人工智能基础之自动规划系统(一)

目录第一章绪论第二章知识表示

第三章搜索技术第四章推理技术第五章机器学习

第六章专家系统

第七章自动规划系统第八章自然语言理解第九章智能控制第十章人工智能程序设计自动规划概述基于谓词逻辑的规划STRIPS规划系统分层规划基于专家系统的机器人规划轨迹规划简介7.1自动规划概述7.1.1规划的概念及作用

1.规划的概念

定义7.1

从某个特定的问题状态出发，寻求一系列行为动作，并建立一个操作序列，直到求得目标状态为止。这个求解过程就称为规划。

定义7.2

规划是对某个待求解问题给出求解过程的步骤。规划涉及如何将问题分解为若干相应的子问题，以及如何记录和处理问题求解过程中发现的各子问题间的关系。

定义7.3

规划系统是一个涉及有关问题求解过程步骤的系统。如计算机或飞机设计、火车或汽车运输路径、财政和军事规划等问题。7.1自动规划概述7.1.1规划的概念及作用例：救援仿真机器人系统（RoboCupRescueSimulationSystem，RCRSS）

①

消防智能体②

医疗智能体③

警察智能体④

普通市民⑤

中心智能体⑥

路障⑦

避难所⑧

着火建筑物⑨

普通建筑物）

7.1自动规划概述7.1.1规划的概念及作用

2.规划的作用规划可用来监控问题求解过程，并能够在造成较大的危害之前发现差错。规划的好处可归纳为简化搜索、解决目标矛盾以及为差错补偿提供基础。

“十二五”规划、城市规划、企业发展规划7.1自动规划概述7.1.2规划的分类和问题分解途径

1.规划的分类（1）按规划内容分国家、地方、重大项目、企业、交通、城市、环境…

（2）按规划方法分

非递阶（非分层）规划与递阶（分层）规划；线性规划与非线性规划；同步规划与异步规划；基于脚本、框架和本体的规划；基于专家系统的规划；基于竞争机制的规划；…

（3）按规划实质分

任务规划、路径规划、轨迹规划…7.1自动规划概述7.1.2规划的分类和问题分解途径

2.问题分解途径把某些较复杂的问题分解为一些较小的子问题。有两条实现这种分解的重要途径。第一条重要途径是当从一个问题状态移动到下一个状态时，无需计算整个新的状态，而只要考虑状态中可能变化了的那些部分。第二条重要途径是把单一的困难问题分割为几个有希望的较为容易解决的子问题。7.1自动规划概述7.1.2规划的分类和问题分解途径

