导读：
来源: 中国科技资讯网 作者：张 燕，康 琦，汪 镭，吴启迪 网友评论 0条 浏览次数 3
［关键词］群体智能；人工智能；复杂性科学0 引言
人们在很早的时候就对自然界中存在的群集行为感兴趣，如大雁在飞行时自动排成人字形，蝙蝠在洞穴中快速飞行却可以互不碰撞等。对于这些现象的一种解释是，群体中的每个个体都遵守一定的行为准则，当它们按照这些准则相互作用时就会表现出上述的复杂行为。基于这一思想，Craig Reynolds在1986年提出一个仿真生物群体行为的模型BOID。这是一个人工鸟系统，其中每只人工鸟被称为一个BOID，它有三种行为：分离、列队及聚集，并且能够感知周围一定范围内其它BOID的飞行信息。BOID根据该信息，结合其自身当前的飞行状态，并在那三条简单行为规则的指导下做出下一步的飞行决策。Reynolds用计算机动画的形式展现了该系统的行为，每个BOID能够在快相撞时自动分开，遇到障碍物分开后又重新合拢。这实际上就是一种群体智能模型。
尽管这—模型出现在1986年，但是群体智能（Swarm Intelligence）概念被正式提出的时间并不长。一个显著的标志是1999年由牛津大学出版社出版的E Bonabeau和M Dorigo等人编写的一本专著《群体智能：从自然到人工系统》（“Swarm Intelligence：From Natural to Artificial System”）。目前，对群体智能的研究尚处于初级阶段，但是它越来越受到国际智能计算研究领域学者的关注，逐渐成为一个新的重要的研究方向。本文对群体智能的概念、特点、主要模式等进行了综述，希望对读者有所启发。1 群体智能的概念及特点
群体智能这个概念来自对自然界中一些昆虫，如蚂蚁、蜜蜂等的观察。单只蚂蚁的智能并不高，它看起来不过是一段长着腿的神经节而已。几只蚂蚁凑到一起，就可以起往蚁穴搬运路上遇到的食物。如果是一群蚂蚁，它们就能协同工作，建起坚固、漂亮的巢穴，一起抵御危险，抚养后代。这种群居性生物表现出来的智能行为被称为群体智能。Millonas M M在1994年提出群体智能应该遵循五条基本原则，分别为：
（1）邻近原则（Proximity Principle），群体能够进行简单的空间和时间计算；
（2）品质原则（Quality Principle），群体能够响应环境中的品质因子；
（3）多样性反应原则（Principle of Diverse Response），群体的行动范围不应该太窄；
（4）稳定性原则9Stability Principle），群体不应在每次环境变化时都改变自身的行为；
（5）应性原则（Adaptability Principle），在所需代价不太高的情况下，群体能够在适当的时候改变自身的行为。
这些原则说明实现群体智能的智能主体必须能够在环境中表现出自主性、反应性、学习性和自适应性等智能特性。但是，这并不代表群体中的每个个体都相当复杂，事实恰恰与此相反。就像单只蚂蚁智能不高一样，组成群体的每个个体都只具有简单的智能，它们通过相互之间的合作表现出复杂的智能行为。可以这样说，群体智能的核心是由众多简单个体组成的群体能够通过相互之间的简单合作来实现某一功能，完成某一任务。其中，“简单个体”是指单个个体只具有简单的能力或智能，而“简单合作”是指个体与其邻近的个体进行某种简单的直接通信或通过改变环境间接与其它个体通信，从而可以相互影响、协同动作。群体智能具有如下特点：
（1）控制是分布式的，不存在中心控制。因而它更能够适应当前网络环境下的工作状态，并且具有较强的鲁棒性，即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解。
（2）群体中的每个个体都能够改变环境，这是个体之间间接通信的一种方式，这种方式被称为“激发工作”（Stigmergy）。由于群体智能可以通过非直接通信的方式进行信息的传输与合作，因而随着个体数目的增加，通信开销的增幅较小，因此，它具有较好的可扩充性。
