大客户分析及一对一营销中特别客户的分析方面该算法有直观、类别特征明显等特点．     

复杂动态环境下群体自聚性分析

群集智能由简单个体之间的相互作用涌现出来,这种涌现出来的智能可以解决许多复杂的问题.群体稳定地自聚是有效完成任务的前提.首先从群集智能系统中个体的局部感知能力出发,建立群体聚集的个体运动学模型.然后利用Lyapunov稳定性理论对系统的自聚性进行稳定性分析.在分析中考虑了个体感知能力有限、动态环境以及噪声等复杂环境情况,使得系统分析更加接近实际.最后,通过仿真实验验证了理论的正确性.     

一种生态粒子群竞争优化计算模式

将生态种群密度的概念引入群体智能计算,提出一种基于生态群竞争模型的粒子群优化模型。该模型的动力学特征可较全面地描述个体与环境及相互之间的协同行为,在一定程度上脱离了只采用个体适应度来控制进化的生物进化框架。数值仿真结果表明该生态型粒子群优化模型可有效改善早熟收敛和提高收敛速度。     

群体环境下基于随机对策的多Agent局部学习算法

基于群体环境中个体agent局部感知和交互的生物原型,提出一种随机对策框架下的多agent局部学习算法．算法在与局部环境交互中采用贪婪策略最大化自身利益．分别在零和、一般和的单个平衡点和多个平衡点情形下改进了Nash-Q学习算法;提出了行为修正方法,并证明了算法收敛、计算复杂度降低．     

基于RSAPSO算法的网络计划综合优化

为了提高电力工程企业的经济效益,在综合考虑成本、质量和进度的基础上,提出了工期-收益-质量多目标优化模型.粒子群优化算法是基于群体智能理论的算法.该算法利用生物群体内个体的合作与竞争等复杂性行为产生群体智能,并为工程优化问题提供高效的解决方法.但是粒子群优化算法同样存在一些问题,针对这些问题提出了一种新算法,即基于速度松弛策略的模拟退火粒子群算法(RSAPSO).运用RSAPSO算法对多目标优化模型进行求解,最后通过工程实例验证模型和算法的有效性.     

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.     

基于人工鱼群算法的协同过滤推荐算法

基于原始人工鱼群算法,提出在觅食行为中保留较优值以替代随机值,在追尾和聚群行为中比较最优值和中心值再作移动行为的选择,在迭代进行中,实现视野的自适应调整.这样改进后的人工鱼群算法应用于协同过滤推荐系统中,实现用户聚类,从而提高协同过滤推荐系统的最近邻查询速度,降低搜索开销.实验测试结果显示了改进的人工鱼群算法具有收敛速度快,稳定性高的特性,且能获得较优的聚类目标值.将改进的人工鱼群算法用于协同过滤推荐算法中,提高了算法的推荐精度.     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

多分支混沌变异的头脑风暴优化算法

头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。     

余弦自适应混沌被囊体种群优化算法

针对被囊体种群优化算法存在易陷入局部最优、收敛速度慢等缺点,提出一种余弦自适应混沌被囊体种群优化算法。在模拟被囊体喷射推进行为中,引入余弦自适应曲线计算搜索个体间的社会作用力,从而改进算法易出现早熟的问题;并在搜索个体向最佳位置移动上增加了一种混沌行为,使其避免局部最优并拥有更快的收敛速度。采用多种标准测试函数进行测试,实验结果表明,提出的新的被囊群优化算法在保留原有算法优点的基础上具有更好的收敛速度、精度和全局最优性。     

粒子群与多种群元胞遗传混合优化算法

元胞遗传算法通过限定个体之间的相互作用邻域提高算法的全局收敛率,但在一定程度降低搜索效率。文中提出一种粒子群与多种群元胞遗传混合优化算法。首先将群体分割成多个相互之间没有邻域关系的元胞子种群,适度降低算法的选择压力,从而更好地保持种群的多样性。算法的变异操作被粒子群算法替代,使得局部搜索能力明显提高。元胞群体分割和粒子群变异较好地均衡全局探索和局部寻优之间的关系。分析混合算法的选择压力和多样性变化规律。实验结果表明,该算法在保证搜索效率较高的同时还显著提高元胞遗传算法的全局收敛率且稳定性得到明显改善。     

通讯受限条件下的机器人编队算法

针对通讯受限条件下大规模移动机器人编队任务,本文提出了基于行为的分布式多机器人线形编队控制和避障算法.机器人个体无需获得群体中所有机器人的信息,而是根据传感器获取的环境信息和局部范围内的机器人信息对其自身的调整方向进行预测,并最终很好地完成了设定的编队及避障任务.由于本文方法需求的通讯量不大,并且采用分布式控制,因此该...     

基于多目标粒子群–稀疏提升算法的电网频率反馈优化控制

频率反馈控制策略是维持电网频率稳定性的主要手段.本文建立了频率反馈控制系数和电网拓扑与电网频率稳定性的小信号分析模型,推导得出了能改善电网频率稳定性的频率反馈控制系数的参数范围.提出了基于多目标粒子群的稀疏提升算法(multi-objective particle swarm optimization sparse promoting algorithm, MOPSO–SPA),进行频率反馈控制系数矩阵的优化,提高了电网频率响应性能并降低了成本代价.用本文提出的算法设计了IEEE–39标准测试系统和陕北局部电网的频率反馈控制系数,并进行仿真对比,验证了算法的高效性和优越性.     

基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法

针对基本人工鱼群算法在寻优过程中易在非全局极值点附近大量聚集,导致寻优精度降低、收敛速度过慢、人工鱼群多样性降低等问题,提出了一种基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法。首先,在基本人工鱼群算法中引入Log-Linear模型来优化人工鱼的三个行为;其次,在算法中引入自适应调整人工鱼视野和步长的策略,随着算法的进行提高了人工鱼的搜索范围和寻优精度;再次,利用Gauss-Cauchy变异来提高人工鱼的多样性。仿真实验结果表明,该算法与其他改进算法相比,有效地提高了收敛速度和寻优精度,保持了人工鱼群的多样性。