3.域的预测和规划的修正

（1）域的预测

问题论域的预测。对于不可预测的论域，考虑可能的结果集合，按照它们出现的可能性以某个次序排列。然后，产生一个规划、并试图去执行这个规划。

（2）规划的修正

规划执行失败导致对规划的修正。

在规划过程中不仅要记录规划的执行步骤，而且要记录每一步必须要执行的理由。7.2基于谓词逻辑的规划

用谓词逻辑来描述世界模型及规划过程。

世界模型的谓词逻辑表示定义谓词确定问题初始状态确定问题目标状态确定基本操作

基于谓词逻辑规划的基本过程问题分解子问题规划得到操作序列7.3STRIPS规划系系统积木世世界的的机器器人规规划求解机机器人人完成成规定定工作作的动动作序序列BACCBA机械手手机械手手(a)(b)7.3STRIPS规划系系统积木世世界的的机器器人规规划1.积木世世界的的机器器人问问题机器人人能够够执行行的动动作举例如如下：：unstack(a,b)：把堆堆放在在积木木b上的积积木a拾起。。在进进行这这个动动作之之前，，要求求机器器人的的手为为空手手，且且积木木a的顶上上是空空的。。stack(a,b)：把把积木木a堆放在在积木木b上。动动作之之前要要求机机械手手必须须已抓抓住积积木a，而且且积木木b顶上必必须是是空的的。pickup(a)：从从桌面面上拾拾起积积木a，并抓抓住它它不放放。在在动作作之前前要求求机械械手为为空手手，而而且积积木a顶上没没有任任何东东西。。putdown(a)：把把积木木a放置到到桌面面上。。要求求动作作之前前机械械手已已抓住住积木木a。7.3STRIPS规划系统统积木世界界的机器器人规划划1.积木世界界的机器器人问题题状态描述述谓词：ON(a,b)：积木木a在积木b之上。ONTABLE(a)：积木木a在桌面上上。CLEAR(a)：积木木a顶上没有有任何东东西。HOLDING(a)：机械械手正抓抓住积木木a。HANDEMPTY：机械械手为空空手。7.3STRIPS规划系统统积木世界界的机器器人规划划2.用F规则求解规规划序列采用F规则表示机机器人的动动作，这是是一个叫做做STRIPS规划系统的的规则，它它由3部分组成：：第一部分是是先决条件件。为了使使F规则能够应应用到状态态描述中去去。第二部分是是一个叫做做删除表的的谓词。当当一条规则则被应用于于某个状态态描述或数数据库时，，就从该数数据库删去去删除表的的内容。第三部分叫叫做添加表表。当把某某条规则应应用于某数数据库时，，就把该添添加表的内内容添进该该数据库。。7.3STRIPS规划系统积木世界的的机器人规规划2.用F规则求解规规划序列例：move(x,y,z):把物体x从物体y上面移到物物体z上面。先决条件：：CLEAR(x),CLEAR(z),ON(x,y)删除表：ON(x,y),CLEAR(z)添加表：ON(x,z),CLEAR(y)7.3STRIPS规划系统规划系统斯坦福大学学人工智能能研究所于于1966-72年研制的Shakey机器人是第第一台能够够进行行动动推理的多多用移动机机器人，该该项目融合合了机器人人视觉、机机器人学和和自动推理理研究成果果。机器人人的任务是是在一些相相连的房间间里，将用用户指定的的箱子推到到指定的位位置。对于于用户输入入的每一个个任务，Shakey自主地规划划完成该任任务的行动动并依次执执行。Shakey项目技术：：规划语言言STRIPS（STanfordResearchInstituteProblemSolver——STRIPS）和A*算法等。STRIPS语言用来描描述外部世世界模型并并支持任务务规划，它它提供了框框架问题的的一种简洁洁、高效的的解法，但但理论上并并不完备。。7.3STRIPS规划系统规划系统STRIPS系统的组成成如下：(1)世界模型。。为一阶谓谓词演算公公式。(2)操作符(F规则)。包括先决决条件、删删除表和添添加表。(3)操作方法。。应用状态态空间表示示和中间-结局分析。。规划过程每个STRIPS问题的解答答为某个实实现目标的的操作符序序列，即达达到目标的的规划。AServiceRobotCopeswithChangesUnderstanding,Learning,Planning,andActing7.4分层规划探索规划划时首先先只考虑虑一层的的细节，，然后再再注意规规划中比比这一层层低一层层的细节节，所以以把它叫叫做长度度优先搜搜索。NOAH规划系统统1.