《人工智能通识》课件-第6章群体智能：集体智慧的涌现

人工智能通识2025第6章群体智能：集体智慧的涌现2025年.XX月Catalogue目录群体智能的基本概念PartOne群体智能的经典算法PartTwo2.群体智能的应用案例PartThree3.1.Part群体智能的基本概念01人工智能通识20256.1群体智能的基本概念鸟群的飞行并不是依赖于某只鸟的“高智商”，而是通过每只鸟遵循简单的规则来实现的。这种简单的局部规则，最终导致了整个群体的复杂行为。这种现象被称为涌现（emergence），即整体行为无法从单个个体的行为中直接预测，而是通过个体之间的交互自然产生。6.1.1群体智能的生物学启发自然界中，蚁群高效规划路径，鸟群协调飞行，鱼群快速躲避捕食者，这些行为不依赖领导者，而是通过个体间的去中心化协作实现，为群体智能提供了灵感。侦察蜂在周围区域寻找新巢穴，评估候选地点的质量，包括空间大小、保护性等因素，为群体决策提供基础信息。侦察蜂寻找新巢穴侦察蜂通过“八字舞”或“摇摆舞”向其他蜜蜂传递巢穴的方向、距离和偏好信息，其他工蜂据此前往验证，类似“选举”过程，最终达成集体共识。舞蹈传递信息蜜蜂群体决策蚂蚁通过信息素标记路径，发现食物后返回巢穴时留下信息素，其他蚂蚁感知并跟随，路径上信息素浓度越高，吸引的蚂蚁越多，形成高效路径。蚁群觅食行为遇到障碍物时，蚂蚁能迅速调整路径，重新寻找最优路线，展现出强大的适应性，为群体智能算法提供了动态调整的灵感。环境适应能力蚁群路径规划鸟群飞行时，每只鸟遵循与相邻鸟保持合适距离、速度一致、朝向平均方向等简单规则，从而保持紧密队形，实现有序飞行。飞行队形保持鸟群飞行协调群体智能由Beni和Wang于1989年提出，指大量简单个体通过局部交互涌现出复杂集体行为，不依赖单个个体的高智商，而是通过协作和信息共享实现整体智能。6.1.2群体智能的定义五大基本原则邻近原则：个体基于时空邻近性交互，无需全局信息。品质原则：群体优先响应关键品质因子。多样性反应原则：群体行为需覆盖广泛可能性，避免单一化。稳定性原则：群体行为在环境变化中保持核心功能稳定。适应性原则：群体灵活调整策略。群体智能的特点分布式与去中心化：无中央控制器，个体依赖局部交互协作，适应网络化环境，避免单点故障。鲁棒性与容错性：对个体失效有强容忍能力，如蜂群部分工蜂死亡不影响采蜜效率。自组织与涌现性：简单规则叠加产生复杂宏观行为，如蜜蜂舞蹈触发群体决策。可扩展性：个体数量增加，系统整体性能提高。6.1.3群体智能的基本原则与特点技术挑战动态环境下的稳定性难题通信与计算的双重瓶颈能源效率与可持续性挑战......未来趋势技术融合应用场景拓展伦理和安全考量......伦理与安全责任归属模糊数据隐私与算法偏见对抗性攻击脆弱......6.1.4群体智能的挑战与未来Part群体智能的经典算法02人工智能通识2025群体智能的核心在于通过简单个体的协作涌现出复杂的智能行为。在人工智能领域，这种思想激发了一系列经典算法的设计与应用。群体智能的发展历程见证了一次次突破与创新。6.2群体智能的经典算法蚁群算法源于对蚂蚁觅食行为的模拟。蚂蚁虽个体简单，却能在觅食时找到最短路径，这一特性启发了学者提出蚁群优化算法。启发来源该算法由意大利学者于20世纪90年代初提出，是对蚂蚁群体行为的精妙模拟，开启了蚁群优化算法的研究历程。提出时间6.2.1蚁群算法信息素机制蚂蚁在行进时释放信息素，较短路径上信息素浓度高，吸引后续蚂蚁，形成正反馈机制，使蚂蚁聚集到最短路径上。01优化过程蚁群算法将蚂蚁路径映射为优化问题的可行解，通过信息素的累积与反馈，引导蚂蚁群体找到最优解，模拟蚂蚁觅食的优化过程。02蚁群算法原理对应关系蚂蚁觅食行为蚁群优化算法蚂蚁的行走路径优化问题的可行解蚂蚁群体的所有路径优化问题的解空间信息素的释放与累积解的质量反馈与强化最佳路径优化问题的最优解路径优化问题在旅行商问题中，蚁群算法将城市视为节点，依据信息素浓度和启发式信息选择路径，经过多轮迭代找到近似最优解，有效解决复杂组合优化难题。