智能制造技術(shù)鄭重說明課件制作不易，請尊重本課件制作者的知識產(chǎn)權(quán)，本課件僅限教學使用，不得發(fā)布到網(wǎng)上，不能拿來參加教學比賽、申報教學成果等！群體智能發(fā)展概述群體智能是一種共享的或群體的智能,是對現(xiàn)實世界中的群居性生物或人類群體所呈現(xiàn)出的有序群行為的抽象。群體由一組自由個體構(gòu)成,它們遵循簡單的行為規(guī)則,通過個體間的局部通信以及個體與環(huán)境間的交互作用而涌現(xiàn)出自組織特性等集體智能。面對開放環(huán)境下的復(fù)雜系統(tǒng)任務(wù)時,群體智能會超越個體智能。群體智能發(fā)展概述群體智能源于自然界中存在的群集行為。核心思想：群體中的每個個體都遵守一定的行為準則,當它們既遵守這些規(guī)則又相互作用時,就會出現(xiàn)上述的復(fù)雜行為。Craig

Reynolds在1986年提出一個仿真生物群體行為的模型BOLD。1999年,E.Bonabeau和M.Dorigo等人編寫的《群體智能:從自然到人工系統(tǒng)》正式提出群體智能概念,群體智能進入1.0時代。群體智能群體智能1.0本階段專注于群體行為特征規(guī)律的研究,并針對這些行為特征提出一系列具備群體智能特征的基礎(chǔ)算法：遺傳算法、蟻群優(yōu)化算法、粒子群優(yōu)化算法等。群體智能群體智能1.0遺傳算法是一種利用自然選擇和生物進化思想在搜索空間搜索最優(yōu)解的隨機搜索算法。遺傳算法通過模擬自然選擇中的繁殖、交叉、變異來尋求優(yōu)良個體,用適應(yīng)度函數(shù)評價個體優(yōu)劣,依據(jù)優(yōu)勝劣汰的原則,搜索出適應(yīng)度較高的個體,并在搜索中不斷增加優(yōu)良個體的數(shù)量,循環(huán)往復(fù),直至搜索出適應(yīng)度最高的個體。（1）遺傳算法遺傳算法采用一種啟發(fā)式搜索的方式進行群體搜索,易于進行并行化處理。群體智能群體智能1.0（1）遺傳算法1967年,美國密歇根大學Bagley首次提出了“遺傳算法”這一術(shù)語,并討論了遺傳算法在博弈中的應(yīng)用。1975年,J.Holland等提出了對遺傳算法理論研究極為重要的模式理論,出版了《自然系統(tǒng)和人工系統(tǒng)的適配》,在書中系統(tǒng)地闡述了遺傳算法的基本理論和方法,推動了遺傳算法的發(fā)展。遺傳算法的起源可追溯到20世紀60年代初期。20世紀80年代后,遺傳算法進入興盛發(fā)展時期,被廣泛應(yīng)用于自動控制、生產(chǎn)計劃、圖像處理、機器人等研究領(lǐng)域。群體智能群體智能1.0（1）遺傳算法

遺傳算法的設(shè)計包括編碼方案、適應(yīng)度函數(shù)、個體選擇方法、交叉算子、變異操作等。群體智能群體智能1.0（1）遺傳算法特點：群體規(guī)模太小時,優(yōu)化性能一般不會太好,容易陷入局部最優(yōu)解;而當群體規(guī)模太大時,計算復(fù)雜。1)編碼方案:遺傳算法常用的編碼方案有二進制編碼、實數(shù)編碼等。遺傳算法中初始群體中的個體可以是隨機產(chǎn)生的。群體智能群體智能1.0（1）遺傳算法適應(yīng)度函數(shù)一般由目標函數(shù)變換得到,但必須將目標函數(shù)轉(zhuǎn)換為求最大值的形式,而且必須保證函數(shù)值非負。2)適應(yīng)度函數(shù):遺傳算法的適應(yīng)度函數(shù)是用來區(qū)分群體中個體好壞的標準。群體智能群體智能1.0（1）遺傳算法對個體進行選擇的方法主要有輪盤賭選擇、最佳個體保存等方法。3)個體選擇方法:個體概率的常用分配方法有適應(yīng)度比例方法、排序方法等,群體智能群體智能1.0（1）遺傳算法遺傳算法中起核心作用的是交叉算子,主要有一點交叉、二點交叉等基本的交叉算子。4)交叉算子:群體智能群體智能1.0（1）遺傳算法變異操作主要有位點變異、逆轉(zhuǎn)變異、插入變異、互換變異、移動變異等變異方法。5)變異操作:群體智能群體智能1.0蟻群優(yōu)化算法是由意大利科學家Marco

