蟻群優(yōu)化的案例
77基于matlab的蟻群優(yōu)化路徑算法，二維路徑和三維路徑優(yōu)化 ￥55.9
基于matlab的蟻群優(yōu)化路徑算法，二維路徑和三維路徑優(yōu)化。輸出可視化最優(yōu)路徑和距離迭代曲線。數(shù)據(jù)可更換自己的，程序已調(diào)通，可直接運(yùn)行。
蟻群優(yōu)化 （ACO）ant.y ￥2
<div contenteditable="false" width="100%">
蟻群優(yōu)化 （ACO）
</div><div contenteditable="false" width="100%">
Ant Colony Optimization 的靈感來(lái)自螞蟻的覓食行為。螞蟻通過(guò)放置信息素來(lái)找到它們?nèi)郝浜褪澄飦?lái)源之間的最短路徑，這些信息素會(huì)引導(dǎo)其他螞蟻找到路徑。
</div><div contenteditable="false" width="100%">
以下是旅行推銷員問(wèn)題 （TSP） 的 ACO 的基本實(shí)現(xiàn)：
</div><div contenteditable="false" width="100%">
<br>
</div><p><br></p>
展開(kāi) 新書(shū)推薦(3)——《現(xiàn)代優(yōu)化計(jì)算方法》
現(xiàn)代優(yōu)化計(jì)算方法（第二版）
作者：邢文訓(xùn)，謝金星 編著
出版社：清華大學(xué)出版社
內(nèi)容提要：
本書(shū)系統(tǒng)介紹了禁忌搜索算法、模擬退火算法、遺傳算法、蟻群優(yōu)化算法、人工神經(jīng)網(wǎng)絡(luò)算法和拉格朗日松弛算法等現(xiàn)代優(yōu)化計(jì)算方法的模型與理論、應(yīng)用技術(shù)和應(yīng)用案例。
全書(shū)共7章，第1章是后6章內(nèi)容的基礎(chǔ)，主要介紹算法復(fù)雜性的基本概念和啟發(fā)式算法的評(píng)價(jià)方法，后6章分別介紹各個(gè)現(xiàn)代優(yōu)化計(jì)算方法。
本書(shū)可作為數(shù)學(xué)、管理科學(xué)、計(jì)算機(jī)科學(xué)、工業(yè)工程等學(xué)科中相關(guān)優(yōu)化專業(yè)的研究生教材，也可供相關(guān)專業(yè)研究人員參考。
63基于matlab的生物地理的優(yōu)化器（BBO）被用作多層感知器（MLP）的訓(xùn)練器。 ￥55.9
基于matlab的生物地理的優(yōu)化器（BBO）被用作多層感知器（MLP）的訓(xùn)練器。粒子群優(yōu)化（PSO）、蟻群優(yōu)化（ACO）、遺傳算法（GA）、進(jìn)化策略（ES）和基于概率的增量學(xué)習(xí)（PBIL）。計(jì)算了BBO-MLP、PSO、ACO、ES、GA和PBIL的分類精度并相互比較。輸出每種算法的收斂曲線和分類精度。程序已調(diào)通，可直接運(yùn)行。
粒子群優(yōu)化 （PSO）
這些算法可以應(yīng)用由所有實(shí)體共享的簡(jiǎn)單規(guī)則，并能夠利用個(gè)人之間的交互（稱為代理）在相互合作的基礎(chǔ)上解決優(yōu)化問(wèn)題。
在眾多的群體智能算法中，最常用的兩種算法是粒子群優(yōu)化器 （PSO） 和蟻群優(yōu)化器 （ACO）。在這里，我們將詳細(xì)解釋這兩者：
粒子群優(yōu)化 （PSO）
粒子群優(yōu)化 （PSO） 是一種優(yōu)化技術(shù)，其中一組潛在解決方案使用鳥(niǎo)類成群或魚(yú)群的社會(huì)行為來(lái)解決問(wèn)題。在集群內(nèi)部，每個(gè)片段都被稱為一個(gè)粒子，它有可能提供解決方案。粒子成群地在搜索空間中徘徊，并根據(jù)自己的知識(shí)以及附近所有其他粒子的知識(shí)在這些步驟上移動(dòng)它們的位置。
