（计算机应用技术专业论文）鱼群集群行为的建模与仿真.pdf

中文摘要群体智能是源于自然界群居生物系统中的一种涌现智能，是指许多简单个体通过相互合作产生复杂智能行为的特性。自然界中存在着大量群居生物系统，它们表现出高度的群体智能行为。群体智能强调个体的简单性，群体的涌现性以及自下而上的研究策略。生态系统中，动物个体的行为相对简单，但当它们集群后，却能表现出复杂的群体行为。目前对群体智能的研究仍处于初级阶段，研究和掌握群体智能系统的特性与规律，具有理论和应用两个方面的重要意义。本文选择了自然界的鱼群作为研究对象，并分析了鱼群的行为和特征，通过计算机仿真方法建立了一个简单的人工鱼系统，用图形化的方式展示了鱼群游动、捕食以及繁殖等行为，通过系统运行演示鱼群复杂行为产生的过程。本文首先建立了一种基于向量的数据模型，用来描述鱼群的行为规则。模型由环境、主体、行为规则组成。环境为海洋；主体包括两类具有捕食关系的鱼类主体、食物主体、鱼钩主体；行为规则包括游动规则、觅食规则、繁殖规则、死亡规则。基于以上规则，模型尽可能地反映鱼群的主要属性。其次，利用j a v a 技术设计了人工鱼系统，每个人工鱼遵守相同的行为规则交互和游动，最终涌现出复杂的群体行为。人工鱼能很好地模拟了真实鱼类的智能行为特征。最后，基于人工鱼系统，研究了鱼群复杂行为的产生及其原因。研究结果表明，群体智能的产生依赖于个体与环境以及个体之间的交互。关键词：群体智能；捕食；涌现；j a v a ；a g e n tt h em o d e l i n ga n ds i m u l a t i o no ft h es w a r mb e h a v i o ri nf i s hs c h o o lg r a d u a t en a m e ：z h a oj i a n ( c o m p u t e ra p p l i e dt e c h n o l o g y )di r e c t e db yz e n gj i a n c h a oa bs t r a c ts w a r mi n t e l l i g e n c ei sae m e r g ei n t e l l i g e n c es t e m sf r o mn a t u r es w a r me c o s y s t e m s s w a r mi n t e l l i g e n c ei saq u a l i t yt h a tm a n ys i m p l ei n d i v i d u a l sc a np e r f o r mc o m p l e xi n t e l l i g e n tb e h a v i o r st h r o u g hi n t e r a c t i o n t h e r ee x i s tag r e a tm a n ys w a r me c o s y s t e m si nn a t u r e ，p e r f o r m i n gh i g h l ys w a r mb e h a v i o r s w a r mi n t e l l i g e n c eh i g h l i g h t st h es i m p l i c i t yo fi n d i v i d u a l s ，e m e r g e n tp r o p e r t yo ft h ec o l o n ya n db o a o m - u pr e s e a r c hs t r a t e g i e s i ne c o s y s t e m ，i n d i v i d u a la n i m a l sb e h a v er a t h e rs i m p l y , w h i l et h ec o l o n y , o n c et h e yf o r m ，c o u l ds h o was e r i e so fc o m p l i c a t e db e h a v i o r a tp r e s e n t ，t h er e s e a r c ho ns w a r mi n t e l l i g e n c ei ss t i l li nt h ep r i m a r ys t a g e ，t h e r e f o r e ，i ti si m p o r t a n tt os t u d ya n dm a s t e rt h ep r o p e r t ya n dr u l e so fs w a r mi n t e l l i g e n c es y s t e mi nt e r m so ft h e o r ya n da p p l i c a t i o n t h ed i s s e r t a t i o nc h o o s e st h en a t u r a lf i s ha st h eo b je c t i v eo fr e s e a r c h ，a n da n a l y z e st h eb e h a v i o ra n dc h a r a c t e r i s t i co ff i