应用最小小约束策策略一个寻找找非线性性规划而而不必考考虑操作作符序列列的所有有排列的的方法是是把最少少约束策策略应用用来选择择操作符符执行次次序的问问题。问题求解解系统NOAH采用一种种网络结结构来记记录它所所选取的的操作符符之间所所需要的的排序。。它也分分层进行行操作运运算，即即首先建建立起规规划的抽抽象轮廓廓，然后后在后续续的各步步中，填填入越来来越多的的细节。。7.4分层规划划2.检验准则则准则法已已被应用用于各种种规划生生成系统统。对于于早期的的系统，，如HACKER系统，准准则只用用于舍弃弃不满足足的规划划。在NOAH系统中，，准则被被用来提提出推定定的方法法以便修修正所产产生的规规划。第第一个涉涉及的准准则是归归结矛盾盾准则。。第二个准准则叫做做消除多多余先决决条件准准则，包包括除去去对子目目标的多多余说明明。可以把分分层规划划和最少少约束策策略十分分直接地地结合起起来，以以求得非非线性规规划而不不产生一一个庞大大的搜索索树。7.5基于专家系统统的机器人规规划1.系统结构及规规划机理（1）知识库：用用于存储某些些特定领域的的专家知识和和经验，包括括机器人工作作环境的世界界模型、状态态、物体描述述等事实和可可行操作或规规则等。（2）控制策略：包包含综合机理理，确定系统统应当应用什什么规则以及及采取什么方方式去寻找该该规则。（3）推理机：用于于记忆所采用用的规则和控控制策略及推推理策略。（4）知识获取：：首先获取某某特定域的专专家知识。然然后用程序设设计语言把这这些知识变换换为计算机程程序。最后把把它们存入知知识库待用。。7.5基于专家系统统的机器人规规划(5)解释与说明：：通过用户接接口，在专家家系统与用户户之间进行对对话，从而使使用户能够输输入数据、提提出问题、知知道推理结果果以及了解推推理过程等。。2.任务级机器人人规划三要素素（1）建立模型：：世界模型。。（2）任务说明：：定义状态及及状态变换次次序。（3）程序综合。。3.ROPES机器人规划系系统7.6轨迹规划简介介轨迹：机械手手在运动过程程中的位移、、速度和加速速度。轨迹规划：根根据任务的要要求，计算出出预期的轨迹迹。在机械手运动动学和动力学学基础上，讨讨论在关节空空间和笛卡尔尔空间中机器器人运动的轨轨迹规划和轨轨迹生成方法法7.6轨迹规划简介介例：NAO机器人检球动动作。地球上的生物物物种在漫长长的过程中形形成了丰富的的行为特性，，并且一直不不断地完善和和发展，以更更好地适应其其所生存的环环境。生物群群体和自然生生态系统可以以通过自身的的演化就能使使许多在人类类看起来高度度复杂的优化化问题得到完完美解决。因因此，各种模模仿生物群体体的智能仿生生算法被相继继提出，得到到了深入研究究和应用实践践。群智能思想的的产生主要源源于复杂适应应系统理论以以及人工生命命的研究。群智能算法——群智能思想起起源群智能算法——群智能思想起起源复杂适应系统统(ComplexAdaptiveSystem,CAS)理论：1994年由Holland教授正式提出出。CAS中成员称为具具有适应性的的主体,简称主体。主体的适应性性,是指它能够与与环境以及其其它主体进行行交流，在交交流的过程中中“学习””或“积积累经验”，，并且根据学学到的经验改改变自身的结结构和行为方方式。CAS具有四个基本本特点:（1）首先,主体是主动的的、活的实体体。具有适应应性的主体的的概念把个体体主动性提高高到了系统进进化基本动因因的位置,从而成为研究究与考察宏观观行为的出发发点。（2）其次,个体与环境(包括个体之间间)之间的相互影影响、相互作作用是系统演演变和进化的的主要动力。。相互作用是是“可记忆””的,它表现为进化化过程中每个个个体的结构构和行为方式式的变化，以以不同的方式式“存储””在个体内内部。群智能算法——群智能思想起起源（3）再次,这种方法不像像许多其他的的方法那样,把宏观和微观观截然分开,而是把它们有有机地联系起起来。（4）最后,这种建模方法法还引进了随随机因素的作作用,使它具有更强强的描述和表表达能力。随随机因素的影影响不仅影响响状态,而且影影响组组织结结构和和行为为方式式。具具有主主动性性的个个体会会接受受教训训,总结经经验,并且以以某种种方式式把““经经历””记记住,使之““固固化””在在自己己以后后的行行为方方式中中。CAS理论提提供了了模拟拟生物物、生生态态、经经济济、社社会会等复复杂系系统的的巨大大潜力力。