以下是 Python 中 PSO 的簡(jiǎn)單實(shí)現(xiàn)，用于最小化 Rastrigin 函數(shù)：
Code
展開(kāi) 粒子群優(yōu)化 （PSO） ￥2
這些算法可以應(yīng)用由所有實(shí)體共享的簡(jiǎn)單規(guī)則，并能夠利用個(gè)人之間的交互（稱為代理）在相互合作的基礎(chǔ)上解決優(yōu)化問(wèn)題。
</div><div contenteditable="false" width="100%">
在眾多的群體智能算法中，最常用的兩種算法是粒子群優(yōu)化器 （PSO） 和蟻群優(yōu)化器 （ACO）。在這里，我們將詳細(xì)解釋這兩者：
</div><div contenteditable="false" width="100%">
粒子群優(yōu)化 （PSO）
</div><div contenteditable="false" width="100%">
粒子群優(yōu)化 （PSO） 是一種優(yōu)化技術(shù)，其中一組潛在解決方案使用鳥(niǎo)類成群或魚(yú)群的社會(huì)行為來(lái)解決問(wèn)題。在集群內(nèi)部，每個(gè)片段都被稱為一個(gè)粒子，它有可能提供解決方案。粒子成群地在搜索空間中徘徊，并根據(jù)自己的知識(shí)以及附近所有其他粒子的知識(shí)在這些步驟上移動(dòng)它們的位置。
</div><div contenteditable="false" width="100%">
以下是 Python 中 PSO 的簡(jiǎn)單實(shí)現(xiàn)，用于最小化 Rastrigin 函數(shù)：
</div><div contenteditable="false" width="100%">
Code
</div><div contenteditable="false" width="100%">
<br>
</div><p><br></p>
展開(kāi) 《復(fù)雜系統(tǒng)建模理論與方法》
目錄：
1 緒論
1.1 概述
1.2 系統(tǒng)及有關(guān)概念
1.3 復(fù)雜系統(tǒng)的特點(diǎn)
1.4 復(fù)雜系統(tǒng)建模的理念
1.5 廣義模型的概念
2 基于智能技術(shù)的復(fù)雜系統(tǒng)建模
2.1 概述
2.2 神經(jīng)網(wǎng)絡(luò)建模
2.3 基于Agent的建模方法
2.4 基于CGP的建模方法
2.5 遺傳算法
2.6 粒子群優(yōu)化算法
2.7 蟻群優(yōu)化算法
3 離散事件動(dòng)態(tài)系統(tǒng)建模
3.1 概述
3.2 極大代數(shù)建模方法及其應(yīng)用
3.3 基于Petri網(wǎng)建模方法
3.4 任務(wù)/資源圖建模法
3.5 基于知識(shí)的建模方法
3.6 基于系統(tǒng)理論形式化的建模方法
4 定性建模
4.1 基礎(chǔ)知識(shí)
4.2 定性因果關(guān)系
4.3 歸納推理定性建模
4.4 結(jié)構(gòu)模型化技術(shù)
4.5 系統(tǒng)動(dòng)力建模
4.6 定性建模的其他方法
5 非線性動(dòng)力學(xué)系統(tǒng)建模
5.1 準(zhǔn)備知識(shí)
5.2 全域建模法
5.3 局域建模法
5.4 基于小波網(wǎng)絡(luò)的非線性系統(tǒng)建模法
5.5 基于GMDH的混沌時(shí)間序列建模法
6 其他復(fù)雜系統(tǒng)建模方法
6.1 概述
6.2 元模型建模
6.3 綜合集成法建模
6.4 分形建模方法
6.5 元胞自動(dòng)朵
6.6 圖形建模方法
6.7 復(fù)雜適應(yīng)系統(tǒng)理論及其應(yīng)用
參考文獻(xiàn)
展開(kāi) 復(fù)雜系統(tǒng)建模理論與方法
