群體智能計算的多學科方法研究進展?

姜照昶 蘇 宇 丁凱孟

（1.中國電子科技集團公司第五十四研究所 石家莊 050081）（2.中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室 北京 100101）

1 引言

群智能計算是目前自然計算和仿生網絡系統領域的最活躍的研究課題之一。群智能（Swarm In?telligence，SI），也稱仿生網絡（Bio-inspired network?ing，BIN），它是由一組自由個體（individual/agent）遵循簡單行為規則、通過個體間的局部通信以及個體與環境間的交互作用而涌現出來的集體智能行為的自組織特性，是對現實世界中的群居性生物或人工群體所呈現出的有序群行為（Swarm behavior）的抽象［1］，群智能計算（Swarm Computelligence）是指利用群集優勢在沒有集中控制、不提供全局模型的前提下，可由大量簡單個體組成的群體分布式協作尋找復雜問題最優解。群智能是分散的、自組織的系統，自然或人工的集體行為，體現了生物進化及智能體間分布式協調合作機制等的內在原因，系統科學把生命集群等領域中經自主演化呈現出的系統具有部分或部分總和所不具有的屬性、特征、行為、功能等整體性質，稱為涌現性（Emergence）［2］，由此出現了涌現技術（Emerging Technologies）、群智 能系 統（Swarm Intelligent System）、群 工 程（Swarm Engineering）和群機器人學（Swarm Robot?ics）、群智能動力系統等新興學科領域［3］。群智能系統本質上是一種復雜適應系統，是由多agent個體耦合而成，具有結構復雜性、連接復雜性、演化復雜性、時空復雜性等特征。群機器人研究的目的是為大規模機器人的協調設計出魯棒的、可擴展的、靈活的群體行為。涌現技術和群工程涉及群智能系統的建模、設計、實現、驗證、確認、運行和維護等。由于群智能動力系統的復雜非線性動態拓撲結構、多個體的同步機制和時空演化的錯綜復雜性，近來，群動力學（Swarm/Collective Dynamics）的建模和探索已經成為復雜系統科學及先進控制理論與技術領域中的研究熱點［4］，涉及非線性系統建模與分析、群機器人協同、分布式控制與優化、多異構系統集成、復雜網絡演化與行為調控等，《國家中長期科學和技術發展規劃綱要》明確指出要重點研究“復雜系統中結構形成的機理和演變規律、結構與系統行為的關系”等理論和方法，目前群智能動力系統己引起數學物理、計算機、通信電子、自動控制、生物、人工智能等［5～6］多學科領域專家的廣泛重視。

2 生物激勵的群智能計算模型

群智能屬于生物啟發計算而實現的自適應系統范式，它是進化計算的擴展，也稱仿生網絡計算模型（Bio-inspired network Comuting）。進化算法是基于生物體的遺傳適應性，而群智能是基于生物體的群居性集體行為。人們從群居性生物的群體行為的理解和集群仿生建模研究中不斷得到啟示，并提出一些具有廣泛應用前景的新穎算法和模擬群模型設計出一些合適的控制器［5］，為多群動力系統的進一步研究和工程應用提供了必要的理論基礎。群集行為普遍存在于自然界生物系統之中，諸如螞蟻尋徑、鳥群覓食、雁陣遷徙、動物放牧、細菌趨藥、群魚游弋、飛蛾撲火、野草入侵、螢群趨光、蜜蜂交配、杜鵑筑巢等［7］不勝枚舉，基于群的模型包括蟻群算法（Ant Colony Optimization，ACO）、粒子群優化（Particle Swarm Optimization，PSO）、人工免疫系統（Artificial Immune System，AIS）、智能水滴算法（Intelligent Water Drop Algorithm，IWD）、分組搜索優化（Group Search Optimizer，GSO）、魚群搜索算法（Fish Schooling Algorithm，FSA）、細菌趨藥算法（Bacterial Chemotaxis Algorithm，BCA）、螢群算法（Firefly Algorithm，FA）、蜜蜂交配優化（Honeybee Mating Optimization，HBMO）、跳蛙算法（Shuffled frog Leaping Algorithm，SFLA）、入侵性雜草優化（Invasive Weed Optimization，IWO）、蝙 蝠 算 法（BAT）［6～12］等。現有研究大多集中在系統的群規模、群行為的動力學方法、拓撲結構與群體時空演化的復雜性、自組織理論、隨機性描述方法和多agent模擬方法等方面，通過實證方法度量群系統的統計性質也是人們認識群動態系統和群機器人的主要工具［13］。我國學者也一直關注和重視群智能動力系統的研究，在群智能算法、群行為動力學建模與穩定性分析、一致性協議、交互機制與組裝規則、自組織體系結構與涌現性質、多機器人自組裝與運動、群系統分布式控制與協同感知、群行為動態可控性、仿生群智能硬件與進化型可重構多細胞陣列結構的電子組織系統及應用仿真等方面［13］，也在不斷取得進展，試圖找到最佳的設計框架結構，以提高群智能動力系統的性能、魯棒性和實用性。研究者從實驗設計、參數改進、拓撲結構、混合方法及其群智能的Markov鏈模型和量子群的理論分析等角度出發，試圖得到具有更好尋優性能的群智能算法的變種，并成功地應用于多個領域。

