智能制造技术基础 课件 5.4群体智能

智能制造技术郑重说明课件制作不易，请尊重本课件制作者的知识产权，本课件仅限教学使用，不得发布到网上，不能拿来参加教学比赛、申报教学成果等！群体智能发展概述群体智能是一种共享的或群体的智能,是对现实世界中的群居性生物或人类群体所呈现出的有序群行为的抽象。群体由一组自由个体构成,它们遵循简单的行为规则,通过个体间的局部通信以及个体与环境间的交互作用而涌现出自组织特性等集体智能。面对开放环境下的复杂系统任务时,群体智能会超越个体智能。群体智能发展概述群体智能源于自然界中存在的群集行为。核心思想：群体中的每个个体都遵守一定的行为准则,当它们既遵守这些规则又相互作用时,就会出现上述的复杂行为。Craig

Reynolds在1986年提出一个仿真生物群体行为的模型BOLD。1999年,E.Bonabeau和M.Dorigo等人编写的《群体智能:从自然到人工系统》正式提出群体智能概念,群体智能进入1.0时代。群体智能群体智能1.0本阶段专注于群体行为特征规律的研究,并针对这些行为特征提出一系列具备群体智能特征的基础算法：遗传算法、蚁群优化算法、粒子群优化算法等。群体智能群体智能1.0遗传算法是一种利用自然选择和生物进化思想在搜索空间搜索最优解的随机搜索算法。遗传算法通过模拟自然选择中的繁殖、交叉、变异来寻求优良个体,用适应度函数评价个体优劣,依据优胜劣汰的原则,搜索出适应度较高的个体,并在搜索中不断增加优良个体的数量,循环往复,直至搜索出适应度最高的个体。（1）遗传算法遗传算法采用一种启发式搜索的方式进行群体搜索,易于进行并行化处理。群体智能群体智能1.0（1）遗传算法1967年,美国密歇根大学Bagley首次提出了“遗传算法”这一术语,并讨论了遗传算法在博弈中的应用。1975年,J.Holland等提出了对遗传算法理论研究极为重要的模式理论,出版了《自然系统和人工系统的适配》,在书中系统地阐述了遗传算法的基本理论和方法,推动了遗传算法的发展。遗传算法的起源可追溯到20世纪60年代初期。20世纪80年代后,遗传算法进入兴盛发展时期,被广泛应用于自动控制、生产计划、图像处理、机器人等研究领域。群体智能群体智能1.0（1）遗传算法

遗传算法的设计包括编码方案、适应度函数、个体选择方法、交叉算子、变异操作等。群体智能群体智能1.0（1）遗传算法特点：群体规模太小时,优化性能一般不会太好,容易陷入局部最优解;而当群体规模太大时,计算复杂。1)编码方案:遗传算法常用的编码方案有二进制编码、实数编码等。遗传算法中初始群体中的个体可以是随机产生的。群体智能群体智能1.0（1）遗传算法适应度函数一般由目标函数变换得到,但必须将目标函数转换为求最大值的形式,而且必须保证函数值非负。2)适应度函数:遗传算法的适应度函数是用来区分群体中个体好坏的标准。群体智能群体智能1.0（1）遗传算法对个体进行选择的方法主要有轮盘赌选择、最佳个体保存等方法。3)个体选择方法:个体概率的常用分配方法有适应度比例方法、排序方法等,群体智能群体智能1.0（1）遗传算法遗传算法中起核心作用的是交叉算子,主要有一点交叉、二点交叉等基本的交叉算子。4)交叉算子:群体智能群体智能1.0（1）遗传算法变异操作主要有位点变异、逆转变异、插入变异、互换变异、移动变异等变异方法。5)变异操作:群体智能群体智能1.0蚁群优化算法是由意大利科学家Marco

Dorigo等于20世纪90年代初提出来的。20世纪90年代后期,这种算法得到了许多改进并被广泛应用。(2)蚁群优化算法群体智能群体智能1.0(2)蚁群优化算法蚁群优化算法是一种模拟自然界中蚂蚁觅食行为的仿生学优化算法,主要与蚂蚁在寻找食物过程中寻找路径的方法有关。群体智能群体智能1.0蚂蚁按概率沿信息素强路径觅食，并在路径释放信息素。信息素越多，蚂蚁选择概率越大，增强路径信息素；其他路径蚂蚁减少，信息素减弱。(2)蚁群优化算法蚁群觅食时总存在信息素跟踪和信息素遗留两种行为：这种选择过程称为蚂蚁的自催化过程,其原理是一种正反馈机制,所以蚂蚁系统也称为增强型学习系统。群体智能群体智能1.0