本書(shū)既可作為高等院校理工科系統(tǒng)工程、管理科學(xué)與工程、自動(dòng)控制專業(yè)博士研究生、碩
【圖書(shū)目錄】
1 緒論
1.1 概述
1.2 系統(tǒng)及有關(guān)概念
1.3 復(fù)雜系統(tǒng)的特點(diǎn)
1.4 復(fù)雜系統(tǒng)建模的理念
1.5 廣義模型的概念
2 基于智能技術(shù)的復(fù)雜系統(tǒng)建模
2.1 概述
2.2 神經(jīng)網(wǎng)絡(luò)建模
2.3 基于Agent的建模方法
2.4 基于CGP的建模方法
2.5 遺傳算法
2.6 粒子群優(yōu)化算法
2.7 蟻群優(yōu)化算法
3 離散事件動(dòng)態(tài)系統(tǒng)建模
3.1 概述
3.2 極大代數(shù)建模方法及其應(yīng)用
3.3 基于Petri網(wǎng)建模方法
3.4 任務(wù)/資源圖建模法
3.5 基于知識(shí)的建模方法
3.6 基于系統(tǒng)理論形式化的建模方法
4 定性建模
4.1 基礎(chǔ)知識(shí)
4.2 定性因果關(guān)系
4.3 歸納推理定性建模
4.4 結(jié)構(gòu)模型化技術(shù)
4.5 系統(tǒng)動(dòng)力建模
4.6 定性建模的其他方法
5 非線性動(dòng)力學(xué)系統(tǒng)建模
5.1 準(zhǔn)備知識(shí)
展開(kāi) 基于Swarm的城市無(wú)人機(jī)4D路徑規(guī)劃
A.蟻群算法中基于擁擠機(jī)制的聚類算法
首先確定聚類中心，良好的初始聚類中心既能加快算法的收斂速度，又能避免解陷入局部最優(yōu);一種直觀的想法是，從幾個(gè)不同的最佳初始解中選擇聚類中心，其他初始解可以根據(jù)它們到聚類中心的距離放入相應(yīng)的聚類中。請(qǐng)注意，每個(gè)集群中只有一個(gè)中心，并且一個(gè)初始解決方案只屬于特定的集群。
這些聚類具有以下特點(diǎn):雖然一個(gè)解決方案可能接近多個(gè)聚類中心，但它只屬于中心適應(yīng)度值較小的聚類。此外，聚類的數(shù)量不是預(yù)先確定的，而是由解的適應(yīng)度值決定的。與固定的集群數(shù)量相比，自適應(yīng)的集群數(shù)量可以使每個(gè)集群區(qū)別于其他集群。最后，排在前幾個(gè)位置的解決方案是不同的，可以成為集群中心。這有利于在以后的迭代過(guò)程中獲得更好的解決方案，因?yàn)槊總€(gè)集群中至少有一個(gè)好的解決方案。
B.基于改進(jìn)蟻群算法的多路徑規(guī)劃
由于整個(gè)群被劃分為一定數(shù)量的聚類，因此基于蟻群算法制定每個(gè)聚類的更新策略。蟻群算法雖然在工業(yè)上應(yīng)用于許多優(yōu)化問(wèn)題，但仍存在容易陷入局部最優(yōu)解和收斂速度較慢的缺點(diǎn)。在蟻群算法的框架下，針對(duì)上述缺點(diǎn)進(jìn)行了改進(jìn)。這些改進(jìn)將在描述蟻群算法解決多路徑規(guī)劃問(wèn)題的步驟時(shí)得到重點(diǎn)說(shuō)明。
其他參數(shù)，如antsNA的數(shù)量，最大迭代次數(shù)simax，有效因子α，啟發(fā)式因子β，信息素矩陣τ，信息素常數(shù)q和信息素蒸發(fā)ρ，也需要初始化。注意信息素矩陣τ的大小與記錄路徑影響的搜索空間相同。
展開(kāi) 無(wú)人系統(tǒng)群體智能及其研究進(jìn)展
歷經(jīng)30余年研究與發(fā)展，群體智能研究由最初的蟻群優(yōu)化算法、粒子群優(yōu)化算法等群體優(yōu)化算法開(kāi)始發(fā)展到集群機(jī)器人、自重構(gòu)機(jī)器人、無(wú)人集群等分布式群體智能系統(tǒng)，再由基于互聯(lián)網(wǎng)的群體智能理論、系統(tǒng)與應(yīng)用發(fā)展到人機(jī)物融合的群體智能計(jì)算，概括而言，目前主要形成以下三種形態(tài).
