群智能導論

辛斌，北京理工大學自動化學院教授，博士生導師，2000年-2004年：北京理工大學，信息工程專業，本科 2004年-2012年：北京理工大學，模式識別與智能系統專業，碩博連讀 2011年-2012年，赴英國曼徹斯特大學交流訪問一年 2012年7月-2015年７月：北京理工大學自動化學院，講師 2015年7月-2018年7月：北京理工大學自動化學院，副教授 2017年1月-至今：博士生導師 2018年8月至今：北京理工大學自動化學院，教授

 

 

目錄

第1 章群體智能概述1

1.1 群體智能的概念1

1.2 復雜性、適應性與湧現性4

1.2.1 復雜性4

1.2.2 適應性7

1.2.3 湧現性9

1.3 社會性、交互性、自組織與分布式10

1.3.1 群體智能勞動分工下的社會性11

1.3.2 群體智能的協同、協作、協商與協調12

1.3.3 群體智能相互作用的顯著特征13

1.4 群體智能湧現的要素與條件14

1.4.1 個體之間的智能水平15

1.4.2 交互與信息拓撲結構15

1.4.3 群體中的組織結構15

1.4.4 自然選擇的環境壓力16

1.5 群體智能的基本形態16

1.5.1 群體智能算法17

1.5.2 群體智能系統18

1.6 群體智能研究的歷史、現狀與趨勢20

1.7 本章小結23

1.8 習題25

第2 章基於群體智能的尋優算法26

2.1 最優化問題概述26

2.1.1 最優化問題三要素及其一般化表示26

2.1.2 最優化問題與其他問題的關聯27

2.1.3 最優化問題的分類27

2.2 尋優算法的一般框架28

2.2.1 基於采樣的尋優思想29

2.2.2 候選解30

2.2.3 基於群體智能的尋優算法30

2.3 群智能尋優算法一：蟻群優化算法32

2.3.1 蟻群優化算法的基本原理32

2.3.2 蟻群優化算法的基本流程33

2.3.3 蟻群優化算法的改進36

2.3.4 蟻群優化算法的典型應用37

2.3.5 拓展閱讀38

2.4 群智能尋優算法二：粒子群優化算法39

2.4.1 粒子群優化算法的基本原理39

2.4.2 粒子群優化算法的基本流程40

2.4.3 粒子群優化算法的改進43

2.4.4 粒子群優化算法的應用44

2.4.5 拓展閱讀44

2.5 本章小結45

2.6 習題45

第3 章多智能體系統的智能搜索47

3.1 多智能體協同搜索問題概述47

3.1.1 問題背景47

3.1.2 多智能體協同搜索問題的一般化模型49

3.2 多智能體協同搜索算法的一般框架50

3.2.1 分布式自組織的基本原理50

3.2.2 多智能體協同搜索算法設計的一般步驟51

3.2.3 協同搜索算法的分布式實現方式53

3.3 規則驅動的分布式協同搜索目標算法53

3.3.1 系統建模與環境描述54

3.3.2 基於規則的協同搜索行為表示方式54

3.3.3 基於蟻群優化算法的分布式搜索55

3.3.4 基於多情景仿真評估的規則優化方法58

3.3.5 拓展閱讀59

3.4 基於強化學習的分布式協同覆蓋搜索算法59

3.4.1 強化學習基本概念59

3.4.2 強化學習在協同搜索中的應用60

3.4.3 拓展閱讀63

3.5 本章小結64

3.6 習題65

第4 章基於群體智能的蜂擁問題67

4.1 多智能體蜂擁行為特點67

4.1.1 群體智能的基本概念67

4.1.2 蜂擁行為的特性69

4.1.3 蜂擁行為的典型應用71

4.2 多智能體蜂擁行為交互72

4.2.1 度量交互73

4.2.2 拓撲交互74

4.2.3 配對交互75

4.3 多智能體蜂擁控制與編隊76

4.3.1 多智能體蜂擁控制算法概述76

4.3.2 蜂擁控制策略77

4.3.3 編隊控制算法與隊形重構81

4.4 本章小結86

4.5 習題87

第5 章集群機器人形狀生成89

5.1 集群機器人形狀生成問題89

5.1.1 集群機器人概述89

5.1.2 形狀生成問題基本概念91

5.1.3 形狀生成問題的難點92

5.2 集群機器人形狀生成方法93

5.2.1 模型建立93

5.2.2 方法概述94

5.2.3 實際案例101

5.2.4 拓展閱讀108

5.3 集群機器人形狀保持方法109

5.3.1 基本概念109

5.3.2 問題分析及模型描述110

5.3.3 形狀保持控制方案與機制112

5.3.4 實際案例115

5.3.5 問題與挑戰119

5.4 本章小結120

5.5 習題121

第6 章基於群體智能的分布式博弈對抗123

6.1 博弈對抗基礎123

6.1.1 博弈論的理論基礎123

6.1.2 圍捕問題的博弈對抗模型129

6.1.3 假設引導131

6.1.4 強化學習基礎介紹132

6.2 對抗策略生成136

6.2.1 環境建模與對抗任務描述136

6.2.2 策略表示與學習框架138

6.2.3 對策推理與決策機制140

6.2.4 策略執行與適應145

6.3 對抗策略優化146

6.3.1 基於博弈論的優化方法146

6.3.2 基於強化學習的多智能體博弈148

6.3.3 實例152

6.3.4 拓展閱讀153

6.4 本章小結154

6.5 習題154

參考文獻156