群智能能算法法——群智能能思想想起源源人工生生命(ArtificialLife,AL)是用来来研究究具有有某些些生命命基本本特征征的人人工系系统。。近近年来来,人工生生命的的研究究发展展非常常快,在某些些方面面的研研究已已与传传统的的生物物科学学形成成了互互补。。人工工生命命包括括两方方面的的内容容:①如何利利用计计算技技术研研究生生物现现象;②如何利利用生生物技技术研研究计计算问问题。。第二部部分的的内容容的研研究中中，现现已经经有了了很多多源于于生物物现象象的计计算技技巧，，例如如，人人工神神经网网络是是简化化的大大脑模模型，，遗传传算法法是模模拟基基因进进化的的过程程，目目前这这一类类计算算技术术被统统称为为自然然计算算。群群智能能属于于自然然计算算中的的一类类，它它模拟拟另一一种生生物系系统：：社会会系统统，更更确切切地说说，是是模拟拟由简简单个个体组组成的的群落落与环环境以以及个个体之之间的的互动动行为为，这这些模模拟系系统利利用局局部信信息从从而可可能产产生不不可预预测的的群体体行为为。群智能算法——群智能思想起起源群智能(SwarmIntelligence,SI)：1992年由Beni,Hack-wood和Wang在分子自动机机系统中提出出。1999年,Bonabeau,Dorigo和Theraulaz在《SwarmIntel-ligence:FromNaturaltoArtificialSystems》中对群智能进进行了详细的的论述和分析析。2003年IEEE第一届国际群群智能研讨会会在美国印第第安纳州首府府召开。群智能定义：：任何一种由由昆虫群体或或其它动物社社会行为机制制而激发设计计出的算法或或分布式解决决问题的策略略均属于群智智能。群智能算法——群智能思想起起源Swarm可被描述为为一些相互互作用相邻邻个体的集集合体,蜂群、蚁群群、鸟群、、鱼群都是是Swarm的典型例子子。社会性性动物群体体所拥有的的这种特性性能帮助个个体很好地地适应环境境，个体所所能获得的的信息远比比它通过自自身感觉器器官所取得得的多，其其根本原因因在于个体体之间存在在着信息交交互能力。。信息的交交互过程不不仅仅在群群体内传播播了信息，，而且群内内个体还能能处理信息息，并根据据所获得的的信息(包括环境信信息和附近近其它个体体的信息)改变自身的的一些行为为模式和规规范,这样就使得得群体涌现现出一些单单个个体所所不具备的的能力和特特性,尤其是对环环境的适应应能力。这这种对环境境变化所具具有的适应应能力可以以被认为是是一种智能能,也就是说动动物个体通通过聚集成成群而涌现现出了智能能。群智能算法法——群智能思想想起源SI的定义进一一步推广（Bonabeau）:无智能或简简单智能的的主体通过过任何形式式的聚集协协同而表现现出智能行行为的特性性。群智能理论论还非常不不成熟,但已成为有有别于传统统人工智能能中连接主主义、行行为主义和和符号主义义的一种新新的关于智智能的描述述方法,并成为人工工智能领域域的新研究究热点。群智能算法法——群智能理论论JamesKennedy和RussellC.Eberhart在2001年出版的《SwarmIntelligence》是群智能发发展的一个个重要历程程碑。他们们不反对Bonabeau关于SI的定义，赞赞同其定义义的基本精精神，但反反对定义中中使用““主体”一一词。其其理由是是“主体体”所带带有的自治治性和特殊殊性是许多多Swarm的个体所不不具备和拥拥有的，这这将大大限限制Swarm的定义范围围。MarkMillonas(1994)构建一个SI系统所应满满足的五条条基本原则则:ProximityPrinciple:群内个体具具有能执行行简单的时时间或空间间上的评估估和计算的的能力。群智能算法法——群智能理论论QualityPrinciple:群内个体能能对环境(包括群内其其它个体)的关键性因因素的变化化做出响应应。PrincipleofDiverseResponse:群内不同个个体对环境境中的某一一变化所表表现出的响响应行为具具有多样性性。StabilityPrinciple:不是每次环环境的变化化都会导致致整个群体体的行为模模式的改变变。AdaptabilityPrinciple:环境所发生生的变化中中,若出现群体体值得付出出代价的改改变机遇,群体必须能能够改变其其行为模式式。群智能算法法——群智能理论论以上五条原原则现在成成为了群智智能的最基基本理论，，现有的群群智能方法法和策略都都符合这些些原则。