(1)互聯(lián)網(wǎng)群體智能
互聯(lián)網(wǎng)群體智能，是指在廣泛深度交互的互聯(lián)網(wǎng)組織結(jié)構(gòu)下，規(guī)模化人群為了特定目標(biāo)在線共同作用，從宏觀上產(chǎn)生超越個(gè)體智能局限性的智能狀態(tài)，使群體具有完成復(fù)雜任務(wù)的能力. 在互聯(lián)網(wǎng)新技術(shù)和大數(shù)據(jù)技術(shù)高速發(fā)展背景下，人工智能2.0中的“群體智能”則更多體現(xiàn)的是基于互聯(lián)網(wǎng)的群體智能涌現(xiàn)。
基于群體化編輯的維基百科、基于群體化開(kāi)發(fā)的開(kāi)源軟件、基于眾問(wèn)眾答的知識(shí)共享、基于眾智眾享的APP商店等為此類群體智能的實(shí)例展現(xiàn). 互聯(lián)網(wǎng)群體智能理論與方法是人工智能2.0的核心研究領(lǐng)域之一，為人工智能在其他領(lǐng)域的研究起著基礎(chǔ)性和支撐性作用。
通過(guò)特定的組織結(jié)構(gòu)和大數(shù)據(jù)驅(qū)動(dòng)的人工智能系統(tǒng)吸引、匯聚和管理大規(guī)模參與者，以競(jìng)爭(zhēng)和合作等多種自主協(xié)同方式共同應(yīng)對(duì)挑戰(zhàn)性任務(wù)，將會(huì)成為互聯(lián)網(wǎng)科技創(chuàng)新生態(tài)系統(tǒng)的智力內(nèi)核.
(2)無(wú)人系統(tǒng)群體智能
無(wú)人系統(tǒng)群體智能是指由眾多相對(duì)自主、人工研發(fā)的無(wú)人自主運(yùn)動(dòng)體通過(guò)相互協(xié)作與分工涌現(xiàn)出復(fù)雜智能行為的特性. 無(wú)人機(jī)集群、無(wú)人艇集群、無(wú)人坦克集群和工業(yè)智能機(jī)器人集群等是其目前階段的典型實(shí)例，多顆不同能力的衛(wèi)星也可組成衛(wèi)星集群的群體智能，跨域異構(gòu)無(wú)人集群進(jìn)一步呈現(xiàn)出更為復(fù)雜的無(wú)人系統(tǒng)群體智能形態(tài)。
這些無(wú)人集群以低成本、分散化形式滿足復(fù)雜任務(wù)功能需求，并針對(duì)復(fù)雜環(huán)境自主協(xié)同規(guī)劃、多域協(xié)同合作以及動(dòng)態(tài)自適應(yīng)調(diào)整，可涌現(xiàn)出單個(gè)無(wú)人自主運(yùn)動(dòng)體難以實(shí)現(xiàn)的智能水平. 無(wú)人系統(tǒng)群體智能不僅在協(xié)同偵察、聯(lián)合作戰(zhàn)、戰(zhàn)場(chǎng)評(píng)估等軍事領(lǐng)域，而且在區(qū)域物流、城市安防、搶險(xiǎn)救援等民用領(lǐng)域具有廣闊應(yīng)用前景.