s hs c h o o l ，a n da i m st oe s t a b l i s has i m p l ea r t i f i c i a lf i s hs y s t e mt h r o u g hc o m p u t e rs i m u l m i o nt e c h n o l o g y , a n ds h o w sh o wf i s hc o l o n ys w i m ，p r e yo na n db r e e db yt h eg r a p h i c a lw a y t h r o u g ht h er u no fs y s t e m ，t h ep r o c e s so ff i s hc o l o n y sp r o d u c i n gc o m p l e xb e h a v i o ri sd e m o n s t r a t e d f i r s t l y , av e c t o r - b a s e dd a t am o d e l i sc o n s t r u c t e dt od e s c r i b et h eb e h a v i o r a lr u l e so ff i s hs c h 0 0 1 t h em o d e lc o n s i a so fe n v i r o n m e n t a g e n t sa n dt h eb e h a v i o r a lr u l e s e n v i r o n m e n ts t a n d sf o ro c e a n t h ea g e n t si n c l u d et w ok i n d so ff i s ha g e n t s ，f o o da g e n ta n dh o o ka g e n t t h eb e h a v i o rr u l e si n c l u d es w i m m i n gr u l e s ，f e e d i n gr u l e s ，r e p r o d u c t i o nr u l e sa n dd e a t hr u l e s b a s e do nt h e s eb e h a v i o rr u l e s ，t h em o d e lc a nr e f l e c tt h ec o m m o nb e h a v i o rp r o p e r t i e so ff i s hs c h 0 0 1 s e c o n d l s t h ea r t i f i c i a lf i s hs y s t e mi sc o m p l e t e dt h r o u g hj a v at e c h n o l o g y e a c hf i s ho b e y st h es a m eb e h a v i o rr u l e st oi n t e r a c ta n ds w i m w h i c h1 e a dt oc o m p l e xs w a r mb e h a v i o r a r t i f i c i a lf i s hc a nb eag o o ds i m u l a t i o no fai n t e l l i g e n tb e h a v i o rc h a r a c t e r i s t i c so ff i s hi nn a t u r e f i n a l l y , b a s e do nt h ea r t i f i c i a lf i s hs y s t e m ，t h ec o m p l i c a t e db e h a v i o ro ff i s hs c h o o la n di t sr e a s o ni ss t u d i e d t h er e s u l ts h o w st h a tt h ep r e s e n c eo fs w a r mi n t e l l i g e n c ei sd e t e r m i n e db yt h ei n t e r a c t i o no fi n d i v i d u a la n de n v i r o n m e n ta n dt h ei n t e r a c t i o no fi n d i v i d u a l s k e yw o r d s ：s w a r mi n t e l l i g e n c e ；p r e yo n ；e m e r g e n c e ；j a v a ；a g e n t承诺书承话吊本人郑重声明：所呈交的学位论文，是在导师指导下独立完成的，学位论文的知识产权属于太原科技大学。如果今后以其他单位名义发表与在读期间学位论文相关的内容，将承担法律责任。除文中已经注明引用的文献资料外，本学位论文不包括任何其他个人或集体已经发表或撰写过的成果。学位论文作者( 签章) ：奶篁2 0 0 8 年5 月5 日第一章绪论第一章绪论1 1 选题的背景和意义群体智能理论的研究从二十世纪八十年代出现以来，作为一个新兴的领域，得到越来越多的科学家的关注，现在已经成为经济、社会、生物等交叉学科的研究热点。