基于群体智能理论的聚类模型及优化算法

聚类是一种把整个数据库分成不同的群组，使群与群之间差别很明显，而同一个群之间的数据尽量相似的算法。该文通过对现有群体智能理论和聚类算法的研究，提出了一种基于群体智能理论的聚类模型，并在此基础上给出了一种优化蚁群聚类算法。实验证明，该优化蚁群算法具有良好的聚类效果，可应用于经济分析、模式识别、文档归类等多个领域。     

粒子群优化算法研究综述

粒子群优化算法是一类基于群体智能的启发式全局优化技术，群体中的每一个微粒代表待解决问题的一个候选解，算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理．给出了多种改进形式以及研究现状，并提出了未来可能的研究方向。     

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。     

粒子群优化算法研究与发展

粒子群优化算法是一类基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理,并通过建立记忆表,详尽描述了粒子群优化算法中个体极优和全局极优的搜寻求解过程。同时,本文还给出了多种改进形式以及研究现状,并提出了未来可能的研究方向。     

受生物群体智能启发的多机器人系统研究

首先，介绍了生物社会中的群体智能．接着，讨论了群体机器人技术中的群体控制、群体通信和群体形态等主要研究内容及其发展趋势，并介绍了群体机器人系统的几个典型任务环境．最后，通过一个物体搜集任务的仿真实例来说明群体智能设计原则在多机器人系统中的应用．     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法，其概念简单、易于实现，而且具有良好的优化性能，目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时，算法易陷入局部最优。该文结合模拟退火算法的思想，提出了一种改进的微粒群优化算法——随机微粒群优化算法，该算法在运行初期具有更强的探索能力，可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明，与基本微粒群优化算法相比，该混合算法具有更好的优化性能。     

一种基于竞争型群体优化的数据聚类方法

数据聚类在智能信息处理中具有非常重要的作用。传统的数据聚类方法，如K-means算法，存在对初始聚类中心敏感等问题。随着智能优化算法的发展，人们用智能优化算法进行数据聚类取得了一定的效果，但存在容易陷入局部最优等问题。为此，本文将在高维优化问题中取得良好效果的竞争型群体优化算法中引入数据聚类，利用竞争型群体优化算法强大的全局探索能力搜索聚类中心进行数据聚类，在UCI的5个数据集上的实验结果表明竞争型群体优化算法比遗传算法、粒子群算法不仅能得到更好的聚类效果，而且收敛性能更好。     

微粒群优化算法的研究

粒子群优化(PSO)算法是一种启发式全局优化技术,一种基于群智能的演化计算方法,其源于鸟群群体运动行为的研究,算法通过粒子问的相互作用发现复杂搜索空间中的最优区域.PSO的优势在于简单容易实现而又功能强大.分析了粒子群优化算法的基本原理,给出了多种改进形式以及研究现状和发展情况,并提出了未来可能的研究方向.     

群体智能优化算法

群体智能优化算法利用群体的优势,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基础。介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率。     

解决多目标优化问题的几种进化算法的比较研究

进化算法具有适于解决多目标优化问题的特性,近来一直用于求解此类问题。群体智能优化算法是一种基于群体智能的进化算法,通过简单个体的交互表现出高度智能,大大增强了解决和处理优化问题的能力。分析了遗传算法、粒子群算法和混洗蛙跳算法的具体流程,比较了这三种进化算法的优劣。     

群体智能中的知识涌现与复杂适应性问题综述研究

阐述了群体智能的相关概念，分析了群体智能中的自恢复、间接通信和进化学习等特点;对群体智能中的知识涌现现象进行了研究，对智能的本质问题进行了探讨．将群体智能系统与复杂适应性系统进行了联系和对比，提出了群体系统是一种复杂适应性系统的观点．介绍了几个典型的实验模型．最后，在总结群体智能局限性的基础上，提出了系统智能的观点，并对群体智能的意义和发展趋势进行了简单的总结．     

群体智能算法及其在信息安全中的应用探索

由于其在解决复杂问题尤其是NP难问题上的优势,群体智能算法一经提出,就备受关注。在动物行为的启发下,目前已经设计出了包括蚁群、粒子群、蜂群、人工鱼群等一系列算法。同时,这些算法也已被广泛运用到金融管理、交通运输、信息科学、航天工程、航海领域等各个工程领域。本文则将重点探索群智能算法在网络空间安全方面的潜在应用。首先简单回顾了几种典型的群体智能算法,接着分析了它们在密码学、网络入侵检测等分支中的可能应用,希望能够借助这些最优算法解决网络空间安全方面的一些基础问题,特别是那些与复杂巨系统相关的问题。     

基于群体智能框架理念的遗传算法总体模式描述

在各类群体智能算法中，不同的智能体群往往具有不同的外在表现形式，但他们所表现出来的智能计算模式具有相对的统一性．为了验证这一理念并从宏观的视角来研究群体智能理论，对群体智能中各类智能计算模式进行总结提炼，提出了群体智能计算的一种内在统一的总体框架模型，并以遗传算法为例加以具体论述与验证，给出了基于群体智能框架理念的遗传算法总体模式描述．     

