群体智能指的是无智能或者仅具有相对简单智能的主体通过合作涌现出更高智能行为的特性。其中的个体并非绝对的无智能或只具有简单智能，而是相对于群体表现出来的智能而言是简单的。
单个复杂个体可以实现的功能，同样可以由大量简单的个体通过群体合作实现，后者的优势在于它更健壮、灵活和经济。
群体智能利用群体优势，在没有中心控制的条件下，寻找解决复杂问题的新思路

3.群体智能分类

集群智能： 众多无智能的个体，通过相互之间的简单合作所表现出来的智能行为（个体智能比较低）
博弈：具备一定智能的理性个体，按照某种机制行动，在群体层面体现出的智能（理性、自私，优化个人目标，达到社会最优）
众包： 设计合适的机制，激励个体参与，从而实现单个个体不具备的社会智能（激励个人（真实的人））

4.集群智能

集群智能是分布式、自组织的（自然/人造）系统表现出的一种群体智能
集群智能系统一般由一群简单的智能体构成，智能体按照简单的规则彼此进行局部交互，智能体也可以环境交互
灵感通常来自生物系统 蚁群、鸟群、兽群、粒子群

4.1 集群智能的特点

 分布式：无中心控制
 随机性：非确定性
 自适应：个体根据环境进行策略调整
 正反馈：个体好的尝试会对个体产生正反馈
 自发涌现：会在群体层面涌现出一种智能

4.2 集群智能代表性方法

 蚁群优化算法
 粒子群优化算法

5.集群智能-蚁群优化算法（ACO: Ant Colony Optimization ），适用于离散问题最优解

我们思考一个问题，蚂蚁寻找食物的过程。当两个路径等长的时候，让足够多的蚂蚁去自主选择，可能选择走两条路径的蚂蚁数目是比较接近的。如果上面的路径短，再重复试验，上面的蚂蚁会明显多余下面路径上的蚂蚁，我们说这个是一个集群智能中的蚁群问题。

假设路径不等长的情况下，我们得到下面这个图，上面路径为下面路径的一半：

蚂蚁从A点出发，速度相同，食物在D点，可能随机选择路线ABD或ACD。上面的路径长度是下面路径长度的一半
假设初始时每条路线分配一只蚂蚁，每个时间单位行走一步，上图为经过9个时间单位时的情形
走ABD的蚂蚁到达终点，而走ACD的蚂蚁刚好走到C点，为一半路程。

经过18个时间单位时的情形： 走ABD的蚂蚁到达终点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走到D点。

5.1 蚁群寻食过程分析

假设蚂蚁每经过一处所留下的信息素为一个单位，则经过36个时间单位后，所有开始一起出发的蚂蚁都经过不同路径从D点取得了食物，此时ABD的路线往返了2趟，每一处的信息素为4个单位，而 ACD的路线往返了一趟，每一处的信息素为2个单位，其比值为2：1。
寻找食物的过程继续进行，则按信息素的指导，蚁群在ABD路线上增派一只蚂蚁（共2只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为12和4，比值为3：1。
若按以上规则继续，蚁群在ABD路线上再增派一只蚂蚁（共3只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为24和6，比值为4：1。
若继续进行，则按信息素的指导，最终所有的蚂蚁会放弃ACD路线，而都选择ABD路线。

5.2 ACO: Ant Colony Optimization

一种解空间搜索方法
适用于在图上寻找最优路径

5.3 形式化

每个蚂蚁对应一个计算智能体
蚂蚁依概率选择候选位置进行移动
在经过的路径上留下“信息素”（Pheromone）
“信息素”随时间挥发
“信息素”浓度大的路径在后续的选择中会以更高的概率被选取

5.4 旅行商问题的蚁群优化求解

整个算法实现图示：

蚁群大小：一般情况下，蚁群中的蚂蚁个数不超过TSP图中节点的个数
终止条件：（1）设定迭代轮数（2）设定最优解连续保持不变的迭代轮数
思想：（1）局部随机搜索+自增强（2）鲁迅：“世界本无路，走的人多了也就有了路”
缺点：（1）收敛速度慢（2）易于陷入局部最优（3）对于解空间为连续的优化问题不适用

6.粒子群优化算法 PSO: Particle Swarm Optimization 求解连续解空间的优化问题

是一种随机优化方法，通过粒子群在解空间中进行搜索，寻找最优解（适应度最大的解），在整个集合上随机选取几个点，值小的点会看到值大的点，如果要是求最大值，值比较小的点就会向值大的点移动（向优秀的同学学习）。

6.1 粒子群优化算法构成要素

6.2 粒子群优化算法算法过程描述

6.3 粒子群优化算法粒子位置和速度更新示例

6.4 粒子群优化算法粒子速度更新公式解读

6.5 粒子群优化算法算法终止条件

 迭代的轮数
 最佳位置连续未更新的轮数
 适应度函数的值到达预期要求

6.6 粒子群优化算法速度更新参数分析

6.7 粒子群优化算法改进

6.8 粒子群优化算法和遗传算法相比

 遗传算法强调“适者生存”，不好的个体在竞争中被淘汰；PSO强调“协同合作”，不好的个体通过学习向好的方向转变。
 遗传算法中最好的个体通过产生更多的后代来传播基因； PSO中的最好个体通过吸引其它个体向它靠近来施加影响。
 遗传算法的选择概率只与上一代群体相关，而与历史无关，群体的信息变化过程是一个Markov链过程；而 PSO中的个体除了有位置和速度外，还有着过去的历史信息（pBest、gBest）

6.9粒子群优化算法优缺点

优点：

 易于实现；
 可调参数较少；
 所需种群或微粒群规模较小；
 计算效率高，收敛速度快

缺点：

 和其它演化计算算法类似，不保证收敛到全局最优解

6.10 粒子群优化算法小结

 一种随机优化算法
 适用于求解连续解空间的优化问题

7.课后作业

代码参考：https://github.com/guofei9987/scikit-opt

敲代码的乔帮主博客专家

发布了289 篇原创文章 · 获赞 163 · 访问量 23万+

他的留言板关注

群体智能之集群智能

1.写在前面

2.群体智能