群体智能主要是对蚂蚁、鸟群等群居生物群体行为的观察和研究，是在自然界生物群体所表现出的智能现象启发下提出的，是对简单生物群体的智能涌现现象的具体模式研究，即“简单智能个体通过相互作用表现出复杂智能行为的特性”i l 2 】。生态系统中，动物个体的行为比较简单，集群后却能表现出异常复杂的群体行为，鸟群、鱼群等在运动中能表现出连贯一致的整体结构，使得它们能够更好地躲避危险以及提高获得食物的机会。群体智能的研究涉及到生物学、心理学、社会学、控制理论、决策理论等领域；个体行为是构成群体行为的基础，个体之间的组织结构、个体行为之间的关系和群体行为的涌现机制是研究群体行为的关键要素。目前主要研究有仿生的群体优化算法，群体组织内部的通信机制及其应用方面，如微粒群算法、蚁群算法、群体机器人等【3 4 】。群体智能利用群体优势，在没有集中控制并且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了新思路【5 1 。群体智能的定义有以下两种理解：一是由一组简单智能体涌现出来的集体的智能【6 】，以蚁群算法( h c o ) 为代表；二是把群体中的成员看作粒子，以微粒群优化算法( p s o ) 为代表。群体智能应用于解决大多数优化问题或者能够转化为优化求解的问题，目前应用领域已经扩展到多目标优化、数据分类、数据聚类、模式识别、生物系统建模、机器人控制、决策支持以及仿真和系统辨识等方面【7 】。集群是生物中常见的一种生存现象。大自然中可以看到成群结队的大雁、鱼以及蚂蚁等动物，他们会暂时或永久的聚集成群。从生物学的角度来看，集群的优势体现在提高获取食物的效率，降低被攻击的风险。鱼的集群行为是表现社会概念的自组织过程。鱼群中，由于局部交互，个体将会获得更大的感知范围，以便发现食物或者捕食者。而且，鱼群中个体运动的同向性可以节省自身运动的能量消耗。这种集群行为是海洋中的普遍现象。图1 1 是在博茨瓦纳的奥卡万戈河三角洲观察到的红嘴奎利亚雀返回栖息地时形成一个巨大的群的壮观现象。生物的这种特性是在漫长的进化过程中逐渐形成的，对它们的生存和进化有着十分重要的影响，同时这些鱼群集群# 自的建模5 仿真方式为人类解决一些问题的思路带来了不少启发。因此，近年来，有不少科学家对生物的行为进行了广泛的研究。对动物行为等方面的研究以前主要是生物科学家的研究课题，随着科学的发展，越来越多的计算机科学工作者也投入到这个领域的研究中。计算机科学技展以来，用传统的自顶向下的建模方法对大规模动物群体来仿真研究，是十分复杂又极其繁琐的。不仅要在软件设计和程序编码中，详细规定每个个体的每个动作、每个姿态、每个采样时刻，而且要具体描述许多个体之间的相互关系、相互作用、相对位置，其计算复杂性将以指数级增长，即使采用高速、大容量计算机，也不能达到自然动物群体的效果。图1 1 红嘴奎利亚雀群我们用计算机模型描述这些鱼类个体所共有的基本特征：感知、运动和行为。个体运动的细节是由模型自动生成。也就是说，个体在某个时刻的具体动作和实际行为不是我们可以预知的、规定的，而是其根据环境状态和自身模型自组织、自决策、自适应的结果嗍。鱼类个体的行为是在其总体模型驱动下由计算机自动、实时地绘制出来的。这样，使得鱼类个体能够在不断变化的海洋环境中自主运动，并且具有实时性和交互性。处在实时变化的复杂未知环境中的虚拟动物可视为自主a g e n t ，a g e n t 能够根据环境的变化而做出相应的决策，规划自己的行为，从而适应周围的环境。因此，要创建多个虚拟鱼组成的虚拟海洋世界，可以通过多a g e n t 群体行为建模实现其个体和群体行为协同控制。长期以来，生态学家一直希望可以用计算机模拟动物以便研究动物行为及其群体效应，而以前的仿真模型只是孤立地研究问题的一个方面，现在通过计算机仿真方法却可以仿真整个系统，构造虚拟海洋环境，对以第一章绪论鱼类为主的各种海洋生物进行仿真，以表现其运动规律、习性和行为，能够帮助人们更直观地了解海洋、认识海洋。1 2 国内外研究现状1 2 1 群体智能研究群体智能研究起源于对社会性昆虫( 如蚂蚁、蜜蜂等) 的群体行为的研究。现有的对群体智能的研究，大都是从某一种有大量个体表现出来的群体行为出发，从它们的群体行为中提取模型，为这些行为建立一些规则，从而提出算法，应用于解决实际中的问题。目前国内外研究比较多的有蚂蚁优化算法、蚂蚁聚类算法、微粒群优化算法。主要包括下面两个方面的研究【9 】：1 ) 群体算法研究a ) 蚂蚁优化算法( a c o )蚂蚁个体在觅食过程中，会在自己经过的路径留下信息素，后面的蚂蚁个体通过感知信息素的浓度来决定自己的路径。由于信息素随时间挥发，所以比较短的路径上信息素浓度也比较大。因此，蚂蚁就可以通过这种方式找到更短的路径觅食，为解决各种寻优问题提供了一种新的方法。意大利学者m a c r od o r i g o 用于求解t s p问题u o ，以后有用于求解二次分配问题、皇后问题、函数优化问题、背包问题。b ) 微粒群优化算法( p s o )p s o 由j a m e sk e n n e d y 和r c e b e r h a r t 在1 9 9 5 年提出的 1 1 , 1 2 ，是一种基于种群寻优的启发式搜索算法，该算法源于对鸟群、鱼群觅食行为的模拟”1 。