应用：蚁群优化算法在解决离散组合优化问题方面具有良好的性能,

常应用于解决旅行商问题、优化柔性作业车间调度等。(2)蚁群优化算法Dorigo等提出了蚁群优化的算法框架,所有符合蚁群优化描述框架的算法都可称为蚁群优化算法。群体智能粒子群优化算法将群体中的每个个体看作n维搜索空间中一个没有体积、没有质量的粒子,粒子在搜索空间中以一定的速度飞行,该算法以群体中粒子间的合作与竞争产生的群体智能指导优化搜索。(3)粒子群优化算法粒子群优化算法是美国普渡大学的Kennedy和Eberhart于1995年提出的一种仿生全局优化算法。群体智能1.0群体智能(3)粒子群优化算法粒子群优化算法在n维连续搜索空间中,对粒子群中的第i(i=1,2,…,m)个粒子,表示搜索空间中第i个粒子的当前位置(k表示第k次迭代计算),xi(k)=[]T定义n维当前位置向量]表示该粒子的搜索方向。n维速度向量vi(k)=[群体智能1.01)初始化每个粒子,即在允许范围内随机设置每个粒子的初始位置向量和初始速度向量。2)评价每个粒子的适应度,计算每个粒子的目标函数。3)设置每个粒子经历过的最好位置Pi。对每个粒子,将其适应度与其经历过的最好位置Pi进行比较,如果适应度优于Pi则将其作为该粒子的最好位置Pi。群体智能(3)粒子群优化算法粒子群优化算法的流程如下:群体智能1.04)设置全局最优值Pg。对每个粒子,将其适应度与群体经历过的最好位置Pg进行比较,如果适应度优于Pg则将其作为当前群体的最好位置Pg。5)按粒子群优化算法公式更新粒子的位置向量xi(k)和速度向量vi(k)。6)检查终止条件。如果未达到设定条件(预设误差或迭代的次数),则返回第2)步。群体智能(3)粒子群优化算法粒子群优化算法的流程如下:群体智能1.0粒子群优化算法已在诸多领域得到应用,包括神经网络训练、生产过程模型辨识、电力系统调度最优化、机械优化设计、通信电路优化设计、机器人路径规划、经济优化决策、图像处理、生物信息处理、医学诊断等。群体智能(3)粒子群优化算法群体智能1.0随着物联网、移动互联网发展,万物互联、共建共享和大数据深层驱动使群体智能迎来了新的黄金发展时期,步入2.0时代。针对群体生物行为模型的研究转为针对人群、机群等智能的探索。群体智能2.群体智能2.0近年来,群体智能初步融入人们生产生活中,如智能制造机器人协同、无人机群体控制、智能家居、可移动智能穿戴设备等,但群体智能的理论、技术、平台等方面的研究仍处于极为初级的阶段,世界各国均在进行技术方向的积极探索。群体智能2.群体智能2.0一是以群体智能感知计算为代表的新型数据信息收集方式,能够快速有效地扩展数据信息;二是以联邦学习为代表的安全数据共享方式,打破数据孤岛,保护用户数据的隐私;三是以众包计算为代表的聚众智慧研发方式,能够大幅提高项目研发的创新能力,保障数据预测能力的可靠性。关键技术群体智能群体智能三大技术路线：1.群体智能感知计算关键技术群体智能2012年,清华大学刘云浩教授提出群体智能感知计算这一概念。群体智能感知计算是利用物联网、移动互联网、移动设备和群体智能技术等实现的一种新型获取数据集信息的方式,在基于移动互联网的组织结构和大量用户群体的驱动下,以每个用户的移动设备为感知单元实现对感知任务的分发和数据的收集。1.群体智能感知计算关键技术群体智能特点：适合于应对数据需求灵活度高、规模大的场景,且随着移动设备的普及,感知网络的规模扩大到一个新的高度,不仅可在有人参与的感知场景中获得数据信息,还可通过社交网络等获取用户的上下文感知数据,如位置信息、健康数据、天气状况等。2.联邦学习关键技术群体智能数据隐私安全问题处理不当会发生用户数据泄露事件,而引起公众的恐慌。企业出于商业机密性、竞争性考虑,并不会进行数据共享,因此出现数据孤岛的问题,问题：这两大问题给由大数据驱动的群体智能带来了极大挑战。为此2016年谷歌提出联邦学习的概念。2.联邦学习关键技术群体智能联邦学习,即对分布于多方设备的数据集,在保障数据隐私安全的情况下进行联合建模。由每一个拥有数据源的组织训练一个模型,然后让各个组织在各自的模型上彼此交流沟通,最终通过模型聚合得到一个全局模型。为确保用户隐私和数据安全,各组织间交换模型信息的过程会被精心设计,使得没有组织能够猜测到其他组织的隐私数据内容。同时,当构建全局模型时,各数据源仿佛已被整合在一起,这便是联邦机器学习(简称联邦学习)的核心思想。关键技术群体智能2.联邦学习在模型训练的过程中,模型相关的信息能够在各方之间直接交换或以加密形式进行交换,但数据不能。这种交换不会暴露每个站点上数据的任何受保护的隐私部分。已训练好的联邦学习模型可为联邦学习系统的各参与方所用,也可以在多方之间共享。联邦学习旨在建立一个基于分布数据集的联邦学习模型。联邦学习包括两个过程：模型训练和模型推理。关键技术群体智能2.联邦学习意义：联邦学习在保证用户数据的安全性和隐私性、提高用户参与积极性的同时,为打破数据壁垒、解决数据孤岛问题提供了新方法,在大数据驱动的时代具有重大的意义。应用：联邦学习对群体智能的发展有重要的影响,在医疗、金融、通信、边缘计算等方面都有相关应用。一是将互联网群体当作计算的组成部分,完成数据收集、语义注释、分布式模型训练等工作,帮助企业快速构建数据集与算法模型,具有速度更快、质量更高、保密性更强的特点;二是基于互