協(xié)同進(jìn)化的案例
基于Matlab的協(xié)同進(jìn)化遺傳算法求解旅行商問題
本文在傳統(tǒng)遺傳算法基礎(chǔ)上，對其進(jìn)行改進(jìn)優(yōu)化，提出了精英保留的協(xié)同進(jìn)化遺傳算法，并分別以30、50和75個城市為例，對二者進(jìn)行對比。該算法的運(yùn)行流程如圖1所示。
圖1 協(xié)同進(jìn)化遺傳算法運(yùn)行流程
產(chǎn)生初始種群后（設(shè)種群數(shù)量為POP），便按照適應(yīng)度值（即總路程倒數(shù)）高低將其分為三個子種群，其中，子種群1的適應(yīng)度值最大，子種群3的適應(yīng)度值最小。接著，在各個子種群內(nèi)部進(jìn)行交叉變異操作，依次產(chǎn)生新子種群1、新子種群2、新子種群3。同時，三個子種群兩兩之間，也進(jìn)行交叉變異操作，依次產(chǎn)生新子種群4、新子種群5、新子種群6。最后便將這6個新子種群進(jìn)行組合，然后從中隨機(jī)挑選出POP-1個個體，并根據(jù)精英保留策略，將其與父代最優(yōu)個體相合并，從而得到新種群、開始下一代的操作。
以30、50、75個城市為例，分別進(jìn)行10次重復(fù)試驗，取各次試驗兩種算法最優(yōu)解的平均值進(jìn)行對比，結(jié)果如圖2所示。
圖2 兩種算法的尋優(yōu)結(jié)果對比
顯然，同傳統(tǒng)遺傳算法相比，協(xié)同進(jìn)化遺傳算法具備更強(qiáng)大的最優(yōu)解搜索能力，尤其當(dāng)城市數(shù)量較多時（如此例中的75），其能更有效地避免陷入局部最優(yōu)，從而找到全局最優(yōu)的解、使得總路程更小。以75個城市數(shù)量為例，兩種算法所確定的最優(yōu)路徑分別如圖3(a)與3(b)所示。
(a) 傳統(tǒng)遺傳算法
(b) 協(xié)同進(jìn)化遺傳算法
圖3 兩種算法所確定的最優(yōu)路徑對比
圖3中，橫軸縱軸分別為每個城市的橫縱坐標(biāo)，圖中的數(shù)字即為每個城市的編號。顯然，協(xié)同進(jìn)化遺傳算法所確定的最優(yōu)路徑更為規(guī)整，這表明其同傳統(tǒng)遺傳算法相比，具有更強(qiáng)的全局尋優(yōu)能力，且具備更好的魯棒性。
最后，有相關(guān)算法需求，歡迎通過微信公眾號聯(lián)系我們。
展開 2022 十大科技趨勢！
大小模型協(xié)同進(jìn)化
大模型參數(shù)競賽進(jìn)入冷靜期，大小模型將在云邊端協(xié)同進(jìn)化
超大規(guī)模預(yù)訓(xùn)練模型是從弱人工智能向通用人工智能的突破性探索，解決了傳統(tǒng)深度學(xué)習(xí)的應(yīng)用碎片化難題，但性能與能耗提升不成比例的效率問題限制了參數(shù)規(guī)模繼續(xù)擴(kuò)張。
人工智能研究將從大模型參數(shù)競賽走向大小模型的協(xié)同進(jìn)化，大模型向邊、端的小模型輸出模型能力，小模型負(fù)責(zé)實際的推理與執(zhí)行，同時小模型再向大模型反饋算法與執(zhí)行成效，讓大模型的能力持續(xù)強(qiáng)化，形成有機(jī)循環(huán)的智能體系。
硅光芯片
光電融合兼具光子和電子優(yōu)勢，突破摩爾定律限制
電子芯片的發(fā)展逼近摩爾定律極限，難以滿足高性能計算不斷增長的數(shù)據(jù)吞吐需求。硅光芯片用光子代替電子進(jìn)行信息傳輸，可承載更多信息和傳輸更遠(yuǎn)距離，具備高計算密度與低能耗的優(yōu)勢。
隨著云計算與人工智能的大爆發(fā)，硅光芯片迎來技術(shù)快速迭代與產(chǎn)業(yè)鏈高速發(fā)展。
展開 行業(yè)趨勢與戰(zhàn)略洞察：SaaS模式盛行下，企業(yè)如何破解軟件許可證管理困局？
上海某金融機(jī)構(gòu)建立的"數(shù)字駕駛艙"，設(shè)置了三級監(jiān)控體系：
實時使用看板：追蹤每個SaaS賬號的登錄頻次、功能使用深度、數(shù)據(jù)留存量等19項核心指標(biāo)
異常預(yù)警雷達(dá)：對即將到期的訂閱、超限使用的賬號、異常登錄行為自動觸發(fā)預(yù)警