首先初始化一群随机粒子( 随机解) ，然后通过迭代寻找最优解，每次迭代中，粒子通过跟踪两个极值( 个体极值和全局极值) 来更新自己的速度和位置。应用在函数的优化问题，神经网络的训练。2 ) 群体机器人【1 4 1群体智能最初被应用于描述细胞机器人系统。通过对蚂蚁等社会性昆虫行为研究，发现了社会性昆虫的自组织、自组装能力。布鲁塞尔自由大学的m a c r od o r i g o领导的项目s w a r m - b o t s ，其目标是建立一个由多个类似于昆虫且简单的机器人组成的群体，由多个简单机器人组成的群体机器人系统通过协调、协作可以完成单个机器人无法完成或难以完成的工作。研究群体机器人系统，目标是建立经济、灵活、健壮的系统去完成复杂的任务，主要研究内容为群体机器人之间的交互、通信、协作与控制、机器人的自组装等。鱼群集群行为的建模与仿真1 2 2 群体智能研究应用随着群体智能理论和研究算法的进一步成熟，已经将其应用到一些工程优化问题中，并且已取得了明显的效果。文献 1 5 采用p s o 对神经网络进行了优化，并利用其设计了电力变压器的智能保护机制1 1 5 。文献 1 6 利用p s o 实现了对各种连续和离散控制变量的优化，从而达到了控制核电机组电流稳定输出电压的目的【16 1 。蚁群优化算法为解决组合优化问题提供了新思路，并很快被应用到其它组合优化问题中。比较典型的应用研究包括：网络路由优化、数据挖掘以及一些经典的组合优化问题蚁群算法在电信路由优化中己取得了非常显著的应用成果 1 7 - 2 0 1 。h p 公司和英国电信公司在9 0 年代中后期都开展了这方面的研究，设计了蚁群路由算法( a c r ) 。l u m e r 和f a i e t ad e n e u b o u r g 提出将蚁巢分类模型应用于数据聚类分析 2 1 1 。其基本思想是将待聚类数据随机地散布到一个二维平面内，然后将虚拟蚂蚁分布到这个空间内，并以随机方式移动，当一只蚂蚁遇到一个待聚类数据时即将之拾起并继续随机运动，若运动路径附近的数据与背负的数据相似性高于设置标准则将其放置在该位置，然后继续移动，重复上述数据搬运过程。按照这样的方法可实现对相似数据的聚类1 2 2 。吴斌等人又在简化分类模型的基础上系统地提出了一种基于群体智能的聚类算法f 2 3 1 。1 2 3 鱼群集群的研究现状针对鱼群的形成、结构和行为，研究者从不同角度提出了一些相关理论和模型。一些研究者侧重于研究鱼群中通过邻居之间的交互，如何进行合作逃避危险、捕食。p a r t r i d g e 提出从局部的角度，鱼通过视觉来感知相邻其它鱼的运动，并根据这些信息相应地改变自己的运动 2 4 1 。n i w a 将鱼群的形成和结构视为交互的粒子系统，用l a n g e v i n 方程描述个体鱼。s i m o nh u b b a r d 认为鱼群是交互和自组织的粒子，个体鱼受两个作用力的支配( 一是模仿邻域内其它鱼的运动，二是外部环境因素的影响) 。b r e d e r 将鱼群定义为鱼的一种特定的运动状态，在鱼群中每条鱼都朝相同的方向，以统一的速度规律运动，他认为鱼群中个体相互间隔的因素为：距离大于临界值，表现为吸引力；距离小于临界值，则表现为斥力f 2 5 】。s t e v e n 研究鱼群数量对鱼群行为和个体鱼相互作用的影响 2 6 1 。杨永娟根据鱼群游动的规律建立了一种基于向量的数据模型，用j a v a 语言设计完成鱼群游动仿真以及躲避障碍物的行为【2 7 1 。李晓磊通过模仿鱼群的觅食行为实现寻优，提出了一种基于动物自治体的寻优模式：鱼群算法【2 引。总的来说，模拟鱼群的模型可以分为人口动力学模型和行为模型。人口动力学模型侧重于研究依据环境，群内个体的规模和运动；行为模型侧重于研究群中个体的运动。前面提到的模型仅仅从一个方面来研究。w i l l i a ml r o m e y 提出的模型，综4第章绪论合了上述两个方面，研究了个体的差异导致鱼群的运动轨迹的变化【4 】。华人女学者涂晓媛提出了基于自然生命模型的动画自动生成方法，把鱼作为自激励的自主智能体，创作了生动逼真的人工鱼群 2 9 1 。1 3 本文的工作本文用多a g e n t 方法能有效地为鱼群系统建立模型，实现对于鱼群行为的模拟，并从中抽象、提取一些鱼群的知识。基于a g e n t 的建模就是把a g e n t 作为系统的基本抽象单位，采用相关的a g e n t 技术，先建立组成系统的每个个体的a g e n t 模型，然后采用合适的m a s 体系结构来组装这些个体a g e n t ，最终建立整个系统的系统模型。本文选择了自然界的鱼群作为研究对象，通过多a g e n t 系统来研究鱼群的群体行为，其中把个体鱼看作a g e n t ，鱼群就可以看作是一个多；a g e n t 系统。a g e n t 能感知局部环境及其视野范围内的邻居a g e n t 信息，然后通过决策规划行为，最后通过行动来实现决策。用计算机仿真的方法建立了一个具有鱼群所拥有特性的虚拟系统，并用图形化的方式进行了展示，通过系统运行演示鱼群复杂行为产生的过程。1 ) 对鱼群游动、觅食等规律进行了分析，并建立了一种基于向量的数据模型，模型由环境、主体、行为规则组成。