群智能算法应用于MAS系统协作的探讨

多智能体系统(MAS)理论是目前人工智能领域的热点问题之一,群智能算法是一种并行式问题求解方法.就如何将群智能方法引入MAS研究中进行了探讨.首先对MAS理论的研究现状和发展趋势进行调研,综合考虑MAS中需要解决的问题和群智能算法的优点,认为两者具有结合应用的可行性.然后具体针对MAS协作方法研究中的通信瓶颈、意图解释机制、冲突消解等几类问题进行重点讨论和分析,就如何应用群智能算法进行了探讨,提出了初步的解决要点.     

一种基于模式搜索算子的人工萤火虫优化算法

人工萤火虫算法是群智能领域近年出现的一个新的研究方向,该算法已在复杂函数优化方面取得了成功,但也存在着易陷入局部极小且进化后期收敛速度慢等问题.而模式搜索具有很强的搜索能力,但其搜索结果的好坏在很大程度上依赖于初始点的选择.结合两者的优缺点,提出一种基于搜索算子的人工萤火虫算法.该算法在人工萤火虫算法全局搜索过程中融入模式搜索法,改进人工萤火虫算法全局搜索和局部搜索能力.仿真实验结果表明,该算法收敛速度和解的精度显著地提高,是求解函数优化问题的一种可行和有效的方法.     

编译群体智能系统应用程序:以全分布式智能建筑系统为例

群体智能系统通过邻居个体的信息交互实现群体级别的应用任务,具有良好的鲁棒性和灵活性.与此同时,大多数开发人员难以对分布式、并行的个体交互机制进行描述.一些高级语言允许用户以串行思维方式、从系统全局角度来编程并行的群体智能计算任务,而无需考虑通信协议、数据分布等底层交互细节.但面向用户、全局声明式的群体智能系统应用程序与个体并行执行逻辑存在的巨大语义差距,使得编译过程复杂进而导致应用程序开发效率不高.本文提出了一个编译系统及其支撑工具,支持将高级的群体智能系统应用程序转换为安全、高效的分布式实现.该编译系统通过并行信息识别,计算划分,交互信息生成技术,将面向系统全局、串行编程的群体智能应用程序编译为面向个体独立执行的并行目标代码,从而使用户不必了解个体间的复杂交互机制.设计了一种标准化中间表示,将复杂群体智能计算任务转换为群体智能算子和输入输出变量组合而成的标准化语义模块序列,其以独立于平台的形式表示源程序信息,屏蔽了目标硬件平台的异构性.在一个群体智能系统案例平台中部署和测试了该编译系统,结果表明该系统能够有效将群体智能应用程序编译为平台可执行的目标代码并提升应用程序开发效率,其生成的代码在一系列基准测试中具有比现有编译器更好的性能.     

混合量子粒子群图像分割算法IS-MQPS

基于群智能的图像分割技术因其与人类视觉机理相符合,受到人们重视。但是,现有群体模型存在的对参数取值敏感和易收敛于局部极值等问题,制约了群智能技术在复杂图像分割中的应用。首先定义了基于群智能图像分割的抽象模型,然后将通用量子粒子模型GQPM引进图像分割,提出了混合量子粒子群图像分割算法IS-MQPS。IS-MQPS算法以量子粒子携带灰度和坐标信息,以纠缠量子态定义群体行为规则,以混合量子粒子群的自组织聚类实现图像分割。实验表明,IS-MQPS算法具有对噪声不敏感、分割区域意义明确等优点,可应用于复杂图像分割。     

Editorial survey: swarm intelligence for data mining

This paper surveys the intersection of two fascinating and increasingly popular domains: swarm intelligence and data mining. Whereas data mining has been a popular academic topic for decades, swarm intelligence is a relatively new subfield of artificial intelligence which studies the emergent collective intelligence of groups of simple agents. It is based on social behavior that can be observed in nature, such as ant colonies, flocks of birds, fish schools and bee hives, where a number of individuals with limited capabilities are able to come to intelligent solutions for complex problems. In recent years the swarm intelligence paradigm has received widespread attention in research, mainly as Ant Colony Optimization (ACO) and Particle Swarm Optimization (PSO). These are also the most popular swarm intelligence metaheuristics for data mining. In addition to an overview of these nature inspired computing methodologies, we discuss popular data mining techniques based on these principles and schematically list the main differences in our literature tables. Further, we provide a unifying framework that categorizes the swarm intelligence based data mining algorithms into two approaches: effective search and data organizing. Finally, we list interesting issues for future research, hereby identifying methodological gaps in current research as well as mapping opportunities provided by swarm intelligence to current challenges within data mining research.     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。