決策支持系統(tǒng)：按月生成SaaS投資組合報告，精準(zhǔn)定位冗余訂閱和潛在優(yōu)化空間
某建筑設(shè)計院的真實案例更具啟示意義：通過數(shù)據(jù)中臺發(fā)現(xiàn)，某BIM SaaS的協(xié)同功能使用率不足15%，經(jīng)與供應(yīng)商談判，成功將訂閱模式從全員授權(quán)轉(zhuǎn)為按需采購，年節(jié)省費(fèi)用37萬元。
四、生態(tài)共建：從單兵突進(jìn)到協(xié)同進(jìn)化
當(dāng)管理體系成熟后，新的價值創(chuàng)造空間隨之打開。北京某央企集團(tuán)的做法值得借鑒：他們建立了SaaS供應(yīng)商生態(tài)聯(lián)盟，將使用數(shù)據(jù)同步給戰(zhàn)略合作伙伴。當(dāng)某EDA廠商根據(jù)反饋優(yōu)化云端算力分配后，不僅提升客戶留存率，更帶動整個研發(fā)體系效率提升23%。
這種生態(tài)協(xié)同效應(yīng)還延伸到產(chǎn)業(yè)鏈層面。某科技園區(qū)通過構(gòu)建"SaaS資源池"，將12家入駐企業(yè)的需求整合，與平臺方談判定制開發(fā)方案。這種"團(tuán)購2.0"模式，使單企業(yè)采購成本下降41%，更獲得了專屬客戶成功經(jīng)理服務(wù)。
站在數(shù)字化轉(zhuǎn)型的十字路口，SaaS模式正在重塑企業(yè)的軟件管理范式。當(dāng)企業(yè)能夠清晰回答"這款SaaS能創(chuàng)造什么價值""與現(xiàn)有體系如何融合""長期合作如何規(guī)劃"這三個核心問題時，帶來的不僅是30%的成本縮減，更是管理思維的質(zhì)變——從粗放式采購轉(zhuǎn)向精益化運(yùn)營，從被動響應(yīng)轉(zhuǎn)向主動進(jìn)化。正如某上市企業(yè)CTO所言："現(xiàn)在管理SaaS訂閱時，我們看到的不是冷冰冰的賬單，而是整個數(shù)字生態(tài)的進(jìn)化圖譜。"
(關(guān)注格發(fā)獲取更多咨詢)
展開 元宇宙vs. 數(shù)字孿生：技術(shù)演化的視角
協(xié)同進(jìn)化。類似于數(shù)字孿生系統(tǒng)中的數(shù)字孿生體及其對應(yīng)的物理實體之間是實時連接、動態(tài)交互的關(guān)系，從元宇宙中的虛擬人物和現(xiàn)實世界的真實人個體，到兩個世界的群體組織，都需要相互連接、相互影響、協(xié)同進(jìn)化。
上述三個區(qū)別特征，既是元宇宙與其他現(xiàn)有技術(shù)和應(yīng)用的本質(zhì)區(qū)別，實際上也是人類未來構(gòu)建元宇宙所要滿足的需求指標(biāo)。
那元宇宙究竟是一種什么東西？它的上位概念是什么？是維基百科定義中的虛擬共享空間嗎？亦或臉書、騰訊等大廠心目中的下一代互聯(lián)網(wǎng)？對這個問題的回答，實際上涉及到人類構(gòu)建元宇宙的終極目的。例如，為什么人類需要游戲？為什么人類需要虛擬空間？元宇宙究竟解決了人類的什么問題和需求？科普作家汪詰認(rèn)為，元宇宙的本質(zhì)是一場現(xiàn)實世界與數(shù)字世界的接口革命。這一觀點正好應(yīng)和了IEEE 2888系列標(biāo)準(zhǔn)要解決的問題。
展開 
三坐標(biāo)測量儀：從機(jī)械精密到智能協(xié)同的技術(shù)
而如今三坐標(biāo)測量儀的四軸聯(lián)動技術(shù)讓CMM擁有了更靈活的運(yùn)動自由度：
四軸聯(lián)動系統(tǒng)通過測座的旋轉(zhuǎn)與三軸移動的協(xié)同，讓測頭始終保持與被測曲面的最佳接觸角度，也讓CMM擁有了更靈活的運(yùn)動自由度。工件一次裝夾，測頭即可在轉(zhuǎn)臺協(xié)同旋轉(zhuǎn)下，沿復(fù)雜曲面連續(xù)運(yùn)動采集海量數(shù)據(jù)。
多軸聯(lián)動的核心，在于運(yùn)動控制算法的優(yōu)化。通過實時計算測頭與工件的相對位置，系統(tǒng)可動態(tài)調(diào)整各軸的運(yùn)動參數(shù)，確保掃描過程平穩(wěn)、高效。這種“智能協(xié)同”能力，讓三坐標(biāo)測量機(jī)在面對最復(fù)雜的工件時，仍能保持高精度與高效率的平衡。