环境为生存着鱼群的海洋，主体间通过捕食关系相互作用；主体包括两类鱼类主体、食物主体、鱼钩主体；行为规则包括游动规则、觅食规则、繁殖规则、死亡规则。通过对鱼类主体的属性和行为规则的抽取，模型尽可能地反映鱼群的主要属性。2 ) 然后利用j a v a 技术进行软件设计，自下而上地构建了一个虚拟鱼群系统，只是从局部的简单单元出发，对个体鱼的行为规则进行了实现，而并未从鱼群的群体行为去考虑。3 ) 使用已建立好的系统进行了仿真，通过加入食物、鱼钩、捕食者、繁殖等条件以及对参数的调整，来观察仿真结果所表现出来的不同群体行为，并对仿真的结果分析，来研究虚拟鱼群产生的复杂行为及其原因即个体与环境，以及个体之间的交互。第二章群体智能理论及其研究方法第二章群体智能理论及其研究方法2 1 群体智能概述群智能理论的基本原理1 3 0 】是以生物社会系统( b i o l o g ys o c i a ls y s t e m ) 作为依托，也就是由简单个体组成的群体与环境以及个体之间的互动行为。这种生物社会性的模拟系统利用局部信息产生难以估量的复杂群体行为。群体智能并不是所有生物种群都具有的特性，它是那些具有社会性特征的群居生物个体合作进行某些活动时才会产生的涌现现象。关于群体智能行为的生物原型，b o n a b e a u 描述了生物蚂蚁群体的一些行为，如觅食、劳动分工、尸体聚集、巢穴构造、合作运输等，并分别对其建模，然后设计了一系列算法、多主体系统( m a s ) 和多机器人系统1 3 1 1 。集中介绍了社会性昆虫的行为建模和蚁群优化算法及其性能。k e n n e d y 通过观察鸟群的协同运动，开创了微粒群优化这一新型群体智能方法的研究领域，并以此为基础提出了以下基本观点1 6 1 ：1 ) 人类智能的产生源于社会交往；2 ) 文化和认知是人类社交的结果。对鱼群的研究，也属于群体智能的理论范畴。群体智能研究成果和理论体系，可以用来指导我们对鱼群形成、组织体系、群体行为及其涌现出的群体智能的研究。群体智能是一种通过模拟自然界生物群体行为来实现人工智能的方法。由单个简单个体完成的任务，可以涌现出复杂的智能，充分体现了整体和大于个体的叠加。群体智能利用群体优势，在没有集中控制，不提供全局模型的前提下，为复杂问题寻找解决方案【3 2 】。普遍意义上，群体智能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。群体智能的本质是由许多简单个体组成的群体，群体之间能够通过简单的交互、合作和协作，来完成某一项任务。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极大关注。其中涌现是群体智能中一个比较重要的概念，群体智能中的智能就是大量个体在无中心控制的情况下体现出来的宏观有序的行为。这种大量个体表现出来的宏观有序行为就是涌现现象。如果没有涌现现象，就无法体现智能。因为涌现是简单的个体行为在特定组织结构下，积累到一定程度，所表现出来的整体现象，所以，对群体智能的研究必须既研究各个部分，又研究各个部分之间的相互作用关系 3 3 1 。m i l l i o n a smm 在1 9 9 4 年提出群体智能应遵循五条基本原则1 3 2 ，分别为：1 ) 邻近原则，动物群体能够进行简单的空间和时间计算；7鱼群集群行为的建模与仿真2 ) 品质原则，动物群体能够响应环境中的品质因子；3 ) 多样性反应原则，动物群体的行动范围不应该局限在小范围内；4 ) 稳定性原则，动物群体不应该在每次环境变化时都改变自身的行为；5 ) 适应性原则，在所需代价不太高的情况下，动物群体能够在适当的时候改变自身的行为。2 2 群体智能的主要优缺点【2 2 12 2 1 群体智能的主要优点群体智能具有以下优点：1 ) 群体中相互合作的智能体是分布的，这样更能够适应当前网络环境下的工作状态。2 ) 没有中心控制与数据，这样的系统更具有鲁棒性，不会由于某一个或者某几个智能体的故障而影响整个问题的求解。3 ) 可以不通过智能体间直接通信，而采用非直接通信进行合作，系统具有更好的可扩充性，使得系统中由于智能体数量的增加而增加的系统通信耗费较小。4 ) 系统中每个智能体的能力非常简单，以至于每个智能体的执行时间都比较短，且实现也较简单，具有简单性。5 ) 智能体相互作用能突现出整体的行为，系统所有上层智能行为都是通过智能体的基本规则相互作用产生的，所以在多任务情况下，对于每一子任务可以分别编制、调试、学习。6 ) 群体智能中，信息处理原则是基于发生在实际生命中大量并行处理过程。群体智能系统的强并行性大大地增强了系统的运算速度及能力。7 ) 人工生命中的一个重要原则，就是整体大于部分和的思想。由于群体智能的整体行为是由智能体行为突现而产生的，智能体在相互作用中的负关系将会因智能体自身的相互作用规则而消减，正关系将得以增强。对于智能体之间的冲突和任务协调等问题，由底层智能体相互作用的规则解决，减少上层对智能体之间的协作、协调控制，避免了上层控制干预下层动作的情况，使得每一层次的控制任务都非常清晰，增加了系统协作协调效率。2 2 2 群体智能系统的主要缺点群体智能的研究还处于萌芽阶段，还存在很多不足，主要问题如下3 0 1 ：1 ) 群体智能的思想是根据对生物群体观察得来的，是概率算法，从数学上对于8第二章群体智能理论及其研究方法它们的正确性与可靠性的证明仍比较困难。