（3）群体中每个个体的能力或遵循的行为规则非常简单，因而群体智能的实现比较方便，具有简单性的特点，。
（4）群体表现出来的复杂行为是通过简单个体的交互过程突现出来的智能（Emergent Intelligence），因此，群体具有自组织性。
为了更进一步理解群体智能这个概念，本文分别从人工智能和复杂性科学的角度对这一概念进行说明。2 从人工智能角度
人工智能学科正式诞生于1956年，它是研究如何使机器（计算机）具有智能，特别是自然智能如何在计算机上实现或再现的学科。要进行人工智能的研究，就必然涉及什么是智能以及什么产生智能的问题。关于什么是智能，麦卡锡（J McCarthy）给出如下定义：在现实世界中智能是指能够实现目标的计算能力。但实际上，关于智能，至今还没有一个确切的公认的定义。因为人们还不能完全了解智能的所有产生机制。至于什么产生智能，目前有三种不同的答案，分别为物质（蛋白质）、符号和亚符号处理（信号）。由于人们对智能本质有不同的理解，所以在人工智能长期的研究过程中形成了多种不同的研究途径和方法其中主要包括符号主义（Symbolism）、连接主义（Connectionism）和行为主义（Behaviorism）。
符号主义是人工智能最早的研究方法，它是以符号知识为基础，通过符号推理进行问题求解而实现的智能。符号主义认为，人类智能的基本单元是符号，智能来自于谓词逻辑与符号推理其代表性成果是机器定理证明和各种专家系统连接主义认为，智能产生于大脑神经元之间的相互作用及信息往来的过程中，因此它通过模拟大脑神经系统结构来实现智能行为，典型代表为神经网络。行为主义模拟了人在控制过程中的智能活动和行为特性，如自寻优、自适应、自学习、自组织等，强调智能主体与环境的交互作用。行为主义与符号主义、连接主义的最大区别在于它把对智能的研究建立在可观测的具体行为活动的基础。
在行为主义人工智能系统中，每个智能体都是在逻辑上或物理上分离的个体，它们都是某一任务的执行者，而且都具有“开放的”接口，可以与其它智能体进行信息的交换。这些智能体能够自主适应客观环境，而不依赖于设计者制定的规则或数学模型，这种适应的实质就是该复杂系统的各要素（智能体和周围环境）之间存在精确的联系。也就是说，在行为主义人工智能系统中必然存在一些协调机制，这些协调机制可以使智能上体与外界环境相适应，使智能主体的内部状态（即智能主体所具有的几个行为，如避障、探索等）相互配合，并在多个智能主体之间产生协作。显然，协调机制的好坏直接影响智能系统的性能，因而寻找合理的协调机制成为行为主义人工智能的主要研究方向。群体智能是行为主义人工智能的一种代表性方法，上面所提特性也适用于群体智能。
设计行为主义人工智能系统的三个基本原则同样适用于群体智能系统的设计。这三个原则是简单性原则、无状态原则和高冗余性原则。这里，简单性原则是指群体中每个个体的行为应尽量简单，以使系统便于实现，而且更加可靠；无状态原则是指设计时应该使系统的内部状态与外在环境保持同步，要求所保留的状态不能在系统中长时间起作用，这就使得系统对于环境的变化和其它失误有更强的适应能力；高冗余性原则是指设计时应该使系统能够与不确定因素共存，而不是消除不确定因素，这样可使智能系统的学习和进化过程保持多样性。3 从复杂性科学角度
复杂性科学是研究复杂系统行为与性质的科学，其目标是解答一切常规科学范畴无法解答的问题，如人类社会组织和制度的突变、物种的起源和灭亡等，它试图找到一种对自然和人类都适用的新科学，即复杂性理论。至于什么是复杂性，圣塔菲研究所的George A Cowan认为，它往往是指一些特殊系统所具有的一些现象，这些系统都由很多子系统组成，子系统之间相互作用，通过某种目前尚不清楚的自组织过程使得整个系统变得更加有序。Cowan对复杂性的认识有如下两个关键点：一是复杂性属于某个系统的内禀性质或特征；二是这个性质是突现的，即它是不能通过子系统的性质来预测的，是自组织过程的结果。具有此类性质的系统被称为复杂适应系统（Complex Adaptive Systems，简称CAS）。在CAS中，复杂的事物是由小而简单的事物发展而来，这种现象被称为复杂系统的涌现现象，涌现的本质就是由小生大，由简入繁。
