改进群体智能算法的无线传感器网络覆盖优化

为解决无线传感器网络(Wireless Sensor Networks,WSN)节点分布不均和随机部署中的低覆盖率问题,该文提出一种改进群体智能算法的无线传感器网络覆盖优化算法,即改进的黑猩猩优化和哈里斯鹰优化的混合优化算法(Improved Chimp Optimization and Harris Hawk Optimization Algorithm,ICHHO).该算法首先对黑猩猩优化算法(Chimpanzee Optimization Algorithm,ChOA)进行改进,使用Levy Flight来改善其探索阶段,然后设计一个更新的公式来计算猎物逃逸能量,作为开发和探索之间的选择因素.传感器节点随机部署后,将ICHHO在传感器节点上执行,按照改进策略更新个体位置信息,计算相应的适应程度,找到最优传感器位置,并根据传感器概率模型确定网络最优覆盖率.仿真结果验证了ICHHO对于解决WSN覆盖问题的适用性,与其他优化算法的对比结果显示,ICHHO在提高覆盖率方面优于其他算法.

群体智能优化算法的区域景观规划方法

由于应用传统方法无法因地制宜地进行区域景观规划设计,导致规划后的区域景观适应度较低,因此提出基于群体智能优化算法的区域景观规划方法。采用倾斜摄影测量技术,构建区域景观三维场景,在此基础上,利用群体智能优化算法划分景观建设区域,最后从道路、建筑、水体、绿化设施等方面,得出区域景观的规划结果。将设计的规划方法应用到实际中可以发现,应用所提方法可进行区域景观优化设计,且规划后适宜度综合评分为90.47,优于对比方法,具有更好的规划效果。

群体智能及产业集群发展战略研究

群体智能是新一代人工智能的重要组成部分,在激发汇聚创新力量、耦合集成大规模智能系统方面发挥决定性作用,对于促进人工智能与传统产业的深度融合、推动国民经济持续发展都具有重大意义。本文凝练了群体智能的技术体系,总结了其主要的技术方向,包括:多智能体系统与优化决策、无人集群系统、开源群智软件和群智联邦学习等;论述了这些核心技术面向应用场景,形成感知-认知-决策-行动的智能化回路,以分布式数智化模式支撑平台经济,重塑产业发展和数字经济产业生态。根据上述技术体系的赋能对象和应用模式,深入分析了与群体智能相关的核心产业,特别是软件服务产业、智慧城市产业群、基于无人集群的智慧农业和智慧港口产业等对群体智能技术的不同需求和赋能路径。最后,提出了群体智能赋能相关产业的发展建议:持续推动群智开源社区的建设,打造人工智能科技创新生态系统的智力内核,加速无人集群系统的国产化替代、集成攻关和推广应用。

群体智能优化算法在医疗领域的应用

为应对传统算法所存在的一些限制,智能优化算法应运而生,其中群体智能算法成为研究焦点。本研究以灰狼优化算法、蚁狮优化算法、麻雀优化算法、蜻蜓优化算法、鲸鱼优化算法、蚱蜢优化算法为研究对象,从数学模型、改进策略和医疗领域应用方面进行综述。通过横向及纵向的文献对比发现改进后的优化算法在医疗领域中的应用最为广泛,这些优化算法在医疗领域中的优势有利于其后续应用。

群体智能算法在路面参数反分析中的适用性及优选策略

随着群体智能算法在路面参数反演中的成功应用,复杂多元非线性优化难题得以解决,但算法的选择仍然是路面参数反分析问题中亟待解决的难题。针对路面参数反分析中模型复杂、反演参数众多、绝大多数运算时间消耗在正算程序上等问题,选择8种常见的群体智能算法,开展限定正算调用次数下算法性能相关研究,并以考虑材料横观各向同性以及层间接触状态的路面结构参数反演问题为例,对群体智能算法进行实际测试。结果表明:不同算法各具特点,其中,粒子群算法、遗传算法、头脑风暴算法、人工蜂群算法以及烟花算法在多峰问题上具有较好的适用性;萤火虫算法在解决最优解附近存在平缓区域的问题时具有较快的收敛速度;对于遗传算法,实数编码方式后期收敛速度较二进制编码方式有所提高,但对于多峰问题的搜索能力有所下降;鱼群算法、混合蛙跳算法仅有在较大正算调用次数下才有较好的寻优能力。对于路面参数反演问题,从弯沉曲线匹配上看,粒子群算法、遗传算法、头脑风暴算法以及萤火虫算法均有较好的反演结果;而从相关系数上看,头脑风暴算法具有最佳反演结果。