2 ) 这些算法都是专用算法，一种算法只能解决某一类问题，各种算法之间的相似性很差。3 ) 系统高层次的行为是需要通过低层次智能体间的简单行为交互突现产生。单个个体控制的简单并不意味着整个系统设计的简单。4 ) 系统设计时也要保证多个智能体简单行为交互能够突现出所希望看到的高层次复杂行为。这可以说是群体智能中一个极为困难的问题。2 3 群体智能的底层机制研究p 3 12 3 1 自组织自组织是一种动态机制，由底层单元的交互而呈现出系统的全局性的结构。交互的规则仅仅依赖于局部信息，而不依赖于全局的模式f 6 1 。自组织是系统自身涌现出的一种性质。系统中没有一个中心控制模块，也不存在一个部分控制另一部分。自组织的特点就是通过利用同一种介质或者媒体创建时间或空间上的结构。比如蚂蚁筑的巢、寻找食物时的路径等。正反馈群体中的每个具有简单能力的个体表现出某种行为，会遵循已有的结构或者信息指引自己的行动，并且释放自身的信息素，这种不断的反馈能够使得某种行为加强。尽管一开始都是一些随机的行为，大量个体遵循正反馈的结果是呈现出一种结构。自然界通过系统的自组织来解决问题。理解了大自然中如何使生物系统自组织，就可以模仿这种策略使系统自组织。2 3 2 间接通信群体系统中个体之间如何进行交互是个关键问题。个体之间有直接的交流，如触角的碰触、食物的交换、视觉接触等，但个体之间的间接接触更为微妙，已有研究者用s t i g m e r g y 来描述这种机制：也就是个体感知环境，对此作出反应，又作用于环境。g r a s s e 首先引入s t i g m e r g y 来解释白蚁筑巢中的任务协调【6 1 。s t i g m e r g y在宏观上提供了一种将个体行为和群体行为联系起来的机制。个体行为影响着环境，又因此而影响着其它个体的行为。个体之间通过作用于环境并对环境的变化作出反应来进行合作。总而言之，环境是个体之间交流、交互的媒介。从蚂蚁觅食到蚂蚁聚集尸体到蚂蚁搬运、筑巢，个体之间的通信机制总是离不开s t i g m e r y 机制，对于环境的作用，通常由各种各样的信息素来体现。2 3 3 涌现群体智能中的智能就是大量个体在无中心控制的情况下体现出来的宏观有序9鱼群集群行为的建模与仿真的行为。这种大量个体表现出来的宏观有序行为称之为涌现现象。没有涌现现象，就无法体现出智能。因此，涌现是群体智能系统的本质特征。只知道孤立的个体行为并不能了解整个系统的情况，仅仅研究孤立的部分无法有效地研究整体性质，因此，对涌现现象的研究必须既研究各个部分，又研究各个部分之间的相互作用1 3 4 l 。“遗传算法之父”约翰霍兰在文献 3 4 中对涌现现象进行了较为深入的探索。他认为涌现现象的本质是“由小生大，由简入繁，并且把细胞组成生命体，简单的走棋规则衍生出复杂的棋局等现象都视为涌现现象。他认为神经网络、元胞自动机等可以算作涌现现象的模型。群体智能的涌现现象与系统论和复杂系统中阐述的涌现本质上是相同的，它是基于主体的涌现。1 9 7 9 年霍夫施塔特对基于主体的涌现作了描述，整个系统的灵活的行为依赖于相对较少的规则支配的大量主体的行为。研究群体智能系统，要弄清涌现现象的普遍原理，建立由简单规则控制的模型来描述涌现现象的规律。2 4 群体智能的研究方法群体智能是一种研究生命的科学，是从社会性昆虫群体中个体之间的交互作用得到启发。最早把社会动物的机制应用于系统设计中的是t s e l i n 和r a b i n 。r a b i n 构造了移动细胞来解决图问题和格子问题。t s e l i n 提出了随机的、分散的、非直接的交互和自组织这两种特性可以使群集方法有潜在的强大能量【3 5 1 。在生物学的群体智能方法中，一个最著名的例子就是观察鸟类的飞行产生的集群行为模型【6 】，具有基本飞行能力的鸟被称之为b o i d ，每个b o i d 对外界只有有限的感知能力，系统是b o i d在仿真世界中的群集行为。通过观察b o i d 行为能够得到一些实际的启发。通过调整行为参数可以得到各种鸟类的飞行模式，这种现象表明了相似规则也可以得到不同的结果。r e y n o l d s 的工作对群体智能的研究具有非常深刻的影响，其研究成果被公认为是一个体现突现概念的生动例子【3 6 】。其对以后涂小媛的人工鱼模型的产生起到开创性的引导作用。当然，还有h o l l a n d 的遗传算法和e c h o 模型【3 7 1 ，r a y 的t i e r r a系统等都是应用生物学思想实现的群体智能。所有这些例子都是通过对生物的一些基本行为和现象进行观察，归纳总结，并抽取一些本质特征而产生的，群体智能的思想来源于生物，在这个领域的研究中，模拟生命占有一个很重要的位置。群体智能应用采用的思路：( 1 ) 观察自然界，向生物学习它们的巧妙策略( 如蚂蚁觅食、形成“人”字的鸟类飞行) ；( 2 ) 根据这些观察结果总结出一些抽象的底层规则，掌握住这些规则的本质；( 3 ) 把这类观察用隐喻的方式引用到实际系统中( t s p 问题、1 0第二章群体智能理论及其研究方法数字图像处理等) ；( 4 ) 运用规则解决实际系统中的问题。本文用多a g e n t 方法有效地为鱼群系统建立模型，实现对于鱼群行为的模拟，并从中抽象、提取出一些鱼群的相关知识。