《SwarmIntelligence》最重要的观观点是：Mindissocial,也就是认为为人的智能能是源于社社会性的相相互作用，，文化和认认知是人类类社会性不不可分割的的重要部分分，这一观观点成为了了群智能发发展的基石石。群智能模拟的的是社会系统统的变化，其其最基本单位位是“敏因因”(Meme)，这一词由Dawkin在《TheSelfishGene》中提出，它是是指思想文化化传播中的基基本单位，个个体在社会中中会根据环境境来改变自身身的思想，敏敏因的传播途途径是在个体体与个体之间间，在人类社社会中它还可可以在人脑与与书本之间、、人脑与计计算机、计计算机与计算算机之间传播播。当然，“敏因”应该该如何严格描描述和定义还还没有定论。。群智能算法——群智能理论群智能研究的的更进一步目目标是对人类类思想变化的的社会行为的的模拟。人类类心理中存在在着群体性、、习惯性、一一致性,常常是习惯性性地遵循一些些习俗和规则则。无论什么么时候,人们思想和行行为总是因相相互影响而变变得非常近似似,道德规范以及及文化的形成成就是这种通通过相互间影影响而导致近近似的结果。。人类的社会思思想行为并不不简单类似鸟鸟群或鱼群的的行为,人类思想的形形成过程是一一种在高维认认知空间的探探索历程。两两种思想意意见在认知空空间上聚集到到一点上,被称为“一一致”或““认同”,而不是鸟群或或鱼群系统中中的“碰撞撞”。如果果某人认同认认知空间某个个点,那么就努力靠靠近它,反之则尽量远远离它,这里认知空间间中的某个点点就是某个人人的思想。人人类通过这种种社会行为达达成社会的共共识:习俗、道德规规范等。目前,群智能理论研研究处于基本本思想描述阶阶段,还未能提出一一些较为明确确的概念和定定义,尽管已经有人人提出广义群群智能的模型型。蚁群算法(AntColonyOptimization—ACO)由Colorni,Dorigo和Maniezzo于1991年提出,它是通过模拟拟自然界蚂蚁蚁社会的寻找找食物的方式式而得出的一一种仿生优化化算法。自自然界种蚁群群寻找食物时时会派出一些些蚂蚁分头在在四周游荡,如果一只蚂蚁蚁找到食物,它就返回巢中中通知同伴并并沿途留下““信息素””(pheromone)作为蚁群前往往食物所在地地的标记。信信息素会逐逐渐挥发,如果两只蚂蚁蚁同时找到同同一食物,又采取不同路路线回到巢中中,那么比较绕弯弯的一条路上上信息素的气气味会比较淡淡,蚁群将倾向于于沿另一条更更近的路线前前往食物所在在地。ACO算法设计虚拟拟的“蚂蚁蚁”,让它们摸索不不同路线,并留下会随时时间逐渐消失失的虚拟““信息素”。。根据““信息素较浓浓的路线更近近”的原则则,即可选择出最最佳路线。群智能算法——蚁群算法ACO算法首先应用用于TSP问题中,这里以TSP问题为例对算算法作简单介介绍。当某一一个蚂蚁走到到一个城市,下一步可选的的路径集合为为E,集合中任一条条路径e∈E上的信息素浓浓度为τe,走这条路的代代价为ηe,那么选择某一一条路径v∈E的几率为：群智能算法——蚁群算法其中,α和β两个参数分别别用来控制信信息素和路径径长度的相对对重要程度。。当蚂蚁在所所有城市走过过一遍之后，，路径上的信信息素浓度将将变为:τe(t+1)=(1-ρ)··τe(t)+Δe其中，0≤ρ<1用于控制信息息素随时间挥挥发的速度，，Δe是上次蚂蚁经经过此路段所所留下的信息息素，未经过过则为0。上式以及Δe可以根据问题题进行设计。。目前，ACO算法已被广泛泛应用于组合合优化问题中中，在车辆调调度问题、机机器人路径径规划问题、、路由算法法设计等领域域均取得了良良好的效果。。由于ACO算法具有广泛泛实用价值，，成为了群智智能领域第一一个取得成功功的实例，曾曾一度成为群群智能的代名名词，相应理理论研究及改改进算法近年年来不断取得得新的成果。。群智能算法——蚁群算法粒子群优化算算法（ParticleSwarmOptimization—PSO)源于1987年Reynolds对鸟群社会系系统boids的仿真研究，，boids也是一个CAS。在boids中,一群鸟在空中中飞行,每个鸟遵守以以下三条规则则:（1）避免与相邻邻的鸟发生碰碰撞冲突;（2）尽量与自己己周围的鸟在在速度上保持持协调和一致致;（3）尽量试图向向自己所认为为的群体中心心靠近。