基于群体智能算法的巷道快速掘进自动化控制研究

以提高掘进效率、优化矿山资源的开采过程为目的,该文提出基于群体智能算法的巷道快速掘进自动化控制方法。采集掘进机截割电机的负载油缸压力、截割臂振动加速度和截割电机电流数据,将其输入到Q-RBF神经网络模型内,通过该模型迭代输出掘进机截割臂载荷信号,对该载荷信号转换成摆速后得到掘进机截割臂期望摆速,将期望摆速与实时摆速同时输入到模糊PID控制器内,并对模糊PID控制器参数进行整定处理,输出掘进机截割臂摆速控制参数,实现巷道快速掘进自动化控制。实验表明,该方法可实现掘进机截割臂摆速控制,超调数值较小,应用效果较为显著。

群体智能技术的无人机系统在大型群体活动中的应用

在大型群体活动的管理与安保工作中,无人机系统具备快速获取现场信息的能力而被广泛应用。然而,传统的控制方法因其功能性的局限而无法满足日益复杂的实际需求。鉴于此,本文提出一种基于群体智能算法的无人机系统设计方案。该架构采用了蚁群优化算法(Ant Colony Optimization,ACO)对无人机进行协同控制,旨在提高系统的灵活性与适应性。经过实践验证,此方案具有应用优势,能够显著提高无人机系统的协同效率与作业质量,为大型群体活动的管理与安保工作提供有力的技术支持。

基于群体智能算法的巡飞弹向心攻击优化方法及实验分析

近几年,无人机巡飞弹打击成为一种重要的作战方式。针对巡飞弹向心攻击问题,选用蝙蝠优化算法、人工蜂群算法、粒子群算法、鲸鱼优化算法,设计一种基于群体智能算法的巡飞弹向心攻击优化方法,通过实验设计和结果分析对比四种群体智能优化算法,以提高巡飞弹向心攻击的作战效率。实验验证了该方法的有效性,且结果表明人工蜂群算法和粒子群算法总体表现较优。

基于群体智能算法的电力设备现场智能化运维检修研究

常规的电力设备运维检修方法以故障特征分析处理为主,但是多源数据融合降低了运维检修效率,不利于智能化运检场景的应用。因此,文章设计了基于群体智能算法的电力设备现场智能化运维检修方法。此方法基于群体智能算法构建电力设备运维检修模型,利用狼群、蚁群等群体智能算法,均衡检修工作量、设备可靠性、经济性三者之间的关系,生成最优目标函数。在求解电力设备智能化运维检修全局更新参数时,利用电力设备现场智能化运维检修的正反馈方式,寻求运维检修最优解,从而满足智能化运维检修需求。通过实例分析,验证了该方法的运维检修效率更高,经济性更高并能够应用于实际生活中。

基于群体智能的微纳卫星集群自主控制系统研究

随着卫星应用需求的发展,越来越多的航天任务已经不能仅靠单颗卫星来完成,而必须依靠多颗微纳卫星集群联合工作才能完成。文章针对星群面临的在轨运行管理和效能问题,研究了基于群体智能的微纳卫星集群自主控制系统,包括星群自主认知与自主决策技术、构型建立维持与重构技术和星间高低速协同通信技术等3个方面,对星群集群控制典型应用场景进行了仿真验证,结果表明:集群自主控制能够满足星群任务的实时性、轨道构型误差和星间动态网络等指标要求,可为推动微纳卫星集群在轨应用提供技术支撑。

认知电子战发展趋势:从单体智能到群体智能

随着人工智能、通信技术、无人系统等技术的快速发展,通信对抗装备智能水平不断提高,无人集群作战也在持续地深化和落地应用,这给认知电子战技术的研究带来了新的机遇和挑战,推动了认知电子战内涵从单体化向群体化演进。为促进认知电子战发展有效适应未来新型智能作战装备和新型无人集群作战样式,在综述认知电子战概念、内涵以及认知电子战单体智能研究的基础上,从无人集群作战背景出发,结合群体智能算法,提出了认知电子战群体智能的概念并对其内涵进行详细的阐述,指明了其对认知电子战的研究价值、应用价值以及发展前景。最后,在体系对抗的视角下,进一步对认知电子战群体智能未来可能的发展方向进行了较为全面的展望。