展開(kāi) 水面無(wú)人艇技術(shù)發(fā)展及展望
目前，蟻群優(yōu)化算法、離散時(shí)間非線性模型預(yù)測(cè)控制器、模糊LQR控制器都已經(jīng)引入到無(wú)人艇控制技術(shù)，開(kāi)展無(wú)人艇在復(fù)雜海況條件下的臨界機(jī)動(dòng)預(yù)測(cè)。
⒋路徑規(guī)劃技術(shù)
水面無(wú)人艇在靜態(tài)和動(dòng)態(tài)的海洋環(huán)境中要能夠達(dá)到高度自主性，確保船只、人員及財(cái)產(chǎn)安全，智能、快速地處理各種難以預(yù)料的狀況，就成為路徑規(guī)劃和動(dòng)態(tài)避碰問(wèn)題的難點(diǎn)。一是規(guī)劃過(guò)程中要考慮USV自身的運(yùn)動(dòng)特性及所處的自然環(huán)境（如風(fēng)、浪、流）的影響。二是在海上航行要遵守國(guó)際海上避碰規(guī)則，將路徑規(guī)劃和動(dòng)態(tài)避碰與國(guó)際海上避碰規(guī)則進(jìn)行有效融合，也是無(wú)人艇路徑規(guī)劃的難點(diǎn)問(wèn)題。當(dāng)前研究主要集中在利用非線性滑模控制的基礎(chǔ)上，結(jié)合軌跡規(guī)劃、跟蹤和協(xié)調(diào)控制等多種方法開(kāi)展無(wú)人水面艦艇路徑規(guī)劃。
⒌網(wǎng)絡(luò)化通信技術(shù)
隨著無(wú)線電通信、衛(wèi)星通信等通信技術(shù)的迅速發(fā)展，艦船通信技術(shù)大多由多媒體技術(shù)、信息技術(shù)和電信技術(shù)等多種技術(shù)的集成。無(wú)人艇在與母船或者地面站信息交互時(shí)，需要通過(guò)數(shù)據(jù)鏈路。現(xiàn)有的技術(shù)包括利用超高頻擴(kuò)頻通信結(jié)合衛(wèi)星通信方式進(jìn)行數(shù)據(jù)傳輸，通信信息涵蓋了圖像信息、視頻信息、控制指令、姿態(tài)信息、位置信息等，為提高信息傳輸?shù)膶?shí)時(shí)性和安全性，需要開(kāi)展數(shù)據(jù)傳輸中的帶寬、抗干擾等研究。
展開(kāi) 
無(wú)人集群系統(tǒng)自主協(xié)同技術(shù)綜述
文獻(xiàn)[52]認(rèn)為模擬狼群在合作狩獵中的行為機(jī)制，有助于無(wú)人機(jī)集群對(duì)抗決策體系的優(yōu)化設(shè)計(jì)，并提出了狼群智能與無(wú)人機(jī)集群協(xié)同決策相融合的若干思路和建議。文獻(xiàn)[53-54]把動(dòng)物預(yù)測(cè)機(jī)制引入到了無(wú)人艇群集動(dòng)力學(xué)中，提出基于生物集群動(dòng)力學(xué)相變調(diào)控的自主無(wú)人艇集群協(xié)同關(guān)鍵技術(shù)，以提升群集陣列的效率和魯棒性。
目前群體智能協(xié)同優(yōu)化算法包括蟻群優(yōu)化、粒子群優(yōu)化、蜜蜂啟發(fā)算法、細(xì)菌覓食優(yōu)化，螢火蟲(chóng)算法、魚(yú)群優(yōu)化等，已被證明是解決靜止環(huán)境下協(xié)同優(yōu)化問(wèn)題的有效方法。但是，無(wú)人集群系統(tǒng)往往面臨動(dòng)態(tài)環(huán)境，對(duì)于這樣的動(dòng)態(tài)優(yōu)化問(wèn)題（Dynamic Optimization Problem，DOP），傳統(tǒng)的SI算法難以找到動(dòng)態(tài)環(huán)境下的最優(yōu)解。