從手工量具到智能三坐標(biāo)，測量技術(shù)的每一步進(jìn)化，都在驅(qū)動著現(xiàn)代精密制造的升級。
展開 Cell：解決抗體研究40年難題，孟飛龍/葉菱秀團(tuán)隊揭示抗體基因DNA的“剛?cè)嵯酀?jì)”，為開發(fā)超級抗體奠定基礎(chǔ)
圖2：CDR突變偏好具有進(jìn)化保守性
隨后，研究團(tuán)隊在體內(nèi)進(jìn)行了驗證，將小鼠體內(nèi)一段抗體基因DNA序列進(jìn)行隨機(jī)替換，發(fā)現(xiàn)新的序列環(huán)境顯著改變了原始位點的突變頻率。緊接著，研究團(tuán)隊進(jìn)一步聚焦于一段CDR3序列，通過基因編輯快速獲得攜帶不同CDR3上下文序列小鼠模型，發(fā)現(xiàn)序列改變對突變頻率造成了不同程度的影響，并且序列改變越靠近AID的作用位點，對突變頻率的影響越大。
為了深入挖掘DNA序列特征，研究團(tuán)隊結(jié)合分子動力學(xué)模擬及單分子熒光相關(guān)光譜實驗證明了AID的靶向偏好受單鏈DNA底物柔韌性的直接調(diào)控，尤其是緊鄰AID作用位點WRC（W=A/T，R=A/G）上游的6nt DNA序列組成。該位置富含嘧啶-嘧啶二核苷酸的柔性DNA序列（[-PyPy-]WRC）有利于結(jié)合AID，進(jìn)而有助于突變的發(fā)生（圖3）。
圖3：柔性DNA序列更易結(jié)合AID
通過分析抗體基因序列特征以及突變譜式，該團(tuán)隊發(fā)現(xiàn)抗體可變區(qū)基因CDR編碼序列在進(jìn)化中獲得了高度柔韌性特征。同時，AID也進(jìn)化出了表面正電荷片區(qū)。這種酶和底物的協(xié)同進(jìn)化促進(jìn)了CDR偏好性突變的發(fā)生。最后，研究團(tuán)隊分別在B細(xì)胞系和小鼠體內(nèi)將柔性DNA序列替換到低頻突變區(qū)，成功地將該區(qū)域逆轉(zhuǎn)為高頻突變區(qū)（圖4）。
圖4：柔性序列將FR區(qū)逆轉(zhuǎn)為類CDR區(qū)
綜上所述，這項工作從經(jīng)典的生化方法出發(fā)，聯(lián)合高通量測序技術(shù)、分子動力學(xué)模擬以及單分子熒光相關(guān)光譜技術(shù)等多種研究手段，在生化、細(xì)胞和小鼠模型三個層面，以全新的角度全面揭示了DNA柔性調(diào)控抗體多樣化的分子機(jī)制，并且該機(jī)制在許多物種中都普遍存在。該研究為DNA力學(xué)性質(zhì)調(diào)控細(xì)胞生命活動提供了有力的實證，揭示了密碼子也有非編碼功能。
展開 HGWOSCA-改進(jìn)的灰狼優(yōu)化算法1(Matlab)
03 代碼目錄
代碼獲取方式見文末
04 算法性能
采用CEC的測試函數(shù)F9來初步檢驗其尋優(yōu)性能，其運(yùn)行結(jié)果如下：
05 總結(jié)
本文嘗試了兩種改進(jìn)方法來改進(jìn)GWO，即正弦函數(shù)模擬狩獵以及通過SCA算法對alpha狼的位置進(jìn)行更新，可以看出這種改進(jìn)對于性能的提升雖有但不明顯，因此作者后面也將進(jìn)一步在該代碼基礎(chǔ)上改進(jìn)，策略有如下幾點：由于GWO算法本身不涉及個體歷史最優(yōu)信息，也即是無記憶種群，因此可以學(xué)習(xí)粒子群算法的策略，將個體歷史最優(yōu)引入包圍行為中，同時，由于領(lǐng)頭狼包含α、β、δ，這三個頭狼協(xié)同引領(lǐng)了群體進(jìn)化的方向，因此可以將SCA算法應(yīng)用于這三頭狼來增加其搜索空間，有助于GWO的全局搜索等等，具體策略在作者后面的文章將進(jìn)行更新，歡迎關(guān)注~
參考文獻(xiàn)
[1]MIRJALILI S,MIRJALILI S M,LEWIS A.Grey Wolf Optimi-zer[J].Advances in Engineering Software,2014,69(3):46-61.
