群體智能（英文版）

Contents

part one Foundations

chapter one　Models and Concepts of Life and Intelligence　3

The Mechanics of Life and Thought　4

Stochastic Adaptation: Is Anything Ever Really Random"para" label-module="para">

The “Two Great Stochastic Systems”　12

The Game of Life: Emergence in Complex Systems　16

The Game of Life　17

Emergence　18

Cellular Automata and the Edge of Chaos　20

Artificial Life in Computer Programs　26

Intelligence: Good Minds in People and Machines　30

Intelligence in People: The Boring Criterion　30

Intelligence in Machines: The Turing Criterion　32

chapter two　Symbols, Connections, and Optimization by Trial and Error　35

Symbols in Trees and Networks　36

Problem Solving and Optimization　48

A Super-Simple Optimization Problem　49

Three Spaces of Optimization　51

Fitness Landscapes　52

High-Dimensional Cognitive Space and Word Meanings　55

Two Factors of Complexity: NK Landscapes　60

Combinatorial Optimization　64

Binary Optimization　67

Random and Greedy Searches　71

Hill Climbing　72

Simulated Annealing　73

Binary and Gray Coding　74

Step Sizes and Granularity　75

Optimizing with Real Numbers　77

Summary　78

chapter three　On Our Nonexistence as Entities: The Social Organism　81

Views of Evolution　82

Gaia: The Living Earth　83

Differential Selection　86

Our Microscopic Masters"para" label-module="para">

Looking for the Right Zoom Angle　92

Flocks, Herds, Schools, and Swarms: Social Behavior as Optimization　94

Accomplishments of the Social Insects　98

Optimizing with Simulated Ants: Computational Swarm Intelligence　105

Staying Together but Not Colliding: Flocks, Herds, and Schools　109

Robot Societies　115

Shallow Understanding　125

Agency　129

Summary　131

chapter four　Evolutionary Computation Theory and Paradigms　133

Introduction　134

Evolutionary Computation History　134

The Four Areas of Evolutionary Computation　135

Genetic Algorithms　135

Evolutionary Programming　139

Evolution Strategies　140

Genetic Programming　141

Toward Unification　141

Evolutionary Computation Overview　142

EC Paradigm Attributes　142

Implementation　143

Genetic Algorithms　146

An Overview　146

A Simple GA Example Problem　147

A Review of GA Operations　152

Schemata and the Schema Theorem　159

Final Comments on Genetic Algorithms　163

Evolutionary Programming　164

The Evolutionary Programming Procedure　165

Finite State Machine Evolution　166

Function Optimization　169

Final Comments　171

Evolution Strategies　172

Mutation　172

Recombination　174

Selection　175

Genetic Programming　179

Summary　185

chapter five　Humans—Actual, Imagined, and Implied　187

Studying Minds　188

The Fall of the Behaviorist Empire　193

The Cognitive Revolution　195

Bandura’s Social Learning Paradigm　197

Social Psychology　199

Lewin’s Field Theory　200

Norms, Conformity, and Social Influence　202

Sociocognition　205

Simulating Social Influence　206

Paradigm Shifts in Cognitive Science　210

The Evolution of Cooperation　214

Explanatory Coherence　216

Networks in Groups　218

Culture in Theory and Practice　220

Coordination Games　223

The El Farol Problem　226

Sugarscape　229

Tesfatsion’s ACE　232

Picker’s Competing-Norms Model　233

Latané’s Dynamic Social Impact Theory　235

Boyd and Richerson’s Evolutionary Culture Model　240

Memetics　245

Memetic Algorithms　248

Cultural Algorithms　253

Convergence of Basic and Applied Research　254

Culture—and Life without It　255

Summary　258

chapter six　Thinking Is Social　261

Introduction　262

Adaptation on Three Levels　263

The Adaptive Culture Model　263

Axelrod’s Culture Model　265

Experiment One: Similarity in Axelrod’s Model　267

Experiment Two: Optimization of an Arbitrary Function　268