Dorigo等于20世紀90年代初提出來的。20世紀90年代后期,這種算法得到了許多改進并被廣泛應(yīng)用。(2)蟻群優(yōu)化算法群體智能群體智能1.0(2)蟻群優(yōu)化算法蟻群優(yōu)化算法是一種模擬自然界中螞蟻覓食行為的仿生學優(yōu)化算法,主要與螞蟻在尋找食物過程中尋找路徑的方法有關(guān)。群體智能群體智能1.0螞蟻按概率沿信息素強路徑覓食，并在路徑釋放信息素。信息素越多，螞蟻選擇概率越大，增強路徑信息素；其他路徑螞蟻減少，信息素減弱。(2)蟻群優(yōu)化算法蟻群覓食時總存在信息素跟蹤和信息素遺留兩種行為：這種選擇過程稱為螞蟻的自催化過程,其原理是一種正反饋機制,所以螞蟻系統(tǒng)也稱為增強型學習系統(tǒng)。群體智能群體智能1.0

應(yīng)用：蟻群優(yōu)化算法在解決離散組合優(yōu)化問題方面具有良好的性能,

常應(yīng)用于解決旅行商問題、優(yōu)化柔性作業(yè)車間調(diào)度等。(2)蟻群優(yōu)化算法Dorigo等提出了蟻群優(yōu)化的算法框架,所有符合蟻群優(yōu)化描述框架的算法都可稱為蟻群優(yōu)化算法。群體智能粒子群優(yōu)化算法將群體中的每個個體看作n維搜索空間中一個沒有體積、沒有質(zhì)量的粒子,粒子在搜索空間中以一定的速度飛行,該算法以群體中粒子間的合作與競爭產(chǎn)生的群體智能指導優(yōu)化搜索。(3)粒子群優(yōu)化算法粒子群優(yōu)化算法是美國普渡大學的Kennedy和Eberhart于1995年提出的一種仿生全局優(yōu)化算法。群體智能1.0群體智能(3)粒子群優(yōu)化算法粒子群優(yōu)化算法在n維連續(xù)搜索空間中,對粒子群中的第i(i=1,2,…,m)個粒子,表示搜索空間中第i個粒子的當前位置(k表示第k次迭代計算),xi(k)=[]T定義n維當前位置向量]表示該粒子的搜索方向。n維速度向量vi(k)=[群體智能1.01)初始化每個粒子,即在允許范圍內(nèi)隨機設(shè)置每個粒子的初始位置向量和初始速度向量。2)評價每個粒子的適應(yīng)度,計算每個粒子的目標函數(shù)。3)設(shè)置每個粒子經(jīng)歷過的最好位置Pi。對每個粒子,將其適應(yīng)度與其經(jīng)歷過的最好位置Pi進行比較,如果適應(yīng)度優(yōu)于Pi則將其作為該粒子的最好位置Pi。群體智能(3)粒子群優(yōu)化算法粒子群優(yōu)化算法的流程如下:群體智能1.04)設(shè)置全局最優(yōu)值Pg。對每個粒子,將其適應(yīng)度與群體經(jīng)歷過的最好位置Pg進行比較,如果適應(yīng)度優(yōu)于Pg則將其作為當前群體的最好位置Pg。5)按粒子群優(yōu)化算法公式更新粒子的位置向量xi(k)和速度向量vi(k)。6)檢查終止條件。如果未達到設(shè)定條件(預(yù)設(shè)誤差或迭代的次數(shù)),則返回第2)步。群體智能(3)粒子群優(yōu)化算法粒子群優(yōu)化算法的流程如下:群體智能1.0粒子群優(yōu)化算法已在諸多領(lǐng)域得到應(yīng)用,包括神經(jīng)網(wǎng)絡(luò)訓練、生產(chǎn)過程模型辨識、電力系統(tǒng)調(diào)度最優(yōu)化、機械優(yōu)化設(shè)計、通信電路優(yōu)化設(shè)計、機器人路徑規(guī)劃、經(jīng)濟優(yōu)化決策、圖像處理、生物信息處理、醫(yī)學診斷等。群體智能(3)粒子群優(yōu)化算法群體智能1.0隨著物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)發(fā)展,萬物互聯(lián)、共建共享和大數(shù)據(jù)深層驅(qū)動使群體智能迎來了新的黃金發(fā)展時期,步入2.0時代。針對群體生物行為模型的研究轉(zhuǎn)為針對人群、機群等智能的探索。群體智能2.群體智能2.0近年來,群體智能初步融入人們生產(chǎn)生活中,如智能制造機器人協(xié)同、無人機群體控制、智能家居、可移動智能穿戴設(shè)備等,但群體智能的理論、技術(shù)、平臺等方面的研究仍處于極為初級的階段,世界各國均在進行技術(shù)方向的積極探索。群體智能2.