1 群体智能概述

1.1 群体智能的概念与特点

群体智能的概念源于对蜜蜂、蚂蚁、大雁等这类群居生物群体行为的观察和研究，是一种在自然界生物群体所表现出的智能现象启发下提出的人工智能实现模式，是对简单生物群体的智能涌现现象的具体模式研究。群体智能指的是“简单智能的主体通过合作表现出复杂智能行为的特性”。该种智能模式需要以相当数目的智能体来实现对某类问题的求解功能。作为智能个体本身，在没有得到智能群体的总体信息反馈时，它在解空间中的行进方式是没有规律的。只有受到整个智能群体在解空间中行进效果的影响之后，智能个体在解空间中才能表现出具有合理寻优特征的行进模式。自然界中动物、昆虫常以集体的力量进行觅食生存，在这些群落中单个个体所表现的行为是简单缺乏智能的，且各个个体之间的行为是遵循相同规则的，但由个体组成的群体则表现出了一种有效的复杂的智能行为。群体智能可以在适当的进化机制引导下通过个体交互以某种突现形式发挥作用，这是个体的智能难以做到的。

通常，群体智能是指一种人工智能模式，体现的是一种总体的智能特性。人工智能主要有两种研究范式，即符号主义和联接主义。符号主义采用知识表达和逻辑符号系统来模拟人类的智能。联接主义则从大脑和神经系统的生理背景出发来模拟它们的工作机理和学习方式。符号主义试图对智能进行宏观研究，而联接主义则是一种微观意义上的探索。20世纪90年代后，计算智能的研究逐渐成为了联接主义人工智能的一个代表性流派。计算智能系统是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上，通过相互之间的有机融合而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。神经网络反映大脑思维的高层次结构；模糊系统模仿低层次的大脑结构；进化系统则是从生物种群的群体角度研究智能产生和进化过程。对群居性生物群体行为涌现的群体智能的研究是进化系统的一个新兴研究领域。

群体智能中，最小智能但自治的个体利用个体与个体和个体与环境的交互作用实现完全分布式控制，其具有以下特点：

（1）自组织。自组织是一种动态机制，由底层单元(部件)的交互而呈现出系统的全局性的结构。交互的规则仅依赖于局部信息，而不依赖于全局的模式。自组织并不是外部的影响施加给系统而体现的一种性质，而是系统自身涌现出的一种性质。系统中没有一个中心控制模块，也不存在一个部分控制另一部分。正反馈（positive feedback）群体中的每个具有简单能力的个体表现出某种行为，会遵循已有的结构或者信息指引自己的行动，并且释放自身的信息素，这种不断的反馈能够使得某种行为加强。尽管一开始都是一些随机的行为，大量个体遵循正反馈的结果是呈现出一种结构。自然界通过系统的自组织来解决问题。理解了大自然中如何使生物系统自组织，就可以模仿这种策略使系统自组织。

（2）自恢复。群体是由很多的个体组成的，不存在中央控制，几乎每一个个体都在群体中享有同样重要的地位。群体中单个个体的状态，不会直接影响到整个群体。这个特点在自然界生物原型中体现得非常明显：在蚂蚁群体中，单个蚂蚁意外死亡不会影响整个群体的觅食；在鸟群的飞行过程中，一只鸟出现意外，整个鸟群在经过短暂的惊慌之后，仍然会恢复整齐有序的飞行；人体皮肤受创后，表皮细胞能“记忆”受创前的皮肤特征，并生成新的表皮细胞，重构出原来的形状和颜色。由此可见，群体在此过程中具有自我恢复的能力。当然，群体的恢复也是有限度的，当其数量减少到一定的程度，就会失去恢复能力。群体的这种特性，在网络、军事、医学等领域都有广阔的应用前景。