群体智能系统安全协同控制研究

近年来,群体智能系统安全协同控制受到人们越来越多的关注,其核心思想是通过实施具有一定安全性保证的分布式协议实现协同控制任务。首先介绍了群体智能系统安全协同控制的研究背景,然后给出了补偿式和删除式2种典型的安全协同控制方法,并深入分析了观测器设计、攻击隔离和控制策略在补偿式安全协同控制方法中的作用,以及通信网络结构在删除式安全协同控制方法中的重要性,最后提出了群体智能系统安全协同控制的发展趋势和值得深入研究的方向。

基于云计算与群体智能算法的大数据聚类挖掘技术研究

现阶段,云计算技术不断推广应用,与此同时,大数据、物联网等技术也在不断发展优化。随着数据时代的到来,每时每刻都有大量的数据生成,数据呈现爆炸式增长趋势,而对海量的数据进行挖掘,提升数据利用价值成为技术研究的重点领域。数据挖掘是计算机科学技术的新方向,通过构建多个模型和数据分析工具可以对数据间的联系进行分析,使用强大的算法来收集人们关心的数据。在云计算数据挖掘工具中,聚类分析技术更常用于对数据集进行分组,可以提升模型分析准确性。本文基于云计算和群体智能算法,研究大数据聚类挖掘技术应用,开展仿真实验分析,对比不同聚类挖掘算法结果,验证群体智能算法的聚类效果和准确率更高。

一种面向多模态优化的新型群体智能优化方法:羊群迁徙优化算法

群体智能优化算法是根据生物集群运动、交互、进化等行为机制而开发的自然启发算法,凭借其显著的灵活性、适应性、鲁棒性以及全局寻优能力,被广泛应用于现实世界中各类优化问题的求解.受羊群间歇性集体运动现象启发,本文提出了一种新的仿生群体智能优化方法—羊群迁徙优化(Sheep flock migrate optimization,SFMO)算法,创新性地建立了3个核心运算模块,即放牧算子、集体运动算子和补偿策略.与现有的群体智能优化算法相比,SFMO可以通过广泛随机搜索指导下的种群迁徙,降低算法陷于局部最优的概率,为群体智能优化领域提供了一种新的解决方案.收敛性证明和复杂度分析进一步为SFMO提供了理论支撑.以CEC-2017基准函数为基础的数值仿真验证表明:SFMO能够有效解决函数优化问题,并在多模态函数优化问题中具有显著优势.

基于群体智能的多UUV动态任务分配方法

针对有人/无人协同背景下多UUV任务分配存在的任务负载不均衡、动态适应性不强等问题,基于群体智能提出一种动静结合的启发式任务分配方法,以UUV为主体设置主循环,循环往复地为各UUV分配满足优化目标和分配约束的任务,直至资源耗尽或任务完成为止。利用阈值响应机制,保证基本的任务分配质量;引入轮盘赌随机策略,提升任务分配方案的全局最优性;设置每轮分配任务数上限,改善任务分配方案的均衡性;提出任务重置和任务接续2种策略,赋予算法动态重分配能力。基于典型想定进行仿真实验,结果表明,提出的任务分配方法既能进行全局静态任务分配,又能应对UUV故障、新增任务等动态应用场景。

群体智能支撑的无人机群航路规划应用综述

无人机群航路规划的主要目标是为每架无人机生成一条连接起始点和目标点并满足约束条件的可飞行路径。传统方法主要以代价地图为基础,采用动态规划与几何运算等方法解决无人机群的路径规划问题。然而,这些方法难以解决无人机群的几何、物理与时间等复杂多约束问题,而且代价地图的构建十分耗时,使得无人机群难以应对复杂多变的实际环境。近年来,群体智能技术的出现为无人机群路径规划提供了新思路,该技术不但能够解决无人机一维静态的路径优化问题,同时为多维动态路径的优化提供更加精准、快速、有效的智能解决方案。此外,机载智能硬件的飞速发展也极大提升了无人机群的通信速率与运算效率,使得无人机群具备环境适应能力强、部署灵活和多功能集成等优势。基于以上背景,阐述了无人机群航路规划的环境感知建模、适应度函数、约束条件和障碍物规避四方面内容;综述了群体智能算法原理,并分析讨论了5种群体智能算法以及其应用于无人机群航路规划的优缺点;分析和展望了群体智能算法应用于无人机群航路规划与任务协同方向的发展趋势。