[2]Long, W., Jiao, J., Liang, X., & Tang, M. (2018). Inspired grey wolf optimizer for solving large-scale function optimization problems. Applied Mathematical Modelling, 60,112–126.
文章來源： KAU的云實驗臺
展開 無人系統(tǒng)免疫智能技術(shù)
3 結(jié)論與建議
受到生物體病原識別、應(yīng)激與進(jìn)化功能的啟發(fā), 本文從感知與診斷、免疫與自愈、學(xué)習(xí)與進(jìn)化等方面介紹了免疫無人系統(tǒng)的發(fā)展前景和研究方向。免疫無人系統(tǒng)的特點是在使無人系統(tǒng)面對外部攻擊、干擾、對抗、拒止、封鎖、故障和博弈等復(fù)雜工況時具有病原識別、抗體誘導(dǎo)、應(yīng)激反射、神經(jīng)再造、聯(lián)想記憶、群體協(xié)同和種群進(jìn)化等免疫與自愈能力, 保證自我耐受性的條件下自主地監(jiān)控潛在威脅、防御病毒侵害、抵御外界入侵、調(diào)控自身肌體、完善應(yīng)變機(jī)制、實現(xiàn)機(jī)能進(jìn)化、保障健康運(yùn)行。
具體來說，具有免疫智能的無人系統(tǒng)應(yīng)該具備以下4種能力：① 自隱：非對稱監(jiān)視條件與易感環(huán)境下的態(tài)勢感知與隱蔽潛伏能力；② 自耐：在能量受限條件、陌生惡劣生態(tài)、無支援對抗模式下的耐受能力；③ 自愈：受攻擊、感染、損傷、故障模式下的生存、反擊能力；④ 自生：在病毒變異、攻擊升級的情況下具有對于干擾、攻擊的聯(lián)想、記憶、學(xué)習(xí)與進(jìn)化能力。免疫智能技術(shù)主要應(yīng)用于非理想環(huán)境(如軍事對抗、生態(tài)惡劣、反恐防暴、瘟疫污染等)和非合作態(tài)勢(如干擾、攻擊、對抗、損傷、故障和博弈模式)。從追求任務(wù)的精準(zhǔn)性轉(zhuǎn)化到惡劣、對抗環(huán)境下的生存能力、隱蔽能力和自愈能力。
免疫智能技術(shù)給無人系統(tǒng)提出了一些新的挑戰(zhàn)，包括未知信號識別與辨識、干擾誘導(dǎo)與激勵、多源干擾學(xué)習(xí)與分離、監(jiān)視規(guī)避與隱蔽、分布式異構(gòu)運(yùn)動感知與調(diào)度、能量自主管理與分配、無源自主導(dǎo)航定位、多域視聽信息融合、盲區(qū)安全規(guī)劃與接近控制、多源干擾自耐抑制與補(bǔ)償、損傷模式自愈與重構(gòu)、安全拓?fù)渖膳c進(jìn)化，這些方向可望成為智能系統(tǒng)技術(shù)未來發(fā)展的重要內(nèi)容。
參 考 文 獻(xiàn)
[1] YANG G Z, BELLINGHAM J, DUPONT P E, et al. The grand challenges of science robotics[J].
展開 