（3）间接通信。群体系统中个体之间如何进行交互是个关键问题。个体之间有直接的交流，如触角的碰触、食物的交换、视觉接触等，但个体之间的间接接触更为微妙，群体中个体传递信息，通常都是通过改变局部环境来实现，其他个体通过感知环境变化，也就获得了相应的信息。已有研究者用Stigmergy来描述这种间接通信机制：也就是个体感知环境，对此作出反应，又作用于环境。Grasse首先引入Stigmergy来解释白蚁筑巢中的任务协调。Stigmergy在宏观上提供了一种将个体行为和群体行为联系起来的机制。个体行为影响着环境，又因此而影响着其他个体的行为。个体之间通过作用于环境并对环境的变化作出反应来进行合作。这在蚂蚁觅食的过程中表现得非常明显：先行的蚂蚁在路上留下一种信息素，后面的蚂蚁选择信息素浓度更高的路径，由此形成一种信息正反馈机制，通过不断重复，最终绝大多数蚂蚁走的都是最短的路线。对于习惯了直接通信的人类来说，生物种群的这种行为特点，不能不说是一种启发。从蚂蚁寻食到蚂蚁聚集尸体到蚂蚁搬运、筑巢，个体之间的通信机制总是离不开Stigmergy机制，对于作为个体之间交流、交互的媒介—环境的作用，通常由各种各样的信息素来体现。

（4）学习。学习的目的在于适应和优化。适应是为了生存，优化是为了更好地发展。对于自然生命或者是自然智能而言，学习都是其最重要的特征。自组织、自适应是群体生物的重要特点，群体智能中的学习又有其独特之处。群体生物的独特学习方法就是进化。它们总是先以其数量占据优势，然后随着环境的变化，淘汰不能适应环境的个体。在这个过程中，对每一个个体而言，并没有发生任何学习行为。但是，从整体来看，环境变化后的群体具有更强的适应能力。进化的目的也是为了适应和优化，这与学习完全一致。当然，进化的实现有其前提条件，最重要的两个是多样性和正反馈。只有不断保持种群自身的多样性，生物有了多种选择，才有实现进化的可能；同样，只有实现了对有利条件的正反馈，形成一个吸引子，进化才能够总是向着有利于群体生存的方向，进化的成果才能得以巩固和发展。

1.2 群体智能中的知识涌现

群体智能中的智能就是大量个体在无中心控制的情况下体现出来的宏观有序的行为。这种大量个体表现出来的宏观有序行为称为涌现现象。没有涌现（Emergence）现象，就无法体现出智能。因此，涌现是群体智能系统的本质特征。只知道孤立的个体行为并不能了解整个系统（如蚁群）的情况，仅仅研究孤立的部分无法有效地研究整体性质，因此，对涌现现象的研究必须既研究各个部分，又研究各个部分之间的相互作用。

涌现最早是作为系统科学的重要概念被提出来的。系统科学的创始人贝塔郎菲（Bertlanfy）从一开始就把一般系统论界定为关于整体性的科学，把整体性界定为一种“涌现”的性质。全部系统研究的任务集中到一点，就是阐明整体为何大于部分之和，然后制定描述大于部分之和的整体性质（即涌现性）的方法。“遗传算法之父”约翰·霍兰对涌现现象进行了较为深入的探索。他认为涌现现象的本质是“由小生大，由简入繁”，并且把细胞组成生命体，简单的走棋规则衍生出复杂的棋局等现象都视为涌现现象。他认为神经网络、元胞自动机等可算作涌现现象的模型。

对于涌现现象的研究，一直都是和复杂系统联系在一起的。涌现不仅是复杂系统中的现象，同时也是群体智能的重要特征。群体智能的涌现现象与系统论和复杂系统中阐述的涌现本质上是相同的，它是基于主体的涌现。群体中的个体结构和功能都非常简单，通过相互通讯和协调组成群体系统，同时涌现出一些整体的性质和新的功能。这种智能本身也正是群体系统中涌现的结果。研究群体智能系统，要弄清涌现现象的普遍原理，建立由简单规则控制的模型来描述涌现现象的规律。

在群体智能中，涌现现象具有如下的性质：

（1）涌现现象的出现是很多个体相互关联的结果，这些个体规则简单，相互影响；

（2）这种现象是从底部向上的，从低层次向高层次的，是总体的或者说是宏观层次的；

（3）某一层次涌现的集成可以产生更上一层次的涌现，例如原子构成分子，分子构成细胞，后者都是在前者涌现性质的基础上产生新的整体性质；

（4）涌现作为一种整体现象，不因为部分个体的改变而改变；

（5）涌现是显示性的； （6）涌现是一种组织效应、结构效应，它在一定程度上可以预测；

（7）涌现有层次水平的高低，水平越高的涌现越复杂。

1.3 群体智能研究方法

群体智能是目前智能领域非常活跃的新兴研究领域，作为智能计算和群体智能领域的关键技术，同时作为仿生智能计算领域的重要分支，群体智能计算在获得更大的发展的同时，也必将推动群体智能与计算智能以及相关学科和研究领域的壮大与发展。

