M2M算法模型——一种类人，灵活、高效的新型算法设计模型

1、何为M2M算法模型？

经过亿万年的进化，大自然中蕴含着大量精妙的结构和智慧，这常常给仿生学予灵感去解决大量的实际问题。而人类作为进化过程中最为出色的个体，其思维模式与解决问题的方法更是值得研究与借鉴。对人类的认知思维方式的研究和模拟是一个富有挑战性的课题，引起国内外学者的广泛关注。

M2M模型（Macro to Micro Model）正是这样一种模仿人类思维方式与解决问题方法的一种全新的算法设计模型，在解决问题时，先从宏观出发，排除一些不必要考虑的因素，锁定一个更窄的问题规模，然后从粒度更细的层次解决问题。利用M 2M 模型所设计的算法，具有共享预处理、高度并行性等特征。基于M2M模型的最近邻问题，凸包问题和寻径问题在串行架构下与传统的算法比较，速度方面均有不同程度的提高。此外，最近点对问题、TSP问题、聚类问题和碰撞检测等问题均可以利用M2M模型设计出高效的算法。

M2M VS KDTree


KDNN VS M2MNN


M2MCH VS Others

 

2 、国内外研究状况

研究人类认知思维规律，模拟人类认知思维方法并应用于提高计算机智能一直是人工智能学科研究的热点。许多学者从生物体结构、遗传学原理或心理学模型出发研究人类智能的计算方法，而M2M算法模型则是从模仿人类思维方式出发研究人的认知过程。从这个角度来看M2M模型与粒计算（Granular Computing）的思想同源。它们都描述了一个自顶向下（Top-down design）的分层（Multiple levels）的解决方案。解决问题的时候都采取在各抽象层次之间逐步细化(Step-wise refinement)的过程 [ZADEH L.A 1997; Yao Y 2005]。

    1997年，ZADEH L.A教授首次提出粒计算的概念，从此开始，这个思想就被广泛应用在粗糙集和模糊逻辑上。由于人类认知能力有限，往往会把大量复杂信息按其各自特征和性能将其划分为若干较为简单的块．每个被分出来的块就被看成是一个粒。实际上，粒就是指一些个体(元素、点等)通 过不分明关系、相似关系、邻近关系或功能关系等所形成的块。这种处理信息的过程．称为信息粒化。如商场的货物多种多样，如果不按某种方式摆放就很难进行有效管理．于是人们按货架所摆放货物的种类、体积、等级等将商场划分为若干块并以此安排货架，其中每一块将摆放同一种类或体积相似或同一等级的货物。这里所 说的块就是粒的概念，划分粒的过程称为信息粒化。粒计算是一种看待客观世界的世界观和方法论．信息粒广泛存在于我们的现实生活中．是对现实的一种抽象，信息粒化是人类处理和存储信息的一种反映。粒计算对人类的问题求解非常重要．它通过把复杂问题抽象、划分从而转化为若干较为简单的问题．有助于我们更好的分 析和解决问题。虽然很多文章提及到粒计算在非常多研究领域中具有很好的前景，但现在基于粒计算的具体应用模型还相对较少。

 

3、我们的研究工作

我们提出了一个新的算法设计模式----M2M模型，利用M2M模型所设计的算法，计算机可以更自然，更灵活，更高效，更类人的方式来解决很多经典算法问题和一些具体领域上的应用算法问题。比如最近点对问题，凸包问题，TSP问题，聚类问题，寻路问题，碰撞检测问题，三维场景中的隐藏面剔除问题等。

为了研究M2M模型的特性，我们利用该模型设计并编程实现出一系列解决经典问题的新算法并与对应的经典算法的经典实现相比较。文中实现了基于M2M模型的解决最近邻问题，凸包问题和寻径问题的三个经典算法，并与解决这些问题的经典算法进行实验比较。

我们还对该算法模型的几个特性包括预处理共享性，并行性等做了深入的分析，通过基于M2M的碰撞检测实验揭示该模型用于解决计算机将要面临的越来越复杂的多操作问题的潜力以及该模型将能够很好地发挥新一代计算工具——GPU的强大计算能力。

 

 