文獻(xiàn) [55]給出了在算法中集成的增強(qiáng)策略，以解決群體智能動(dòng)態(tài)優(yōu)化（Swarm Intellgence Dynamic Optimization，SIDO）中使用的動(dòng)態(tài)變化、性能測(cè)量和基準(zhǔn)生成器。文獻(xiàn)[56]利用平均場(chǎng)論解決多智能體交互問(wèn)題，極大地簡(jiǎn)化了交互模式，使計(jì)算量大幅降低，能夠解決成百上千甚至更多數(shù)量的智能體的交互問(wèn)題。
上述研究包括單體智能與群體智能之間的博弈、群體智能的涌現(xiàn)機(jī)制，這些方法都為無(wú)人集群系統(tǒng)自主協(xié)同的研究提供了方法參考。
2.5 機(jī)器學(xué)習(xí)方法
人工智能和機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，以及其在多個(gè)領(lǐng)域的成功應(yīng)用，使得其成為發(fā)展集群系統(tǒng)協(xié)作的關(guān)鍵技術(shù)。與傳統(tǒng)的基于知識(shí)和規(guī)則的控制技術(shù)相比，機(jī)器學(xué)習(xí)技術(shù)對(duì)于環(huán)境的動(dòng)態(tài)變化、智能體間的交互協(xié)作具有擁有更強(qiáng)大的感知和協(xié)調(diào)控制能力，形成啟發(fā)式控制方式[57]。
目前多智能體深度強(qiáng)化學(xué)習(xí)用于無(wú)人集群系統(tǒng)協(xié)同行為策略學(xué)習(xí)是一個(gè)主流的方法。無(wú)人系統(tǒng)通過(guò)試探和獎(jiǎng)勵(lì)反饋形成協(xié)同行為。
展開(kāi) 無(wú)人集群系統(tǒng)自主協(xié)同技術(shù)綜述
文獻(xiàn)[52]認(rèn)為模擬狼群在合作狩獵中的行為機(jī)制，有助于無(wú)人機(jī)集群對(duì)抗決策體系的優(yōu)化設(shè)計(jì)，并提出了狼群智能與無(wú)人機(jī)集群協(xié)同決策相融合的若干思路和建議。文獻(xiàn)[53-54]把動(dòng)物預(yù)測(cè)機(jī)制引入到了無(wú)人艇群集動(dòng)力學(xué)中，提出基于生物集群動(dòng)力學(xué)相變調(diào)控的自主無(wú)人艇集群協(xié)同關(guān)鍵技術(shù)，以提升群集陣列的效率和魯棒性。
目前群體智能協(xié)同優(yōu)化算法包括蟻群優(yōu)化、粒子群優(yōu)化、蜜蜂啟發(fā)算法、細(xì)菌覓食優(yōu)化，螢火蟲(chóng)算法、魚(yú)群優(yōu)化等，已被證明是解決靜止環(huán)境下協(xié)同優(yōu)化問(wèn)題的有效方法。但是，無(wú)人集群系統(tǒng)往往面臨動(dòng)態(tài)環(huán)境，對(duì)于這樣的動(dòng)態(tài)優(yōu)化問(wèn)題（Dynamic Optimization Problem，DOP），傳統(tǒng)的SI算法難以找到動(dòng)態(tài)環(huán)境下的最優(yōu)解。
文獻(xiàn) [55]給出了在算法中集成的增強(qiáng)策略，以解決群體智能動(dòng)態(tài)優(yōu)化（Swarm Intellgence Dynamic Optimization，SIDO）中使用的動(dòng)態(tài)變化、性能測(cè)量和基準(zhǔn)生成器。文獻(xiàn)[56]利用平均場(chǎng)論解決多智能體交互問(wèn)題，極大地簡(jiǎn)化了交互模式，使計(jì)算量大幅降低，能夠解決成百上千甚至更多數(shù)量的智能體的交互問(wèn)題。
上述研究包括單體智能與群體智能之間的博弈、群體智能的涌現(xiàn)機(jī)制，這些方法都為無(wú)人集群系統(tǒng)自主協(xié)同的研究提供了方法參考。
