*分布式自治智能體

1.分布式自治智能體系統(tǒng)建模

對(duì)人工生命赏壹、進(jìn)化算法衔沼、多智能體理論和自治計(jì)算做了深入的研究昔瞧，通過研究人類社會(huì)的組織方式自晰，以及人的繁殖酬荞、遷徙、死亡等行為瞧哟，構(gòu)建了一個(gè)分布式自治智能體系統(tǒng)框架混巧。在這個(gè)框架中對(duì)于自治智能體的狀態(tài)、行為勤揩、組織方式咧党、通信等做了定義，并且陨亡，給出了此系統(tǒng)的實(shí)現(xiàn)步驟傍衡。

2.基于分布式自治智能體的函數(shù)優(yōu)化

將建立起來的DAA系統(tǒng)框架用于連續(xù)空間的全局優(yōu)化問題，提出了一種能夠進(jìn)行復(fù)雜函數(shù)優(yōu)化的分布式自治智能體函數(shù)優(yōu)化算法（DAO）负蠕。通過標(biāo)準(zhǔn)函數(shù)的測試結(jié)果表明蛙埂，此算法能夠快速、穩(wěn)定的找到復(fù)雜函數(shù)的全局最優(yōu)點(diǎn)遮糖。

3.給予分布式自治智能體的人臉區(qū)域檢測和分割

將DAA系統(tǒng)框架用于基于膚色的人臉檢測問題屡江，提出了一種基于分布式自治智能體的彩色圖像中人臉區(qū)域的檢測和分割方法俄删，實(shí)驗(yàn)結(jié)果表明，該方法突破了傳統(tǒng)的逐點(diǎn)搜索機(jī)制斜脂，大大提到了人臉候選膚色區(qū)域搜索標(biāo)記的魯棒性和效率，減少了后續(xù)處理工作。

*優(yōu)化， 是一種以數(shù)學(xué)為基礎(chǔ)鹅髓，用于求解各種工程問題優(yōu)化解的應(yīng)用技術(shù)靡菇。優(yōu)化算法是一種搜索過程或規(guī)則，它基于某種思想和機(jī)制，通過一定的途徑或規(guī)則來得到滿足用戶問題要求的解博烂。

*多目標(biāo)躺率、多層級(jí)、多約束的復(fù)雜全局優(yōu)化問題。

*擬牛頓法馅精，單純形法梧税，共軛梯度法哮塞，方法對(duì)問題的依賴性較強(qiáng)家凯，算法結(jié)果和初始值的選擇有關(guān)掂之，而且容易陷入局部極小值槽卫，這些缺點(diǎn)使他們很難得到廣發(fā)的使用

*仿生優(yōu)化算法丐怯，人工神經(jīng)網(wǎng)絡(luò)效览，遺傳算法...新的仿生優(yōu)化算法，人工免疫算法，蟻群算法，人工魚群算法颂碘，微粒群算法峡竣，都是模擬自然界生物系統(tǒng)，完全依賴生物體自身的本能受楼，通過無意識(shí)的尋優(yōu)行為來優(yōu)化其生存狀態(tài)以適應(yīng)環(huán)境的一類新型的最優(yōu)化方法。

*進(jìn)化算法屬于一種隨機(jī)搜索算法，它在初始解生成以及選擇苔埋、交互與變異等遺傳操作過程中馋辈，均采用了隨機(jī)處理方法。其全局最優(yōu)性靴寂、可并行性、高效性在函數(shù)優(yōu)化中得到了廣泛的應(yīng)用衫贬。

*進(jìn)化算法的不足之處

1）適應(yīng)度函數(shù)是預(yù)先定義好的葬毫，而真正的適應(yīng)性應(yīng)該是局部的煎源，是個(gè)體與環(huán)境做生存斗爭自然形成的。先有的進(jìn)化算法的選擇機(jī)制适袜，從適應(yīng)環(huán)境的局部化角度而言柄错，充其量，只是一個(gè)人工選擇苦酱，而非自然選擇售貌。

2）遺傳算法等進(jìn)化算法只考慮到生物之間的競爭，而沒有考慮到生物之間協(xié)作的可能性疫萤。真實(shí)情況是競爭與協(xié)作并存颂跨，這就是所謂的協(xié)同進(jìn)化。但是扯饶，協(xié)同進(jìn)化在現(xiàn)有的進(jìn)化算法中很少得到體現(xiàn)恒削。

3）生物進(jìn)化過程是一個(gè)在環(huán)境生態(tài)系統(tǒng)中“學(xué)習(xí)”法則的過程，其中不僅包括先天的遺傳或遺傳復(fù)制尾序，還包括后天的個(gè)體學(xué)習(xí)钓丰。但是以“生成+檢測”的進(jìn)化算法顯然沒有利用父代的進(jìn)化經(jīng)驗(yàn)，而且忽視了個(gè)體的學(xué)習(xí)能力每币。所以斑粱，利用Lamark遺傳和Baldwin效應(yīng)能提高進(jìn)化算法的搜索效率。

*指導(dǎo)性搜索算法脯爪，啟發(fā)式算法...多智能體理論则北，把進(jìn)化計(jì)算中的個(gè)體作為一個(gè)具有局部感知、競爭協(xié)作和自學(xué)習(xí)能力的智能體痕慢，通過智能體與環(huán)境以及智能體之間的相互作用達(dá)到全局優(yōu)化的目的尚揣。這類引入了智能體特性的進(jìn)化算法，稱作是掖举，多智能體進(jìn)化算法（Multiagent Evolutionary Algorithm）.