4、本研究的实际应用价值和现实意义

宏观微观模型作为一种指导算法设计的模型，可以赖以设计各种算法。比如最近邻问题，凸包问题，求面积，求线线相交等，都可以设计出相应的M2M算法。从而深远地影响基于这些基础算法的应用算法，进而影响基于这些算法的引用领域。单单最近邻算法就能用到知识发现，数据挖掘，模式识别与分类[Cover and Hart 1967; Duda and Hart 1973]，机器学习[Cost and Salzberg 1993]，数据压缩[Gersho and Gray 1991]，多媒体数据库[Flickner et al. 1995]，文档检索[Deerwester et al. 1990]等领域。下图粗略列出M2M模型的应用领域：

 

图  应用领域

 

1)地理信息系统应用中的加权节点地图上路径的搜索。随着地理地图信息的日益完善和精细，传统的基于贪心策略的Dijkstra算法已经难以应付节点数目浩大、搜索目标遥远、搜索请求频繁的实际情况，使用宏观微观思想来设计的搜索路径算法将能非常有效的解决这个问题。

2)数据挖掘中的聚类。数据挖掘中的聚类算法是基于最近邻算法的，传统的kd树算法或者较近期的研究成果：球型树算法作为预处理，求解问题的速度也不如用宏观－微观思想来设计的最近邻算法。通过提高求最近邻的速度，可以大大提高聚类算法的速度。

3)即时战略游戏的寻径算法。与地理信息系统的寻径有一点不同，游戏的地图属于网格地图，是节点地图的特例。M2M模型同样能够很好的解决网格地图上的寻径问题。传统的A*算法和广度优先搜索算法已经不能应付大量智能体同时发出寻径请求及超大的地图空间中寻径（三维地图）的要求，基于M2M模型的寻径算法的寻径时间相对于传统的寻径算法将减少几个数量级。可以有效的应对未来即时战略游戏对于寻径的需求。

4)图像处理与图像识别。求凸包、求两个区域的交集等都是图像处理和图像识别的基本算法。而这些算法一般都是基于计算几何的方法 。使用计算几何的非常严谨、精确的算法来解决上述问题是非常耗时，这是不必要的。而基于M2M模型的算法，在快速地解决这类问题的同时，还提供给使用者额外的选择：在不需要高度精确解时，算法可以更快地求得问题的近似解。

5)大规模场景。值得一提的是，M2M算法模型尤其适合应用于大规模场景中相关问题的求解。M2M数据结构属于一种层次空间分解技术，虽然过去人们提出过各种空间分解技术用于场景管理），但这些场景管理技术有着这样或那样的缺点，而M2M模型却兼备了高效性，动态性和并行性等性质能够很好地解决大规模场景中的相关问题。

 

5、团队所获得的荣誉

2007.1论文：《A New Nearest Neighbour Searching Algorithm based on M2M Model》发表于国际会议： International Conference on Artificial Intelligence and Applications (ICAIA) 2007(该会议论文被EI索引)。并受到专家好评，提名参加最佳论文奖（Best Paper Awards competition）评选。

2007.9 论文《A New Randomized Parallel Dynamic Convex Hull Algorithm based on M2M model.》发表在International Conference on Convergence Technology and Information Convergence, 2007, in-cooperation with ACM SIGAPP. 2007

2005 该理论雏形的论文：《遗传算法进化神经网络权值的新技术》发表于中国人工智能学会的中国人工智进展论文集。

2007.10 挑战杯全国二等奖

2007.6 广东省挑战杯比赛特等奖。

2008.10 由M2M算法模型设计的碰撞检测算法作品获第十八届广东省“文泰高校杯”一等奖。

2006.10 获广东省高校杯最佳演示作品奖。

2006.7  获得华南理工大学软件设计大赛第一名。

2006.5 以该理论的部分成果用于实际游戏而撰写的文章《从人类的思维方式中寻找启示宏观～微观寻径算法（上）》发表于游戏业内杂志《游戏创造》6月刊

2006.10 以该理论的部分成果用于实际游戏而撰写的文章《从人类的思维方式中寻找启示宏观～微观寻径算法（下）》发表于游戏业内杂志《游戏创造》11月刊

美国交叉学科数学建模大赛二等奖(ICM2007)

PAKDD 2007 Competition （第11届亚太知识发现与数据挖掘会议的竞赛）第15名

第十四届广东省高校杯软件设计大赛二等奖