Experiment Three: A Slightly Harder and More Interesting Function　269

Experiment Four: A Hard Function　271

Experiment Five: Parallel Constraint Satisfaction　273

Experiment Six: Symbol Processing　279

Discussion　282

Summary　284

part two　The Particle Swarm and Collective Intelligence

chapter seven　The Particle Swarm　287

Sociocognitive Underpinnings: Evaluate, Compare, and Imitate　288

Evaluate　288

Compare　288

Imitate　289

A Model of Binary Decision　289

Testing the Binary Algorithm with the De Jong Test Suite　297

No Free Lunch　299

Multimodality　302

Minds as Parallel Constraint Satisfaction Networks in Cultures　307

The Particle Swarm in Continuous Numbers　309

The Particle Swarm in Real-Number Space　309

Pseudocode for Particle Swarm Optimization in Continuous Numbers　313

Implementation Issues　314

An Example: Particle Swarm Optimization of Neural Net Weights　314

A Real-World Application　318

The Hybrid Particle Swarm　319

Science as Collaborative Search　320

Emergent Culture, Immergent Intelligence　323

Summary　324

chapter eight　Variations and Comparisons　327

Variations of the Particle Swarm Paradigm　328

Parameter Selection　328

Controlling the Explosion　337

Particle Interactions　342

Neighborhood Topology　343

Substituting Cluster Centers for Previous Bests　347

Adding Selection to Particle Swarms　353

Comparing Inertia Weights and Constriction Factors　354

Asymmetric Initialization　357

Some Thoughts on Variations　359

Are Particle Swarms Really a Kind of Evolutionary Algorithm"para" label-module="para">

Evolution beyond Darwin　362

Selection and Self-Organization　363

Ergodicity: Where Can It Get from Here"para" label-module="para">

Convergence of Evolutionary Computation and Particle Swarms　367

Summary　368

chapter nine　Applications　369

Evolving Neural Networks with Particle Swarms　370

Review of Previous Work　370

Advantages and Disadvantages of Previous Approaches　374

The Particle Swarm Optimization Implementation Used Here　376

Implementing Neural Network Evolution　377

An Example Application　379

Conclusions　381

Human Tremor Analysis　382

Data Acquisition Using Actigraphy　383

Data Preprocessing　385

Analysis with Particle Swarm Optimization　386

Summary　389

Other Applications　389

Computer Numerically Controlled Milling Optimization　389

Ingredient Mix Optimization　391

Reactive Power and Voltage Control　391

Battery Pack State-of-Charge Estimation　391

Summary　392

chapter ten　Implications and Speculations　393

Introduction　394

Assertions　395

Up from Social Learning: Bandura　398

Information and Motivation　399

Vicarious versus Direct Experience　399

The Spread of Influence　400

Machine Adaptation　401

Learning or Adaptation"para" label-module="para">

Cellular Automata　403

Down from Culture　405

Soft Computing　408

Interaction within Small Groups: Group Polarization　409

Informational and Normative Social Influence　411

Self-Esteem　412

Self-Attribution and Social Illusion　414

Summary　419

chapter eleven　And in Conclusion . . .　421

Appendix A Statistics for Swarmers　429

Appendix B Genetic Algorithm Implementation　451

Glossary　457

References　475

Index　4972100433B

群體智能是通過模擬自然界生物群體行為來實現(xiàn)人工智能的一種方法。本書綜合運用認(rèn)知科學(xué)、社會心理學(xué)、人工智能和演化計算等學(xué)科知識，提供了一些非常有價值的新見解，并將這些見解加以應(yīng)用，以解決困難的工程問題。書中首先探討了基礎(chǔ)理論，然后詳盡展示如何將這些理論和模型應(yīng)用于新的計算智能方法(粒子群)中，以適應(yīng)智能系統(tǒng)的行為，**后描述了應(yīng)用粒子群優(yōu)化算法的好處，提供了強有力的優(yōu)化、學(xué)習(xí)和問題解決的方法。

本書主要面向計算機相關(guān)學(xué)科的高年級本科生或研究生以及相關(guān)領(lǐng)域的研究與開發(fā)技術(shù)人員。

群體智能是發(fā)展迅速的人工智能學(xué)科領(lǐng)域。通過研究分散、自組織的動物群體和人類社會的智能行為，學(xué)者們提出了許多迥異于傳統(tǒng)思路的智能算法，很好地解決了不少原來非常棘手的復(fù)雜工程問題。與蟻群算法齊名的粒子群優(yōu)化（particle swarm optimizatiotl，簡稱PSO）算法就是其中最受矚目、應(yīng)用最為廣泛的成果之一。