*目的：如何建立起一個(gè)更加貼近現(xiàn)實(shí)的模型快骗，用于解決復(fù)雜計(jì)算和大規(guī)模系統(tǒng)建模問題----分布式自治智能體優(yōu)化技術(shù)。

*創(chuàng)立數(shù)學(xué)模型，使該模型的目標(biāo)函數(shù)能反映應(yīng)用問題的需求方篮，從而把連續(xù)空間上的全局優(yōu)化問題轉(zhuǎn)化為連續(xù)空間上的函數(shù)優(yōu)化問題名秀。

*智能進(jìn)化方法，數(shù)值方法藕溅。

*人工神經(jīng)網(wǎng)絡(luò)：是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)匕得。

（如：加權(quán)求和，即對(duì)所有的輸入信號(hào)都加以考慮巾表，且對(duì)每個(gè)信號(hào)的重視程度---體現(xiàn)在權(quán)值上）

*蟻群算法： ant colony algorithm

蟻群算法是模仿真實(shí)世界蟻群的行為而提出的汁掠。真實(shí)的螞蟻在沒有視覺的情況下，能夠找到從食物源到蟻巢的最短路徑集币。這是因?yàn)樵谖浵亗€(gè)體之間通過一種稱為信息素（stigmergy）的物質(zhì)進(jìn)行信息傳遞的考阱。螞蟻在運(yùn)動(dòng)過程中，不但能夠在它所經(jīng)過的路徑上留下該物質(zhì)鞠苟，而且能夠感知這種物質(zhì)的存在及其強(qiáng)度乞榨，并朝著該物質(zhì)強(qiáng)度高的方向移動(dòng)，以此知道自己的運(yùn)動(dòng)方向当娱。因此姜凄，由大量螞蟻組成的蟻群的集體行為表現(xiàn)出一種信息正反饋現(xiàn)象；某一路徑上走過的螞蟻越多趾访，則后來的螞蟻選擇該路徑的概率就越大态秧。螞蟻個(gè)體之間就是通過這種信息交流進(jìn)行路徑的最優(yōu)選擇，從而達(dá)到搜索食物的目的扼鞋∩暧悖基本蟻群算法的原理：

*人工魚群算法（Artificial fish-swarm algorithm)

是模仿魚類行為提出的一種基于動(dòng)物自治體的優(yōu)化方法，是集群智能思想的一個(gè)具體應(yīng)用云头，它的主要特點(diǎn)是不需要了解問題的特殊信息捐友，只需要對(duì)問題進(jìn)行優(yōu)劣的比較，通過各人工魚個(gè)體的局部尋優(yōu)行為溃槐，最終在群體中使全局最優(yōu)值突現(xiàn)出來匣砖，有著較快的收斂速度。魚的群聚生活時(shí)它們在漫長的歷史演變歷程中逐漸形成的一種覓食和躲避敵害的生活方式昏滴，其行為可以總結(jié)為以下幾種：

1）覓食行為：這是魚的基本行為猴鲫，當(dāng)發(fā)現(xiàn)附近有食物時(shí)，會(huì)向該方向游動(dòng)谣殊。

2）追尾行為：當(dāng)某條魚發(fā)現(xiàn)該處食物豐富時(shí)拂共，其他魚會(huì)快速尾隨而至

3）聚群行為：它們往往能形成非常龐大的群

4）隨機(jī)行為：當(dāng)閑暇無事時(shí)，輕松的自由游動(dòng)

*粒子群優(yōu)化算法（Partical Swarm Optimization,PSO) 是基于群體的演化算法姻几，其思想來源于人工生命和演化計(jì)算理論宜狐。該理論是基于對(duì)鳥群飛行的研究發(fā)現(xiàn)势告，鳥僅僅是追蹤它有限數(shù)量的鄰居，但最終整體結(jié)果是整個(gè)鳥群好像在一個(gè)中心的控制之下抚恒，即復(fù)雜的全局行為是由簡單規(guī)則的相互作用引起的咱台。PSD即源于對(duì)鳥群捕食行為的研究，一群鳥在隨機(jī)搜尋食物俭驮，如果這個(gè)區(qū)域只有一塊食物回溺，那么找到食物的最簡單有效的策略就是搜尋目前離食物最近的鳥的周圍區(qū)域。PSO算法就是從這種模型中得到啟示而產(chǎn)生的表鳍，并用于解決優(yōu)化問題。另外祥诽，人們通常是以他們自己以及他人的經(jīng)驗(yàn)來作為決策的一句譬圣，這就構(gòu)成了PSO的一個(gè)基本概念。

PSO求解優(yōu)化問題時(shí)雄坪，問題的解對(duì)應(yīng)于搜索空間中一只鳥的位置厘熟，稱這些鳥為粒子，或主體维哈。每個(gè)粒子都有自己的位置和速度（決定飛行的方向和距離）绳姨，還有一個(gè)由被優(yōu)化函數(shù)決定的適應(yīng)值。各個(gè)粒子記憶阔挠、追隨當(dāng)前的最優(yōu)粒子飘庄，在解空間中搜索。每次迭代的過程不是完全隨機(jī)购撼，如果能找到較好解跪削，將會(huì)以此為依據(jù)來尋找下一個(gè)解。