我国学者用“开放的复杂巨系统”的概念来描述具有同样一些性质的系统，这类系统包括错综复杂的社会系统、人体系统、生态环境系统等，对这些系统关键信息特征或功能特征的研究就是复杂性研究的内容，其中包括进化和共同进化特性、适应性、自组织过程、自催化过程、临界性、多层次特性、相变及混沌的边缘等，最重要的就是宏观整体的涌现性质。与笛卡尔哲学不同，复杂系统的涌现特性代表着另一种看待世界的哲学观念。以笛卡尔哲学为基础的近现代科学以及文化传统强调从上到下的还原与分析方法，强调有一个中心控制单元的结构，是一种机械的观点。而复杂性研究则强调从下到上的集成方法，强调突现，这是非笛卡尔的观点。
群体智能是对自然界中简单生物群体涌现现象的具体研究，因而它从属于复杂性研究，并且遵从非笛卡尔的哲学观念。在研究群体智能时应该采取自下而上的研究策略。4 群体智能的两种主要模式
目前，群体智能主要有两种算法模式，分别是蚁群算法（Ant Colony System，简称ACS）和微粒群优化算法（Particle Swarm Optimization，简称PSO）。
蚁群算法是由M Dorigo等人于1991年首先提出的，是受到自然界中蚂蚁群的社会性行为启发而产生的，它模拟了实际蚁群寻找食物的过程。在自然界中，蚂蚁群总是能够找到从巢穴到食物源之间的一条最短路径。这是因为蚂蚁在运动过程中，能够在其所经过的路径上留下一种被称之为“外激素（pheromone）”的物质。该物质能够被后来的蚂蚁感知到，并且会随时间逐渐挥发。每个蚂蚁根据路径上外激素的强度来指导自己的运动方向，并且倾向于朝该物质强度高的方向移动。因此，如果在某一路径上走过的蚂蚁越多，则积累的外激素就越多，强度就越大，该路径在下一时间内被其它蚂蚁选中的概率就越大。由于在一定时间内，越短的路径会被越多的蚂蚁访问，所以随着上述过程的进行，整个蚁群最终会找到从蚁穴到食物之间的最短路径。蚁群算法正是利用了生物蚁群的这一特性来对问题进行求解。由于蚂蚁寻食的过程与旅行商问题（Traveling Salesman Problem，简称TSP）的求解非常相似，所以蚁群算法最早的应用就是TSP问题的求解。目前，蚁群算法已在组合优化问题求解，以及电力、通信、化工、交通、机器人、冶金等多个领域中得到应用，都表现出了令人满意的性能。
微粒群优化算法最早是由Kennedy和Eberhart于1995年提出的，是一种基于种群寻优的启发式搜索算法。其基本概念源于对鸟群群体运动行为的研究。在自然界中，尽管每只鸟的行为看起来似乎是随机的，但是它们之间却有着惊人的同步性，能够使得整个鸟群在空中的行动非常流畅优美。鸟群之所以具有这样的复杂行为，可能是因为每只鸟在飞行时都遵循一定的行为准则，并且能够了解其邻域内其它鸟的飞行信息。微粒群优化算法的提出就是借鉴了这样的思想。在微粒群优化算法中，每个微粒代表待求解问题的一个潜在解，它相当于搜索空间中的一只鸟，其“飞行信息”包括位置和速度两个状态量。每个微粒都可获得其邻域内其它微粒个体的信息，并可根据该信息以及简单的位置和速度更新规则，改变自身的状态量，以便更好地适应环境。随着这一过程的进行，微粒群最终能够找到问题的近似最优解。由于微粒群优化算法概念简单，易于实现，并且具有较好的寻优特性，因此它在短期内得到迅速发展，目前已在许多领域中得到应用，如电力系统优化、TSP问题求解、神经网络训练、交通事故探测、参数辨识、模型优化等。5 结论
群体智能是通过模拟自然界生物群体行为来实现人工智能的一种方法，它强调个体行为的简单性，群体的涌现特性，以及自下而上的研究策略。群体智能在已有的应用领域中都表现出较好的寻优性能，因而引起了相关领域研究者的广泛关注。目前对群体智能的研究仍处于初级阶段，因此它具有很大的发展潜力，无论是对群体智能理论基础的研究，还是对其应用领域的拓展都有待进一步的深入。
本文转自
