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．     

基于多Agent的混合智能学习算法及

本文提出了基于多Agent的混合智能学习算法，将个体学习和群体学习有效地结合起来，并给出了该算法在RoboCup足球机器人仿真系统中的具体应用．实验结果表明了算法的可行性与有效性．     

群体机器人研究的现状和发展

随着机器人的应用方式由部件式单元应用向系统式应用方向发展，群体机器人系统的研究越来越多受到更多学者的重视。本文概述了群体机器人技术的发展历程，并对该领域内的主要研究内容作了简单的分析和介绍，提出了未来群体机器人系统的几个重要的研究方向。     

群体机器人合作觅食任务数学模型的建立与分析

群体机器人系统的数学模型可以预测系统的群体行为，能够在设计系统硬件或开发仿真程序之前，分析个体特征对群体行为的影响，以指导个体控制策略的改进。本文提出群体机器人合作觅食任务的数学模型。该数学模型由微分比率方程组构成，能够描述合作觅食任务群体行为的动态特征。仿真实验表明，数学模型的预测结果与仿真实验数据可以较好的拟合。     

群体智能研究综述

群体智能利用群体的优势,在没有集中控制、不提供全局模型的前提下,为寻找复杂问题的解决方案提供了新的思路。首先阐述了群体智能的研究现状,包括典型的蚂蚁群优化算法、粒子群优化算法、群体机器人以及算法的应用。在此基础上,对今后的研究趋势进行了分析和展望：对群体智能系统底层机制的研究以及群体机器人的研究将是今后研究的重点,具有重大意义和广阔前景。     

基于IEEE1451的机器人网络感知系统研究

机器人所需要的多种传感器和执行器的兼容与接口问题日益突出．为降低建立和维护机器人感知系统的成本与复杂度，提高可靠性，本文基于智能化、网络化的设计思想．借助IEEE 1451智能变送器接口标准和现场总线技术，搭建了一个分布式、开放的机器人网络化感知系统。并针对传感器即插即用和传感器静、动态标定与性能评估等需求，详细介绍了感知系统的软硬件构成与网络接口设计。实测结果表明，系统运行稳定，实时性良好，为机器人实现更高级智能，完成更复杂任务提供了一个可靠的平台。     

群体机器人研究的现状和发展

随着机器人的应用方式由部件式单元应用向系统式应用方向发展,群体机器人系统的研究越来越受到更多学者的重视。本文概述了群体机器人技术的发展历程,并对该领域内的主要研究内容作了简单的分析和介绍,提出了未来群体机器人系统的几个重要研究方向。     

机器人群体协作与控制的研究

本文针对多机器人系统,从群体的角度探讨多机器人协作、运行及控制机理. 包括 机器人群体协作与机器人社会的概念、应用背景,以及机器人群体协作与机器人社会系统的 研究目的、研究内容等,以建立机器人群体协作及控制研究的框架．     

生物交哺行为启发的群体机器人搜集行为研究

为了提高群体机器人系统的整体性能,受生物系统中普遍存在的交哺现象的启发,在原来多机器人系统的基本行为的基础上,提出了一种引入交哺行为的多机器人协作机制。机器人依靠有限的感知能力和局部交互功能,以自组织方式执行目标搜集任务。机器人的内部状态变量反映其执行任务的情况以及对环境和其他机器人的评价。比较机器人的内部状态变量,可以判断是否需要交哺和交哺的方向性。主要目的是减少机器人之间的冲突,降低系统能量消耗的同时,提高机器人搜集目标的效率。最后通过计算机仿真实验以及与其他多机器人协作方法比较,分析该方法对提高系统性能的有效性。     

多机器人任务分配的研究与进展

从多机器人任务分配的类型、任务分配方法、任务的死锁与解除以及各种任务分配算法的对比等4个方面,对多机器人任务分配的最新研究进展进行了概述.分析了多机器人任务分配的发展趋势,指出动态环境和未知环境下大规模异构机器人任务分配问题的研究是必然趋势,在众多研究方法中,群体智能方法是解决该类问题的未来研究方向.     

集群机器人研究综述

首先,给出了集群机器人的定义与基本特征,概括了相对于传统多机器人控制方法的优势.然后,总结了集群机器人的主要设计与分析方法.将集群机器人研究归纳为空间组织、集群导航、集群决策以及其他集群行为等4类,综述了各类别近十年的主要研究成果.最后,分析总结了当前集群机器人研究面临的挑战与关键科学问题,并对未来发展方向进行了展望.     