旅行商问题蚁群算法通过模拟蚂蚁行为，能够高效地在大规模路径中寻找最优解，具有较强的适应性和鲁棒性，适用于多种路径优化问题。算法优势资源分配问题云计算资源分配在云计算环境下，蚁群算法将虚拟机视为蚂蚁，依据资源使用情况和任务需求进行资源分配，实现资源的高效合理分配，提高系统性能和资源利用率。应用效果该算法在资源分配场景中表现出色，通过不断迭代优化，能够动态适应资源需求变化，为云计算等复杂系统提供有效的资源管理方案。6.2.2粒子群优化粒子群优化算法（PSO）由Kennedy和Eberhart于1995年提出，灵感来源于鸟群觅食行为。鸟群通过个体与群体的信息共享，找到食物源，类似地，算法通过粒子的个体和群体经验优化问题。粒子群算法原理模拟鸟群觅食行为，每个解是搜索空间中的粒子，粒子根据个体最优位置和群体最优位置调整速度和位置，靠近最优解。算法原理01鸟群觅食行为粒子群优化算法鸟粒子（代表一个可能的解）森林搜索结果空间（求解空间）食物的量目标函数值每只鸟所处的位置空间中的一个解（粒子位置）食物量最多的位置全局最优解（最优解）每只鸟记忆中食物量最多的位置个体最优解鸟群共享的食物量最多的位置群体最优解在函数优化问题中，PSO算法通过粒子在高维空间中的搜索，能够有效找到函数的极值点。例如在求解复杂的非线性函数最小值时，粒子根据个体和群体经验不断调整位置，最终聚集在函数的最小值附近，为科学研究和工程设计中的优化问题提供了一种高效的求解方法。在神经网络训练中，PSO算法可用于优化网络参数，如学习率、隐藏层神经元数量等。将参数组合视为粒子位置，以模型性能指标为目标函数值，通过粒子群的搜索找到最优参数组合，相比传统方法，PSO能够更快地找到较优解，提高神经网络的训练效率和性能。函数优化参数调优函数优化与参数调优6.2.3人工蜂群算法提出背景角色构成人工蜂群算法由Karaboga小组于2005年提出，源于对蜜蜂群体行为的模拟研究，蜜蜂虽个体行为简单，但群体协作高效，该算法借此模拟蜜蜂觅食分工协作机制，用于解决优化问题。算法中有引领蜂、跟随蜂和侦查蜂三种角色。引领蜂与特定食物源对应，通过摇摆舞分享信息；跟随蜂依据引领蜂信息选择食物源；侦查蜂负责探索新食物源。初始化：随机生成一组蜜源位置，每个蜜源位置代表一个可能的解。引领蜂搜索：引领蜂在当前蜜源位置附近进行局部搜索，生成新的蜜源位置，并更新花蜜量。跟随蜂选择：跟随蜂根据蜜源的花蜜量选择蜜源，并在选中的蜜源附近进行进一步的搜索。侦察蜂探索：如果某个蜜源在多次尝试后没有被改进，则丢弃该蜜源，侦察蜂在搜索空间中随机生成新的蜜源位置。迭代优化：重复上述步骤，直到达到终止条件（如最大迭代次数或解的收敛）。算法步骤任务分配在多机器人协作完成任务的场景中，将机器人看作蜜蜂，任务当作食物源。引领蜂传递任务信息，跟随蜂选择任务执行，侦查蜂探索新的任务分配方案，实现任务高效分配。组合优化在生产调度问题中，将不同的加工顺序组合视为不同的食物源，蜜蜂通过尝试不同的加工顺序并依据生产结果评估“收益率”，最终找到最优的生产调度方案。蜂群算法的应用Part群体智能的应用案例03人工智能通识2025军事应用美国海军“郊狼”项目，多架小型无人机协同侦察，覆盖复杂区域，穿越电磁环境和防空区域，实时回传战场态势。民用应用灾害救援中，蜂群无人机快速构建灾情模型，投送物资，恢复通信，搭载设备支持夜间搜救，提高救援效率。6.3.1蜂群无人机车辆与道路基础设施信息交互，车辆实时共享位置、速度等信息，道路设施提供路况信息，车辆提前决策，优化交通流量。车路协同系统顺丰、菜鸟裹裹等企业整合海量数据，运用蚁群优化等算法，综合考虑多种因素，实现配送路径智能规划，降低成本，提高效益。物流运输优化6.3.2交通与物流优化工业