从方法上看，国内外对群体智能的研究，主要体现在：群体行为模拟、群体智能计算和分布式问题解决装置研究等方面。群体智能研究框图如图1.1所示。

图1.1 群体智能研究框图

Table 1.1 Research frame of swarm intelligence

（1）群体行为模拟研究

群体行为模拟研究包括：蚁群觅食行为研究，群体分工和任务分配行为研究，巢穴组织和自组织行为研究，筑巢行为和群体合作搬运行为研究，鸟类聚集飞行行为研究等。群体行为研究和计算机仿真为群体智能算法研究提供了思路。

（2）算法设计及改进研究

在算法研究方面，作为群体智能算法的两种典型实现，蚁群算法(ACO)和粒子群算法(PSO)得到了广泛关注。在基本蚁群算法提出之后，在前面所提到的群体行为模拟研究的基础上，被多个领域的研究工作者进行了改进，提出了很多新的算法并成功用于实际工程中。

对粒子群算法的研究与改进主要从参数选择与设计、种群拓扑结构、群体组织与进化以及混合粒子群算法进行。

（3）算法应用研究

群体智能自提出以来，由于其在解决复杂的组合优化类问题方面所具有的优越性能，在诸如工程设计与优化、电力系统领域、机器人设计与控制、交通规划、群体智能研究 行为模拟研究

群体智能计算研究

分布式装置研究 具体模型实现仿真

算法设计及改进

分布式装置实现 算法应用 工业生产优化以及计算机网络等领域取得了较为成功的应用。此外，群体智能算法还用于交通导航与路径规划的动态规划问题、任务分配问题、数据挖掘和数据高层综合问题以及系统辨识与状态估计等。

（4）分布式装置实现

根据群体智能的特点，很多研究者在分布式问题解决装置研制方面也进行了尝试。美国五角大楼资助了群体智能系统的研究—虫群战略。群体智能为设计智能系统提供了另一种选择途径，这种方法用自治、涌现和分布式运行代替了控制、预先编制程序和集总式运行。

其中群体智能计算是最为活跃的一个研究分支。群体智能计算包括：群体智能算法设计与改进、群体智能算法在优化问题求解和工程领域中的应用。群体智能计算是在群体智能领域中计算智能研究的逐步深入而产生的一种新兴的计算智能模式，它是群体智能研究中的一个重要分支，在对某些群体行为模拟研究的基础上，运用一定的数学工具和计算机工具，提出相应的群体智能算法，并用来解决那些因为难以建立有效的形式化模型而用传统优化方法又难以有效解决甚至无法解决的问题。

2 粒子群优化算法

粒子群优化（Particle Swarm Optimization，PSO）算法最初是由Kennedy和Eberhart于1995年受人工生命研究结果启发，在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能的进化计算技术。鸟群中的每只鸟在初始状态下是处于随机位置向各个随机方向飞行的，但是随着时间的推移，这些初始处于随机状态的鸟通过自组织(self-organization)逐步聚集成一个个小的群落，并且以相同速度朝着相同方向飞行，然后几个小的群落又聚集成大的群落，大的群落可能又分散为一个个小的群落。这些行为和现实中的鸟类飞行的特性是一致的。可以看出鸟群的同步飞行这个整体的行为只是建立在每只鸟对周围的局部感知上面，而且并不存在一个集中的控制者。也就是说整个群体组织起来但却没有一个组织者，群体之间相互协调却没有一个协调者(organized without an organizer，coordinated without a coordinator)。Kennedy和Eberhart从诸如鸟类这样的群居性动物的觅食行为中得到启示，发现鸟类在觅食等搜寻活动中，通过群体成员之间分享关于食物位置的信息，可以大大的加快找到食物的速度，也即是通过合作可以加快发现目标的速度，通常群体搜寻所获得利益要大于群体成员之间争夺资源而产生的损失。这些简单的经验事实如果加以提炼，可以用如下规则来说明：当整个群体在搜寻某个目标时，对于其中的某个个体，它往往是参照群体中目前处于最优位置的个体和自身曾经达到的最优位置来调整下一步的搜寻。Kennedy和