人工智能粒子群优化和群智能

群智能概念

假定你和你的朋友正在执行寻宝的任务，这个团队内的每个人都有一个金属探测器，并能把自己的通信信号和当前位置传给n个最邻近的伙伴。因此，每个人都知道是否有一个邻近伙伴比他更接近宝藏。如果是这种情况，你就可以向该邻近伙伴移动。这样做的结果就使得你发现宝藏的机会得以改善，而且，找到该宝藏也可能要比你单人寻找快得多。

这是一个对群行为（swarm behavior）的极其简单的实例，其中，群中各个体交互作用，使用比单一个体更有效的方法去求解全局目标。

人工智能

可把群（swarm）定义为某种交互作用的组织或 agent之结构集合。在群智能计算研究中，群的个体组织包括蚂蚁、白蚁、蜜蜂、黄蜂、鱼群和鸟群等。在这些群体中，个体在结构上是很简单的，而它们的集体行为却可能变得相当复杂。例如，在一个蚁群中，每只蚂蚁个体只能执行一组很简单任务中的一项，而在整体上，蚂蚁的动作和行为却能够确保建造最佳的蚁巢结构、保护蚁后和幼蚁、清洁蚁巢、发现最好的食物源以及优化攻击策略等全局任务的实现。

群社会网络结构形成该群存在的一个集合，它提供了个体间交换经验知识的通信通道。群社会网络结构的一个惊人的结果是它们在建立最佳蚁巢结构、分配劳力和收集食物等方面的组织能力。

群计算建模已获得许多成功的应用，例如，功能优化、发现最佳路径，调度、结构优化以及图像和数据分析等。从不同的群研究得到不同的应用，其中，最引人注目的是对蚁群和鸟群的研究工作。下面将分别综述这两种群智能的研究情况。其中，粒子群优化方法是由模拟鸟群的社会行为发展起来的，面蚁群优化方法主要是由建立蚂蚁的轨迹跟踪行为模型而成的。

粒子群模型

粒子群优化概念

粒子群优化（particle swarm optimization，PSO）算法是一种基于群体搜索的算法，它建立在模拟鸟群社会的基础上。粒子群概念的最初含义是通过图形来模拟鸟群优美和不可预测的舞留动作，发现鸟群支配间步飞行和以最佳队形突然改变飞行方向并重新编队的能力。这个概念已被包含在一个简单和有效的优化算法中。

在粒子群优化中，被称为粒子（particle）的个体是通过超维搜索空间“流动”的。粒子在搜索空间中的位置变化是以个体成功地超过其他个体的社会心理意向为基础的，因此，群中粒子的变化是受其邻近粒子（个体）的经验成知识影响的。一个粒子的搜索行为受到群中其他粒子的搜索行为的影响。由此可见，粒子群优化是一种共生合作算法，。建立这种社会行为模型的结果是，在搜索过程中，粒子随机地回到搜索空间中一个原先成功的区域。

粒子群优化

粒子群优化与进化计算的比较

粒子群优化扎根于一些交叉学科，包括人工生命，进化计算和群论等。粒子群优化与进化计算存在一些相似和相异之处。两者都是优化算法，都力图在自然特性的基上模拟个体种群的适应性。它们都采用概率变换规则通过搜索空间求解。这些就是粒子群优化和进化计算的相似之处。

粒子群优化与进化计算也有儿个重要的区别。粒子群优化有存储器，而进化计算没有粒子保持它们及其邻域的最好解答。最好解答的历史对调整粒子位置起到重要作用。此外，原先的速度被用于调整位置，然这两种算法都建立在适应性的基上，但是粒子群优化的变化是通过向同等的粒子学习面不是通过遗传来重组和变异得到的，粒子群优化不用适应度函数而是由同等粒子间的社会交工作用来带动搜索过程的。