2.1 粒子群優化算法

粒子群優化算法模擬鳥群尋找食物的集體行為。PSO群中成員粒子（并無質量和體積）以一定的速度和加速度向更好的位置移動，每個粒子表示問題空間的解。PSO由于其獨特的搜索機制，簡單、高效、易于實現、潛在的并行性和分布式特點，已廣泛應用于許多工程優化領域。目前主要有帶慣性權重的PSO被稱為標準PSO算法，還有收縮PSO（Contracted PSO，CPSO）、統一 PSO（Unified PSO，UPSO）、梗概PSO（Bare-bones PSO，BB-PSO）、全聯通PSO（Fully informed PSO，FIPSO）、量子粒子群算法（Quantum PSO，QPSO）等六個代表性版本，基于慣性權值和加速因子的改進、種群拓撲結構、混合方法與多群PSO、離散PSO算法等，為PSO的進一步研究與應用奠定了基礎［15～17］。

2.2 蟻群優化算法

蟻群算法是Dorigo通過模擬自然界中螞蟻覓食行為的集體尋徑行為而提出的一種基于種群的仿生進化算法。螞蟻可以通過感知和釋放一種帶有氣味的化學物質信息素（Pheromone）來實現相互之間及其與環境之間的間接通信（Stigmergy），這是指一種自組織的應急系統，幾個螞蟻物種的協作行為，通過跟蹤信息素，螞蟻可以在蟻巢和食物源之間找到最短路徑。螞蟻選擇路徑遵循信息素濃度的狀態轉移概率來決定，信息素的濃度可能會因為螞蟻在經過的路徑上釋放信息互而增加，也可能會由于信息素的蒸發而減少，在保存有信息素的道路上，螞蟻行為會導致一個自我強化的過程，從而形成標記信息素濃度高的路徑。通過建模和模擬螞蟻的覓食行為，Dorigo提出了ACO，并測試成功眾所周知的基準TSP旅行商問題、分配問題、調度問題、搜索和組合優化問題等［18］。

2.3 螢群優化算法

在自然界中，營火蟲的趨光現象很有趣，所有螢火蟲將邁向更具吸引力和更亮的位置；螢火蟲個體吸引力與其亮度成比例；亮度可能會降低空氣中吸收光的事實，隨著距離增加。受螢火蟲通過熒光進行信息交流這種群體行為啟發，劍橋學者Yang和印度學者Krishnanand等［1，19］提出螢火蟲算法 FA和GSO。該算法具有模型簡單、可調參數少、宜于并行處理、收斂速度快等特點。螢火蟲優化算法就是模擬自然界中螢火蟲的發光行為構造出的隨機優化算法，但在算法中舍棄了螢火蟲發光的一些生物學意義，只利用其發光特性來根據其搜索區域尋找伙伴，并向鄰域結構內位置較優的螢火蟲移動，從而實現位置進化。算法的尋優過程是：螢火蟲群體隨機散布在各自的解空間，每只螢火蟲因所處位置不同，其發出的熒光亮度也不同，亮度低的螢火蟲被亮度高的螢火蟲吸引并向其移動，吸引度的大小決定了其移動的距離來調整更新后的位置。這樣，通過多次迭代后，所有個體都將被吸引到亮度最高的螢火蟲附近，從而達到尋優。徐等［20］混沌FA以控制螢群多樣性、平衡算法的開采能力和勘探能力，改進算法尋優性能和收斂速度。

2.4 人工蜂群及其它群優化算法

將改進的鯨群優化WOA、SMO誘導因子猴群算法、GWO灰狼優化算法在求解連續函數優化問題。人工蜂群ABC算法的收斂性、搜索能力、算法性能及其在多目標約束優化、無線傳感網、決策調度、信號處理、支持向量機參數優化中的應用等。受基于視覺和嗅覺的覓食行為的啟發而提出的果蠅算法在維持種群多樣性、知識驅動策略與協同機制的設計等方面研究，及其在離散優化、多目標優化、不確定優化等領域有著潛在的應用前景。

近來有學者提出來帶高斯變異的、與差分進化算法混合的、變步長自適應的、帶交尾行為的混沌螢火蟲優化算法等，以改善其收斂速度、求解精度和收斂成功率。GSO已經被成功應用于傳感器的噪聲測試、模擬機器人群、聚類分析、數值優化計算、背包問題、優化BP神經網絡［20］等領域，并取得了良好效果。

