人工智能概论知识要点（六）

6.1群智能概述
人们把群居昆虫的集体行为称作“群智能”，即低智能
的主体通过合作表现出高智能行为的特性。
群智能算法是一种基于生物群体行为规律的计算技术。
特点

1. 个体的行为很简单，但当它们一起协同工作时却能够突现出非常复杂（智能）的行为特征。
2. 个体间的交互作用在构建群行为中起到重要的作用。
3. 没有集中控制且不提供全局模型。
   优点
4. 灵活性：群体可以适应随时变化的环境；
5. 稳健性：个体失败，群体仍能完成任务；
6. 自组织：活动既不受中央控制，也不受局部监管。

6.2蚁群算法
6.2.1路径构建
6.2.2信息素更新

6.2.3优缺点
优点：
蚁群算法与其他启发式算法相比，在求解性能上，具有很强的鲁棒性，搜索能力较强。
• 蚁群算法是一种基于种群的算法，具有本质并行性，易于并行实现。
• 蚁群算法很容易与其他算法如遗传算法、粒子群算法结合，以改善算法性能。
缺点：
如果初始化参数设置不当，会导致求解速度很慢且所得解的质量特别差。
基本蚁群算法即无改进的蚁群算法，计算量大，求解所需时间较长。

6.3粒子群算法
6.3.1粒子表示
6.3.2速度和位置的更新

6.3.3各参数作用与影响
（1）惯性权重w
使粒子保持运动惯性，使其有搜索扩展空间的趋势，有能力探索新的区域。也表示粒子对当前自身运动状态的信任，依据自身的速度进行惯性运动。
惯性速度大的粒子更趋向于探索未知的空间，保证算法的探索能力。惯性速度小的粒子更趋向于跟随种群最优方向，保证算法的收敛能力。较大的w有利于跳出局部极值，而较小的w有利于算法收敛。
在解决实际优化问题时，往往希望先采用全局搜索，使搜索空间快速收敛于某一区域，然后采用局部精细搜索以获得高精度的解。因此提出了自适应调整的策略，即随着迭代的进行，线性地减小 w 的值。
（2）加速因子c1和c2
是代表将粒子推向个体最佳位置pbest和群体最佳位置gbest的统计加速项的权重。表示粒子的动作来源于自己经验的部分和其它粒子经验的部分。低的值使粒子在目标区域外徘徊，而高的值导致粒子越过目标区域。
通常将c1和c2统一为一个控制参数，φ= c1+c2
如果φ很小，粒子群运动轨迹将非常缓慢；如果φ很大，则粒子位置变化非常快；通过仿真可以获得φ的经验值，当φ=4.0 （c1=2.0，c2=2.0）时，具有很好的收敛效果。
（3）粒子数
通常一般取20～40，对较难或特定类别的问题可以取100～200。
（4）最大速度vmax
决定粒子在一个循环中最大的移动距离，通常设定为粒子的范围宽度。

6.3.4优缺点
优点

1. 简单易实现；
2. 收敛速度快；
3. 粒子有记忆功能。
   缺点
4. 缺乏速度的自适应调节，容易陷入局部最优，可能导致收敛精度低或不收敛；
5. 标准粒子群算法不能有效求解离散及组合优化问题；
6. 参数难以确定，对不同的问题，需选择合适的参数来达到最优效果。