本文选择了自然界的鱼群作为研究对象，通过多a g e n t 系统来研究鱼群的群体行为，其中把个体鱼看作a g e n t ，鱼群仿真系统就可以看作是一个多a g e n t 系统。基于a g e n t 的建模就是把a g e n t 作为系统的基本抽象单位，采用相关的a g e n t 技术，先建立组成系统的每个个体的a g e n t 模型，然后采用合适的k s 体系结构来组装这些个体a g e n t ，最终建立整个系统模型。2 4 1 多a g e n t 系统( m u l t i - a g e n ts y s t e m ，m a s )1 ) 多a g e n t 定义w o o l d r i d g e 对a g e n t 的定义为：a g e n t 是一个被置于某个环境中的计算机系统，为了实现其设计的目标，a g e n t 能在环境中自主行为1 3 s l 。而多a g e n t 系统则更侧重于a g e n t 之间的组织关系，后续研究更是演变到社会学和生命科学，和人工生命中“群的概念有所交叉。m a s 为表示社会和自然科学问题提供了一种方法。d i s 用于【4 1 ：a ) 硬件a g e n t 的交互( 群体机器人) ；b ) 交互式软件机器人系统，解决分布式规划任务；c ) 仿真a g e n t 。m a s 是增强个体的自治性和组织性的计算机工具。m a s 主要应用于通信、网络和物理a g e n t ，例如机器人。还有一大批的学者研究a g e n t 对生态系统和社会系统的模拟。2 ) 动物群体和多a g e n t 系统f 4 1多a g e n t 系统源于人工智能学科，a g e n te ! 1 智能主体，主要指能在某特定环境中，能根据环境变化，灵活、自主的采取行动，以满足系统目标的计算。通常，智能主体具备感知、推理、学习、自适应和协作能力。a g e n t 主要表现出反应性( 能够有选择的感知和决策) 、自主性( 能主动、自治的行为) 、协作性( 能与其它主体进行交互，并协同工作) 、适应性( 能够根据经验学习和改进) 。而m a s 则是通过多个a g e n t 之间的合作，以解决单一主体的能力和知识所不能处理的复杂问题的分布式系统。其中，多主体系统不存在全局控制，知识和数据都是分散的，计算也异步执行。多主体系统主要研究的问题主要包括【3 4 1 ：主体的结构、知识、行为等各个方面的性质；主体系统的整体性质，多主体的组织结构、主体间的协调、协同、协商行为：系统组织方法的研究。1 9 9 0 年，m a l o n e 提出了一个类似群体的概念一“群体组织。如果许多主体组成1 1鱼群集群行为的建模与仿真的群体以一种方式系统的关联在一起，使得联合行动比各自行动更加谐调和高效。群体组织依赖于主体谐调其活动，主要借鉴动物或人类组织学原理来设计和构造主体的组织结构。1 9 9 2 年，m a t s u d a 提出了类似于群体智能“组织智能概念，通过组织智能模型集成人和基于机器的知识处理和问题求解能力。个体a g e n t 的感知、推理、交互能力，多a g e n t 系统的分布式结构和所表现出的组织智能，都有力的表明了多a g e n t 系统和鱼群的相似性。运用多a g e n t 方法和技术，将能有效的为群体系统建立模型，实现对群体行为的模拟，并从中抽象、提取有待进一步发掘的群体知识。2 5 基于主体的建模的实现方法对群体智能系统提出较为通用的模型将是今后研究的一个重点。该模型用来反映智能在群体系统中如何涌现的过程。建立这个模型，首先需要对群体系统的基本的特征和机制有相当地理解。在此基础上，构建个体之间能够交互，具有一定学习能力的智能系统，进而解决具体的问题。2 5 1 利用仿真平台为了减少基于主体建模仿真实现中的重复工作，提高模型之间的互通性，出现了一些建模仿真平台。国内有国防科技大学开发的j c a s s 仿真平台，中科院计算所史忠植等研制的m a g e 系统等。国外的仿真平台有s w a r m 、a s c a p e 、s t a r l o g o 、r e p a s t 、p r o j e k 和t n g l a b 等。2 5 2 面向对象技术面向对象编程中的对象和主体( a g e n t ) 有很多的相似之处，它们都是实体的属性和行为的封装。并且对于面向对象和基于主体建模来说，实体及其交互关系的描述是一个共同的核心问题。由于两者之间有很多的相似性，有很多基于主体的模型是用面向对象语言实现的，例如用c + + 、j a v a 等。本文选取j a v a 技术设计软件来实现模型的仿真。1 2第三章鱼群仿真模型描述第三章鱼群仿真模型描述3 1 模型描述基于主体的建模方法，建立的是微观上的主体模型，主要是观察多个相同或者不同的个体在环境中交互作用涌现出来的复杂非线性关系【3 】。鱼类属于非社会性的群体动物，无社会结构，群集可以增加自卫能力，可以互相沟通，快速侦测到危险的讯号，而群体可以采取紧急的应变行动等行为而发展出独特的沟通方式或者社会行为。群集行为仿真建模思路应集中到个体行为上，而不是群体行为上，每个个体都遵守简单的规则，在这种简单规则共同制约下，鱼群个体之间相互作用涌现出群体复杂的动态行为。