《群體智能》由粒子群優(yōu)化算法之父撰寫，是該領(lǐng)域毋庸置疑的經(jīng)典著作。作者提出，人類智能來源于社會環(huán)境中個體之間的交互，這種智能模型可以有效地應(yīng)用到人工智能系統(tǒng)中去。書中首先從社會心理學(xué)、認(rèn)知科學(xué)和演化計算等多個角度闡述了這種新方法的基礎(chǔ)，然后詳細(xì)說明了應(yīng)用這些理論和模型所得出的新的計算智能方法——粒子群優(yōu)化，進(jìn)而深入地探討了如何將粒子群優(yōu)化應(yīng)用于廣泛的工程問題。

《群體智能》的C及ViSLlaI Basic源代碼可以在圖靈網(wǎng)站《群體智能》網(wǎng)頁免費注冊下載。

“本書內(nèi)容豐富，富于啟發(fā)性和思想性，強烈推薦給所有的演進(jìn)計算研究人員?！?

——Genetic Programming and Evolvable'Machines

“這本書極為出色，不愧為PSO和群體智能的最佳參考書：”

——Konstantions E.Parsopoulos 希臘Palras大學(xué)

第1章 群體智能算法概述 1

1.1 群體智能算法的特點 1

1.1.1 智能性 1

1.1.2 隱含本質(zhì)并行性 2

1.1.3 解的近似性 2

1.2 群體智能算法的計算模式 2

1.2.1 社會協(xié)作機制 3

1.2.2 自我適應(yīng)機制 3

1.2.3 競爭機制 4

1.3 遺傳算法 4

1.3.1 標(biāo)準(zhǔn)遺傳算法原理 5

1.3.2 編碼機制與主要算子 7

1.4 差異演化算法 8

1.5 粒子群算法 10

1.5.1 粒子群算法的原理 10

1.5.2 PSO算法的計算模型 11

1.6 教—學(xué)優(yōu)化算法 13

1.7 顧問引導(dǎo)搜索算法 13

1.8 本章小結(jié) 15

參考文獻(xiàn) 16

第2章 人工魚群算法 18

2.1 人工魚群算法的數(shù)學(xué)模型 18

2.2 人工魚群算法的收斂性分析 21

2.2.1 常用距離 21

2.2.2 基于Markfov鏈技術(shù)的收斂性分析 22

2.2.3 基于壓縮映射定理的收斂性分析 25

2.3 人工魚群算法的相關(guān)研究 26

2.3.1 參數(shù)的改進(jìn) 27

2.3.2 與其他智能算法的融合 28

2.3.3 其他的改進(jìn)方法 29

2.4 本章小結(jié) 32

參考文獻(xiàn) 32

第3章 人工魚群算法的改進(jìn)研究 34

3.1 小生境人工魚群算法 34

3.1.1 小生境技術(shù) 34

3.1.2 算法實現(xiàn) 36

3.1.3 算法的收斂性 36

3.1.4 仿真實驗與分析 38

3.1.5 結(jié)論 40

3.2 自適應(yīng)人工魚群算法 40

3.2.1 參數(shù)自適應(yīng)機制 40

3.2.2 算法實現(xiàn) 42

3.2.3 仿真實驗與分析 42

3.2.4 結(jié)論 44

3.3 基于種群分類的人工魚群算法 44

3.3.1 種群分類思想及設(shè)置 45

3.3.2 算法實現(xiàn) 46

3.3.3 仿真實驗與分析 47

3.3.4 結(jié)論 50

3.4 混和反向?qū)W習(xí)人工魚群算法 50

3.4.1 反向?qū)W習(xí) 50

3.4.2 佳點集 51

3.4.3 人工魚群算法的改進(jìn)機制 51

3.4.4 仿真實驗與分析 54

3.4.5 結(jié)論 59

3.5 精英競爭人工魚群算法 59

3.5.1 基于動態(tài)隨機搜索的精英訓(xùn)練 59

3.5.2 算法實現(xiàn) 60

3.5.3 仿真實驗與分析 61

3.5.4 結(jié)論 67

3.6 隨機游走人工魚群算法 67

3.6.1 Lévy Flight機制 67

3.6.2 算法改進(jìn)思想 68

3.6.3 算法實現(xiàn) 69