基于群体智能算法的大数据分布式存储方法

采用目前方法对大数据进行存储时,无法有效分配数据中存在的冗余数据,导致方法存在带宽占用率高、负载均衡度低、节点剩余能量低和数据存储量低的问题。提出基于群体智能算法的大数据分布式存储方法,利用一致性树分布存储方法完成大数据的分布存储,通过群体智能算法选择存储节点,对存储节点和大数据进行映射处理,将数据映射到对应的存储节点中,并采用遗传算法对大数据中存在的冗余数据进行分配,完成大数据的分布式存储。实验结果表明,所提方法的带宽占用率低、负载均衡度高、节点剩余能量高、数据存储量高。

无人机蜂群中的群体智能涌现机理

针对无人机蜂群中自主协同行为涌现机理难以解释的问题,提出一种多Agent系统中的自主协同行为涌现的分析方法,对系统的微观个体层、中观结构层和宏观网络层三个层面展开分析,自底向上地量化分析系统动态演化过程,揭示系统从微观到宏观的内在逻辑以及系统演变中的一些问题。通过计算实验方法构建无人机蜂群的计算实验模型,根据蜂群作战的关键特征设计无人机蜂群社团信息网络,引入公共物品博弈机制构建蜂群合作演化模型,并给出社团网络上蜂群的演化动力学过程。通过数值模拟,从无人机蜂群系统的不同层面量化分析蜂群协同行为的涌现现象,从而认识蜂群自主协同行为的涌现机理,并为无人机蜂群协同机制的优化提供决策支持。

融合群体智能策略的AI链在大坝防汛抢险知识推理中的应用

防汛抢险知识(实体、关系)是防汛抢险业务知识图谱的重要组成部分。防汛实体间关系错综复杂分布在无结构文本中,而可利用文本数量过少和文本质量偏低为该领域知识抽取工作带来了挑战。为此本文提出使用大型语言模型LLM(Large Language Model)进行大坝防汛抢险知识推理的思路。基于LLM设计防汛实体抽取器、防汛实体知识解析器以及防汛实体间关系决策器三个子模块,设计一系列有效任务提示,并将其链接形成人工智能AI(Artificial Intelligence)链。通过AI链中提示与LLM实时交互逐步完成防汛知识推理任务。同时设计群体智能策略提高防汛实体间关系推理的可靠性。将本文提出的知识推理方法与现有方法进行对比,实验结果表明本文设计的AI链可有效提升LLM进行实体间关系推理的准确率,验证了AI链和群体智能策略的有效性。这一知识推理新范式可为提高水利防汛知识可访问性提供新的解决思路。

若干新型群体智能算法优化高斯过程回归的年降水量预测

为提高年降水量预测精度,提出一种基于小波包变换(WPT)和孔雀优化算法(POA)、沙猫优化(SCSO)算法、猎豹优化(CO)算法优化的高斯过程回归(GPR)预测模型,并将其应用于文山州年降水量预测研究。首先,利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量;其次,简要介绍POA、SCSO、CO算法原理,利用POA、SCSO、CO分别优化GPR超参数,建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型;最后,利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测,将4个分量的预测结果加和重构后得到最终预测结果,并构建基于支持向量机(SVM)的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明:①WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48%,平均绝对误差MAE分别为5.80 mm、5.31 mm、5.25 mm,均方根误差RMSE分别为8.20 mm、7.72 mm、7.83 mm,确定性系数DC>0.99,预测效果优于其他7种模型,具有更高的预测精度和更好的泛化能力。②POA、SCSO、CO能有效优化GPR超参数,显著提高GPR预测性能。③所构建的3种模型具有普适性,为降水等时间序列预测研究提供参考。