由于每个个体只具有有限的感知能力，所以它仅能观察到局部环境内的信息。每个个体在每个仿真周期内都要经历观察、决策、行动三个步骤。1 ) 观察视野范围内其它个体的位置、状态信息以及觅食范围内是否有食物、鱼钩、捕食者。2 ) 根据这些观察结果和简单的行为规则选择一个行动，具体的就是确定自己的加速度方向。3 ) 将决策的结果进行实施，并更新自己的状态。鱼群集群行为的仿真模型由环境、主体、行为规则组成，主体包括食物主体、鱼钩主体和两类鱼类主体( 图3 1 ) 。环境是个体的生存空间，个体在环境中活动，收集环境中的资源( 食物) ，个体的总和构成了研究的群体对象；个体的演化过程由其行为规则集控制，行为规则决定了个体与个体之间、个体与环境之间相互作用的方式。个体依赖食物资源和消耗自己的能量来生存，任意时刻个体在环境中都有一个确定的位置并且由其所占据的方位来确定；由于群体智能研究的个体只具有简单的智能或者没有智能，它们对环境的感知能力是非常有限的，所以个体还应具有一定的感知范围，每个个体可感知其范围内的其它个体的活动情况以及环境中资源的分布情况，而对感知范围外的其它个体和资源情况一无所知，个体收集资源以备将来消耗能量做准备。个体因饥饿死亡或者被鱼钩钓走而死亡( 普通鱼类还可能是被捕食者捕食) 。本模型是基于主体的建模，没有宏观上的集中控制和约束。模型完全是由主体之间根据各自的行为规则进行交互，涌现出宏观的现象和结果。各主体间相互作用的关系如图3 2 所示：鱼群集群行为的建模1 j 仿真f o o d ( 食物1包含h u n t e r ( 捕食鱼类)属于包含h o o k ( 鱼钩)。p f i s h ( 普通鱼类)图3 1 主体关系图吃食图3 2 捕食关系图3 2 环境描述对二维世界的鱼群进行仿真，环境应为一个有限的二维平面区域，使用反射型1 4第三章鱼群仿真模型描述边界，当鱼游到边界时反弹回来。我们可以把具体的环境描述为一个宽为w i d t h 、长为l e n g t h 的二维世界( 见图3 3 ) 。模型环境示意图如图3 4 。因为计算机仅仅能处理离散的信息，所以环境也是一个离散的世界。我们用计算机屏幕上的一系列运动的点代替鱼个体，给它们设置坐标、速度等参数，就可以把现实中的鱼映射到虚拟环境中来。所有个体在该区域内游动、觅食。描述个体的位置和方向如下：鼎水c o s ( d i r e c t ) ，vr - - - v 木s i n ( d i r e c t ) ；x 。= ) 【+ v ，y = y + vy( 3 1 )其中v ，为x 方向上个体的速度分量，v 。为y 方向上个体的速度分量，d i r e c t为游动方向，即游动方向和x 轴的夹角。( x ，y ) 为目标位置的坐标。这个二维平面区域以及计算机时钟的运行共同构成了鱼群所处的虚拟环境。环境中还需要包含食物、鱼饵等信息。我们用一个数组变量w o r l d x y 来存储信息。w o r l d x y = 0 表示该点没有元素，w o r l d x y = 1 表示该点是食物，w o r l dm x y = 2表示该点是鱼饵。xi e n z t hyw i d t h图3 3 个体及其所处环境环境具有以下的属性：1 环境的宽度( w i d t h ) ；2 环境的长度( 1 e n g t h ) ；3 3 主体描述对个体的建模是仿真的核心与关键。把每条鱼看成是一个能够自主决策的a g e n t ，它们会根据自己的观察来感知周围的环境，并按照一定的规则决策。模型中定义了三类主体：鱼类主体( f i s h ) 、食物主体( f o o d ) 、鱼钩主体( h o o k ) 。其中鱼类主体( f i s h ) 包括普通鱼类( p f i s h ) 和捕食者类( h u n t e r ) 。1 s自i ：群 i 为0 谜模a图3 4 模型环境示意图3 31 鱼类主体( f i 出)鱼类主体依赖环境而生存，从环境中收集资源来增加自身的能量值。个体之间的交互是局部的由其感知范围的大小挟定( 感知范围的不同，导致其群体行为有所差异) ，它们之间的交互只能发生在所定义的邻域内。每条鱼要感知周围的局部世界。具体地，每条鱼能够看到的是计算机屏幕虚拟世界中的一个扇形，它的视觉范围是一个半径为r 、角度为3 0 0 度的扇形。在真实的海洋中鱼类视觉根有限，还需要其它的感知器官( 主要是嗅觉) 协同作用，所以鱼类在觅食的时候还需要视觉和嗅觉的共同作用，我们还应定义一个觅食范围，觅食范围为半径为r ( r r ) 的圆面。两类鱼类主体的视觉范围和觅食范嚣是不同的。下面我们对个体觅食状态用函数表示：r2 1吃饱状态s ( f ) = ( 乓一p + 弓0 。o 一卢：j 。死亡状态( 3 2 )l 其它觅食状态其中，昂表示韧始能量一表示单位时间消耗的能量，e 表示食物的能量，口表示t 时刻该a g e n t 吃掉食物的个数，卢表示该a g e n t 吃掉鱼饵的个数( 只能取0 或1 ) 。觅食行为的具体流程如图3 5 所示：第三三章鱼群仿真模型描述l 撕c v e ) 结束图3 5 主体的觅食行为鱼类主体有些属性在生命周期内是不变化的，为静态属性，包括以下：1 ) 主体编号( i d ) ：环境中每个个体的唯一标识，对应到每个个体都有一个编号。2 ) 感知范围( r 和r ) ：个体所能感