群智能理论及应用研究

群智能是一种由无智能或简单智能的个体通过任何形式的聚集协同而表现出智能行为。它为在没有集中控制且不提供全局模型的前提下寻找复杂的分布式问题求解方案提供了基础。目前,群智能已成为有别于传统人工智能中连接主义、行为主义和符号主义的一种新的关于智能的描述方法。论文对群智能理论的起源背景、发展及应用作了系统阐述,并对群智能与一般演化计算的异同作了深入分析。     

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。     

Chaotic dynamic characteristics in swarm intelligence

Swarm intelligence (SI) is an innovative distributed intelligent paradigm whereby the collective behaviors of unsophisticated individuals interacting locally with their environment cause coherent functional global patterns to emerge. The intelligence emerges from a chaotic balance between individuality and sociality. The chaotic balances are a characteristic feature of the complex system. This paper investigates the chaotic dynamic characteristics in swarm intelligence. The swarm intelligent model namely the particle swarm (PS) is represented as an iterated function system (IFS). The dynamic trajectory of the particle is sensitive on the parameter values of IFS. The Lyapunov exponent and the correlation dimension are calculated and analyzed numerically for the dynamic system. Our research results illustrate that the performance of the swarm intelligent model depends on the sign of the maximum Lyapunov exponent. The particle swarm with a high maximum Lyapunov exponent usually achieves better performance, especially for multi-modal functions.     

群智能在多智能体系统中的应用研究进展

群智能算法是受群居性昆虫群体的集体行为启发而设计的分布式问题求解方法,将它应用到多智能体系统,旨在提高系统的鲁棒性、灵活性和自适应性。以群智能在多智能体系统中的应用为线索,首先介绍群智能的核心机制,然后从多智能体系统通信机制、协作技术、学习问题及体系结构建立这几个方面总结群智能理论在多智能体系统中的已有工作。最后分析和讨论了群智能方法在多智能体系统应用中存在的问题,并提出今后的工作展望。     

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.     

Swarm intelligence based routing protocol for wireless sensor networks: Survey and future directions

Swarm intelligence is a relatively novel field. It addresses the study of the collective behaviors of systems made by many components that coordinate using decentralized controls and self-organization. A large part of the research in swarm intelligence has focused on the reverse engineering and the adaptation of collective behaviors observed in natural systems with the aim of designing effective algorithms for distributed optimization. These algorithms, like their natural systems of inspiration, show the desirable properties of being adaptive, scalable, and robust. These are key properties in the context of network routing, and in particular of routing in wireless sensor networks. Therefore, in the last decade, a number of routing protocols for wireless sensor networks have been developed according to the principles of swarm intelligence, and, in particular, taking inspiration from the foraging behaviors of ant and bee colonies. In this paper, we provide an extensive survey of these protocols. We discuss the general principles of swarm intelligence and of its application to routing. We also introduce a novel taxonomy for routing protocols in wireless sensor networks and use it to classify the surveyed protocols. We conclude the paper with a critical analysis of the status of the field, pointing out a number of fundamental issues related to the (mis) use of scientific methodology and evaluation procedures, and we identify some future research directions.     

一种基于群体智能的Web文档聚类算法

将群体智能聚类模型运用于文档聚类，提出了一种基于群体智能的Web文档聚类算法，首先运用向量空间模型表示Web文档信息，采用常规方法如消除无用词和特征词条约简法则得到文本特征集，然后将文档的向量随机分布到一个平面上，运用基于群体智能的聚类方法进行文档聚类，最后从平面上采用递归算法收集聚类结果，为了改善算法的实用性，将原算法与k均值算法结合提出一种混合聚类算法，通过实验比较，结果表明基于群体智能的Web文档聚类算法具有较好的聚类特性，它能将与一个主题相关的Web文档较完全而准确地聚成一类。     

群智能自组织劳动分工研究进展

群智能是指众多行为简单的个体在相互作用过程中涌现产生的整体智能行为,劳动分工是其最重要特征之一.本文首先根据个体与个体、个体与环境的交互模式,给出群智能劳动分工的一个框架描述,分析其个体专职化、角色可塑性和自组织等特性.然后从自组织的角度对激发-抑制、刺激-响应、个体排序和寻觅工作等四类劳动分工模型进行对比分析,旨在归纳提炼群智能自组织劳动分工模型的构建规律.进而结合群智能自组织劳动分工的应用情况,针对其适用范围和求解思路进行了评述和讨论.最后从劳动分工机制、劳动分工模型、分配问题求解和优化问题求解四个方面展望了群智能自组织劳动分工的发展前景.     

Computational Collective Intelligence with Big Data: Challenges and Opportunities

Collective intelligence has been an important research topic in many AI communities. With The big data phenomenon, we have been facing on many research problems on how to integrate the big data with collective intelligence. This special issue has selected 9 high quality papers covering various research issues.