2.5 機(jī)器學(xué)習(xí)方法
人工智能和機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，以及其在多個(gè)領(lǐng)域的成功應(yīng)用，使得其成為發(fā)展集群系統(tǒng)協(xié)作的關(guān)鍵技術(shù)。與傳統(tǒng)的基于知識(shí)和規(guī)則的控制技術(shù)相比，機(jī)器學(xué)習(xí)技術(shù)對(duì)于環(huán)境的動(dòng)態(tài)變化、智能體間的交互協(xié)作具有擁有更強(qiáng)大的感知和協(xié)調(diào)控制能力，形成啟發(fā)式控制方式[57]。
目前多智能體深度強(qiáng)化學(xué)習(xí)用于無(wú)人集群系統(tǒng)協(xié)同行為策略學(xué)習(xí)是一個(gè)主流的方法。無(wú)人系統(tǒng)通過(guò)試探和獎(jiǎng)勵(lì)反饋形成協(xié)同行為。
展開(kāi) 大數(shù)據(jù)智能決策.
由于專家知識(shí)總是有限的,并且能夠以符號(hào)邏輯表示并用來(lái)推理的知識(shí)更為有限,所以許多專家知識(shí)并不是一開(kāi)始就已經(jīng)具備,更多的還是在決策過(guò)程中學(xué)習(xí)得到的.因此,人們將人工智能中的仿生方法引入到?jīng)Q策過(guò)程中,并取得了很好的效果.仿生方法是一類重要的人工智能方法,能夠適應(yīng)現(xiàn)實(shí)環(huán)境中普遍的不確定性,解決那些無(wú)法精確定義或建模的決策問(wèn)題.神經(jīng)網(wǎng)絡(luò)、進(jìn)化算法、蟻群算法等均被用于對(duì)存在大量不確定性信息的學(xué)習(xí),并得到較好的決策效果.例如,Bukharov 等[69] 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法構(gòu)建了一個(gè)決策支持系統(tǒng),該系統(tǒng)采用區(qū)間神經(jīng)網(wǎng)絡(luò)來(lái)處理不確定數(shù)據(jù),使用遺傳算法來(lái)選擇最重要的輸入.Yu 等[70] 結(jié)合與或圖和粗糙集等方法將蟻群優(yōu)化算法應(yīng)用于屬性約簡(jiǎn)、約簡(jiǎn)選擇以及Web 服務(wù)選擇中.
此外,概率推理、賦值代數(shù)、連接分析、聚類分析等方法也常常應(yīng)用于不確定性決策分析中.上述理論與方法為智能決策問(wèn)題的求解提供了有力的支持,但是有關(guān)不確定環(huán)境下面向復(fù)雜大群體決策等方面的求解方法仍然有待進(jìn)一步的研究.
2.3 基于信息融合的智能決策
多源信息融合是人類所固有的一種基本功能.人類可以本能地將各種感知器官所探測(cè)的信息與先驗(yàn)知識(shí)進(jìn)行綜合,進(jìn)而對(duì)周圍的環(huán)境和正在發(fā)生的事件做出準(zhǔn)確的估計(jì).“盲人摸象” 的故事告知我們,單憑一種感官獲得的感知信息,難以獲得對(duì)客觀事物的全面認(rèn)知,而通過(guò)對(duì)不同度量特征的融合處理可以將多源信息轉(zhuǎn)化成對(duì)環(huán)境有價(jià)值的解釋.多源信息融合就是對(duì)人腦綜合處理多源信息功能的模擬[71],以實(shí)現(xiàn)自動(dòng)的或半自動(dòng)的將不同來(lái)源和不同時(shí)間點(diǎn)的信息轉(zhuǎn)化為統(tǒng)一表示形式,進(jìn)而為人們提供有效決策支持的一系列技術(shù)方法[72].
展開(kāi) 