3.6.4 仿真實驗與分析 70

3.6.5 結(jié)論 72

3.7 混合群搜索人工魚群算法 73

3.7.1 標(biāo)準(zhǔn)群搜索優(yōu)化算法 73

3.7.2 群搜索優(yōu)化算法的改進(jìn) 75

3.7.3 混合群搜索人工魚群算法 77

3.7.4 仿真實驗與分析 78

3.7.5 結(jié)論 81

3.8 本章小結(jié) 81

參考文獻(xiàn) 82

第4章 煙花爆炸優(yōu)化算法及改進(jìn) 83

4.1 煙花爆炸優(yōu)化算法 83

4.2 混沌煙花爆炸優(yōu)化算法 86

4.2.1 混沌搜索算法 86

4.2.2 算法實現(xiàn) 87

4.2.3 仿真實驗與分析 87

4.2.4 結(jié)論 91

4.3 混合動態(tài)搜索煙花爆炸優(yōu)化算法 91

4.3.1 算法實現(xiàn) 91

4.3.2 仿真實驗與分析 92

4.3.3 結(jié)論 96

4.4 混合反向?qū)W習(xí)煙花爆炸優(yōu)化算法 96

4.4.1 精英反向?qū)W習(xí) 96

4.4.2 基于模擬退火機制的種群選擇 97

4.4.3 算法實現(xiàn) 97

4.4.4 仿真實驗與分析 98

4.4.5 結(jié)論 102

4.5 隨機游走煙花爆炸優(yōu)化算法 102

4.5.1 基于隨機游走機制的變異算子 103

4.5.2 基于Boltzmann 子個體選擇 103

4.5.3 算法實現(xiàn) 104

4.5.4 仿真實驗與分析 105

4.5.5 結(jié)論 109

4.6 本章小結(jié) 109

參考文獻(xiàn) 109

第5章 群體智能算法的應(yīng)用 110

5.1 物流配送中的車輛調(diào)度問題 110

5.1.1 問題的提出 110

5.1.2 組合優(yōu)化 111

5.1.3 車輛調(diào)度問題的數(shù)學(xué)模型 111

5.1.4 求解VRP的混合人工魚群遺傳算法 112

5.1.5 仿真實驗結(jié)果 113

5.2 求解SVM反問題的差異演化算法 113

5.2.1 問題的提出 113

5.2.2 差異演化算法的設(shè)計 114

5.2.3 差異演化算法的改進(jìn) 114

5.2.4 仿真實驗結(jié)果 116

5.3 求解聚類問題的人工魚群算法 118

5.3.1 聚類模型 118

5.3.2 算法的設(shè)計 119

5.3.3 算法實現(xiàn) 120

5.3.4 仿真實驗結(jié)果 121

5.4 求解測試用例自動化問題的人工魚群算法 123

5.4.1 路徑測試模型 123

5.4.2 混沌搜索 125

5.4.3 算法的設(shè)計 125

5.4.4 仿真實驗結(jié)果 127

5.5 求解關(guān)聯(lián)規(guī)則挖掘的差異演化算法 129

5.5.1 規(guī)則挖掘 129

5.5.2 算法的設(shè)計 131

5.5.3 仿真實驗結(jié)果 133

5.6 求解特征選擇的人工魚群算法 136

5.6.1 特征選擇 136

5.6.2 算法的設(shè)計 136

5.6.3 仿真實驗結(jié)果 137

5.7 求解網(wǎng)絡(luò)安全態(tài)勢預(yù)測的人工魚群算法 139

5.7.1 網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型 140

5.7.2 算法的設(shè)計 141

5.7.3 仿真實驗結(jié)果 143

5.8 求解圖像邊緣檢測的遺傳算法 146

5.8.1 數(shù)字圖像邊緣 146

5.8.2 Sobel邊緣檢測算子 148

5.8.3 面向圖像邊緣檢測的遺傳算法 149

5.8.4 仿真實驗結(jié)果 151

5.8.5 結(jié)論 155

5.9 本章小結(jié) 155

參考文獻(xiàn) 157

第6章 總結(jié)與展望 159 2100433B