群體智能2.0一是以群體智能感知計算為代表的新型數(shù)據(jù)信息收集方式,能夠快速有效地擴展數(shù)據(jù)信息;二是以聯(lián)邦學習為代表的安全數(shù)據(jù)共享方式,打破數(shù)據(jù)孤島,保護用戶數(shù)據(jù)的隱私;三是以眾包計算為代表的聚眾智慧研發(fā)方式,能夠大幅提高項目研發(fā)的創(chuàng)新能力,保障數(shù)據(jù)預(yù)測能力的可靠性。關(guān)鍵技術(shù)群體智能群體智能三大技術(shù)路線：1.群體智能感知計算關(guān)鍵技術(shù)群體智能2012年,清華大學劉云浩教授提出群體智能感知計算這一概念。群體智能感知計算是利用物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、移動設(shè)備和群體智能技術(shù)等實現(xiàn)的一種新型獲取數(shù)據(jù)集信息的方式,在基于移動互聯(lián)網(wǎng)的組織結(jié)構(gòu)和大量用戶群體的驅(qū)動下,以每個用戶的移動設(shè)備為感知單元實現(xiàn)對感知任務(wù)的分發(fā)和數(shù)據(jù)的收集。1.群體智能感知計算關(guān)鍵技術(shù)群體智能特點：適合于應(yīng)對數(shù)據(jù)需求靈活度高、規(guī)模大的場景,且隨著移動設(shè)備的普及,感知網(wǎng)絡(luò)的規(guī)模擴大到一個新的高度,不僅可在有人參與的感知場景中獲得數(shù)據(jù)信息,還可通過社交網(wǎng)絡(luò)等獲取用戶的上下文感知數(shù)據(jù),如位置信息、健康數(shù)據(jù)、天氣狀況等。2.聯(lián)邦學習關(guān)鍵技術(shù)群體智能數(shù)據(jù)隱私安全問題處理不當會發(fā)生用戶數(shù)據(jù)泄露事件,而引起公眾的恐慌。企業(yè)出于商業(yè)機密性、競爭性考慮,并不會進行數(shù)據(jù)共享,因此出現(xiàn)數(shù)據(jù)孤島的問題,問題：這兩大問題給由大數(shù)據(jù)驅(qū)動的群體智能帶來了極大挑戰(zhàn)。為此2016年谷歌提出聯(lián)邦學習的概念。2.聯(lián)邦學習關(guān)鍵技術(shù)群體智能聯(lián)邦學習,即對分布于多方設(shè)備的數(shù)據(jù)集,在保障數(shù)據(jù)隱私安全的情況下進行聯(lián)合建模。由每一個擁有數(shù)據(jù)源的組織訓練一個模型,然后讓各個組織在各自的模型上彼此交流溝通,最終通過模型聚合得到一個全局模型。為確保用戶隱私和數(shù)據(jù)安全,各組織間交換模型信息的過程會被精心設(shè)計,使得沒有組織能夠猜測到其他組織的隱私數(shù)據(jù)內(nèi)容。同時,當構(gòu)建全局模型時,各數(shù)據(jù)源仿佛已被整合在一起,這便是聯(lián)邦機器學習(簡稱聯(lián)邦學習)的核心思想。關(guān)鍵技術(shù)群體智能2.聯(lián)邦學習在模型訓練的過程中,模型相關(guān)的信息能夠在各方之間直接交換或以加密形式進行交換,但數(shù)據(jù)不能。這種交換不會暴露每個站點上數(shù)據(jù)的任何受保護的隱私部分。已訓練好的聯(lián)邦學習模型可為聯(lián)邦學習系統(tǒng)的各參與方所用,也可以在多方之間共享。聯(lián)邦學習旨在建立一個基于分布數(shù)據(jù)集的聯(lián)邦學習模型。聯(lián)邦學習包括兩個過程：模型訓練和模型推理。關(guān)鍵技術(shù)群體智能2.聯(lián)邦學習意義：聯(lián)邦學習在保證用戶數(shù)據(jù)的安全性和隱私性、提高用戶參與積極性的同時,為打破數(shù)據(jù)壁壘、解決數(shù)據(jù)孤島問題提供了新方法,在大數(shù)據(jù)驅(qū)動的時代具有重大的意義。應(yīng)用：聯(lián)邦學習對群體智能的發(fā)展有重要的影響,在醫(yī)療、金融、通信、邊緣計算等方面都有相關(guān)應(yīng)用。一是將互聯(lián)網(wǎng)群體當作計算的組成部分,完成數(shù)據(jù)收集、語義注釋、分布式模型訓練等工作,幫助企業(yè)快速構(gòu)建數(shù)據(jù)集與算法模型,具有速度更快、質(zhì)量更高、保密性更強的特點;二是基于互