3 群智能方法的應用

群智能算法經過多年的研究與發展，已經成為重要的優化和復雜問題求解工具并得到了廣泛應用。綜合現有文獻分析來看，群智能應用涉及到科學與工程的主要領域有組合優化、生物醫學、通訊網絡、聚類與分類、天線設計、控制、設計、配電網、電子與電磁、引擎與電動機、娛樂、故障診斷、金融、模糊與神經模糊、圖形與可視化、圖象與視頻、冶金、工業建模、神經網絡、預報預測、電力系統、機器人技術、作業調度、安全與軍事、傳感網絡、信號處理等［5～6，70～79］，以及用于監視、偵察等分布式的無線傳感器（動態）網絡（WSN），空天飛行器信息群的指揮與協同控制、復雜工程結構的自主診斷，網絡信息流路由的通信網絡的擁塞控制［2～23］。歐盟未來涌現技術（FET）Swarmanoid項目［24］，在探究群智能基礎理論的同時，設計了一種異構的動態連接的分布式機器人系統，由人眼機器人、機器人手、足機器人等60多種小型自治機器人網絡組成，試圖產生更大范圍的群工程應用的柔性仿真引擎等。由于群機器人和群智能系統中Robot個體交互、通信、協調機制、自組織性和容錯性、建模方法和仿真平臺不斷改進，結合無人機空氣動力學模型和空戰態勢函數，設計人工勢場引導下的群智能蟻獅空戰動態規劃策略，以提高無人機機動決策的高動態、實時性。從而群智能計算方法已被應用于解決許多大型經典方法難以解決的問題。

4 群智能計算的研究展望

ACO、PSO等群體智能方法在移動機器人控制、群機器人路徑規劃、機器人運動避障等中的應用，具有高效性、魯棒性、高精度等方面的優點。群智能計算的研究包括群智能算法、群智能系統、群機器人和群工程等領域，群智能模型的有兩個要素就是群行為動力學和信息共享機制。群行為動力學就是群中個體如何根據給定的信息移動位置、群行為軌跡及其收斂性，信息共享機制就是個體間及其與環境間的相互通信，通過相互作用傳遞了群的搜索能力。有研究者為分布式蜂擁控制的設計與分析提出一種理論框架，試圖用于提取導致群行為涌現的互動規則［25～27］；也有學者［28］研究了隨時間變化的單向通信模型，個體間的連通性作為局部和全局收斂行為的概率函數，對群機器人圖論結構的進行演化分析，雖然圖論、Martingale（鞅）、Markov過程、模糊認知映射（FCM）、Mawhin重合度、分子動力學（MD）、人工內分泌系統模型（AES）以及奇異攝動理論［29～32］的引入都只是對某一類方法下的群動力模型的一致性、穩定性的理論分析，盡管群智能方法的理論研究與應用已取得了一些成果，但在群智能計算的基礎理論、群行為的動力學模型及其涌現性質、群動力系統的工程應用、進化型群系統硬件實現以及多異構群系統的智能融合等一些關鍵問題仍有待突破。

4.1 群智能基礎理論的多學科觀點

物理系統中動態變量演化和優化是有緊密聯系的，簡單個體通過局部交互作用可引起相當復雜的全局行為，表現為熱力學中群系統的涌現現象。假定生物體的局部相互作用影響其速度，探討物理系統內漲落對群行為的影響及不同類型的相變和自組織性能，進而用微分-積分對流擴散方程來描述了蜂擁行為的連續模型，分析活性布朗粒子與非線性摩擦和速度的耦合，用agent個體或群對純吸引、純排斥、逃避或追逐等四類行為的不同響應值，推導出微觀Langevin方程描述的群動態系統及粒子密度函數的Fourier閉式流體動力學模型等，構建群智能計算的統計物理理論的主要優勢之一在于對群行為及群系統動態有了本質理解，進而提出利用優化目標適應值場景信息的新型無參數自適應性群智能算法模型，并通過群智能優化的魯棒控制策略拓展群智能方法的實際工程應用。

4.2 多群協同的群智能方法

主要包括基于種群間競爭機制的協同進化、基于捕食-獵物機制的協同優化、基于共生機制的多群協同進化、基于病毒進化理論的協同以及多學科智能融合方法研究研究已成為群智能計算領域一個活躍的研究分支，是求解各種約束的多目標全局優化的重要研究內容。

4.3 群智能計算的高性能硬件并行實現

仿生硬件是一種能夠根據外部環境的變化而自主改變自身結構和行為的硬件電路，它可以像生物一樣具有硬件自適應、自組織和自修復特性，因此群智能仿生網絡硬件實現的高性能、高效性、可靠性、可測試性、普適性和魯棒性及其并行實現是未來群智能計算及仿生網絡計算研究的重要方向之一。

5 結語

群體智能作為新一代人工智能的重要方向，正在受到學術界和產業界越來越多的關注和研究。群體智能的多學科交叉模型、多群協同的群體智能方法、嵌入式群智能的高性能硬件并行實現及其實際工程應用是重要的發展方向。有人工智能大發展時代，群體智能在航空航天測控、無人機智能測控等領域都有著重要應用。