仅仅通过使用用这三条规则则,boids系统就出现非非常逼真的群群体聚集行为为,鸟成群地在空空中飞行,当遇到障碍时时它们会分开开绕行而过,随后又会重新新形成群体。。不过Reynolds仅仅将其作为为CAS的一个实例作作仿真研究,而并未将它用用于优化计算算中,也无任何实用用价值。群智能算法——粒子群优化算算法Kennedy和Eberhart（1995年）在boids中加入了一个个特定点,定义为食物,鸟根据周围鸟鸟的觅食行为为来寻找食物物。他们的初初衷是希望通通过这种模型型来模拟鸟群群寻找食源的的现象,然而实验结果果却揭示这个个仿真模型中中蕴涵着很强强的优化能力力,尤其是在多维维空间寻优中中。由于最最初的仿真系系统中每个鸟鸟在计算机屏屏幕上表示为为一个点,而“点点(Points)””这个词在在数学领领域具有有非常多多的意义义,因此作者者用了““粒子子(Particle)”来表示每每一个个个体。于于是也就就得到了了基本PSO算法。群智能算算法——粒子群优优化算法法群智能算算法——粒子群优优化算法法粒子群特特性群智能算算法——粒子群优优化算法法在PSO系统初初始化为为一群随随机粒子子(随随机解)，然后通过过迭代找找到最优优解。在在每一次次迭代中中,粒粒子通过过跟踪两两个““极值””来更新新自己,同时时也通过过跟踪它它们实现现粒子间间的信息息交换。。第一个个就是粒粒子本身身所找到到的最优优解,这这个解解叫作个个体极值值pBest(“自自身经验验”)。另一一个极值值是整个个群体目目前找到到的最优优解,这这个极极值是群群体极值值gBest(群体体的““社会经经验”)。群智能算算法——粒子群优优化算法法1998年,Shi和Eberhart正正式给给出标准准PSO算法法的数学学描述如如下:设搜索空空间为M维,粒子子数为N。第第i个个粒子子位置表表示为向向量Xi=(xi1,xi2,……,xiD);第第i个粒粒子“飞飞行”历历史中中的过去去最优位位置(即即该位置置对应解解最优)为Pi=(pi1,pi2,……,piD)也就是是pBest，其中所有有Pi(i=1,…,N)中的最最优个体体被记作作Pg也就就是gBest；第i个个粒子子的位置置变化率率(速度度)为向向量Vi=(vi1,vi2,……,viD)。每个粒子的的位置按按如下公公式进行行变化(“飞行”):群智能算算法——粒子群优优化算法法其中,c1,c2为正正常数,称为为加速因因子;rand()为[0,1]之之间的随随机数;w称称惯性因因子。第第d(1≤d≤M)维的位位置变化化范围和和速度变变化范围围分别为为[-xd,max,xd,max]和[-vd,max,vd,max](变变化范围围可通过过平移处处理使之之对称),迭迭代中中若某一一维的xid或vid超过边界界则取边边界值。。粒子群群初始位位置和速速度随机机产生,然后后按公式式进行迭迭代,直直至满满足停止止条件。。群智能算算法——粒子群优优化算法法2003年李晓磊磊、邵邵之江等等提出的的人工鱼群群算法（（ArtificialFish-SwarmAlgorithm—AFSA)，它利用用自上而而下的寻寻优模式式模仿自自然界鱼鱼群觅食食行为,主要利用用鱼的觅觅食、聚聚群和追追尾行为为,构造个体体底层行行为;通过鱼群群中各个个体的局局部寻优优,达到全局局最优值值在群体体中凸现现出来的的目的。。在基本本运算中中引入鱼鱼群的生生存机制制、竞争争机制以以及鱼群群的协调调机制,提高算法法的有效效效率。。李晓磊磊等又采采用分解解协调的的思想构构造一种种改进的的人工鱼鱼群算法法,并以换热热器系统统为例,验证了该该算法，，结果表表明该算算法具有有较好的的收敛性性。AFSA只使用目目标函数数的函数数值，无无需目标标函数的的梯度值值等特殊殊信息，，对搜索索空间具具有一定定的自适适应能力力。算法法对初值值无要求求，对各各参数的的选择也也不很敏敏感。群智能算算法——人工鱼群群算法群智能算算法——人工鱼群群算法基于SI的的优化算算法和EC都都是基于于群体迭迭代的启启发式随随机优化化算法,有着着非常多多相似之之处,它它们都都是对自自然中随随机系统统的仿真真,都都具有本本质并行行性。另另外,与与EC还一一样的是是,SI的的目的并并不是为为了忠实实地模拟拟自然现现象,而而是利利用它们们的某些些特点去去解决实实际问题题。ACO和PSO也一度度曾被归归类于EC之之中,但但它们与与EC之间的的区别也也是明显显的。ACO、、PSO在本本质上不不能用广广义EC算法法的流程程进行描描述。首先