群體智能優化的案例
無人系統群體智能及其研究進展
盡管群體智能系統中個體的智能都極其有限，但卻能夠通過相互協作與分工，整體涌現出高度的集體智能，以完成復雜任務，并為各種復雜問題的求解提供新的思路。
歷經30余年研究與發展，群體智能研究由最初的蟻群優化算法、粒子群優化算法等群體優化算法開始發展到集群機器人、自重構機器人、無人集群等分布式群體智能系統，再由基于互聯網的群體智能理論、系統與應用發展到人機物融合的群體智能計算，概括而言，目前主要形成以下三種形態.
(1)互聯網群體智能
互聯網群體智能，是指在廣泛深度交互的互聯網組織結構下，規模化人群為了特定目標在線共同作用，從宏觀上產生超越個體智能局限性的智能狀態，使群體具有完成復雜任務的能力. 在互聯網新技術和大數據技術高速發展背景下，人工智能2.0中的“群體智能”則更多體現的是基于互聯網的群體智能涌現。
基于群體化編輯的維基百科、基于群體化開發的開源軟件、基于眾問眾答的知識共享、基于眾智眾享的APP商店等為此類群體智能的實例展現. 互聯網群體智能理論與方法是人工智能2.0的核心研究領域之一，為人工智能在其他領域的研究起著基礎性和支撐性作用。
通過特定的組織結構和大數據驅動的人工智能系統吸引、匯聚和管理大規模參與者，以競爭和合作等多種自主協同方式共同應對挑戰性任務，將會成為互聯網科技創新生態系統的智力內核.
(2)無人系統群體智能
無人系統群體智能是指由眾多相對自主、人工研發的無人自主運動體通過相互協作與分工涌現出復雜智能行為的特性. 無人機集群、無人艇集群、無人坦克集群和工業智能機器人集群等是其目前階段的典型實例，多顆不同能力的衛星也可組成衛星集群的群體智能，跨域異構無人集群進一步呈現出更為復雜的無人系統群體智能形態。
展開 群體智能專欄｜基于聯盟的無人機集群避障方法
基于聯盟的無人機集群避障方法
符小衛，張嘉平，魏 可
（西北工業大學電子信息學院，西安 710129）
摘 要: 無人機集群的避障行為作為群體行為的一種，在國內外得到了廣泛的研究和應用。針對切換拓撲結構下的集群避障控制問題，設計了僅需個別無人機獲取虛擬長機信息的集群避障方法。通過對無人機集群劃分聯盟，選出集群子網中的導航信息無人機來獲取虛擬長機的信息，在避障時可保證集群的連通性。在此基礎上，通過對集群中各導航信息無人機施加一個垂直于虛擬長機運動軌跡的額外排斥力，并將虛擬長機對導航信息無人機的引導力權值因子進行設計，使其成為與虛擬長機和導航信息無人機距離相關的自適應因子。不但保證集群在面對較大障礙物時能有效地進行避障，而且解決了傳統人工勢場避障方法中存在的局部極小值問題。仿真結果表明了所建模型的合理性和求解方法的有效性。
關鍵詞: 無人機集群；拓撲切換；信息濃度；聯盟；改進BFS；避障控制
1 引 言
近年來，無人機集群在軍事和民用領域具有廣泛的應用[1]，得到了科研和工程領域的重點關注。無人機集群指通過自組織機制，使具備有限自主能力的多架無人機在沒有集中指揮控制的情況下，通過相互間信息通信產生整體效應，實現較高程度的自主協作，從而在盡量少的人員干預下完成預期的任務目標。本文重點研究無人機集群避障控制方法。針對無人機集群避障問題，國內外學者進行了大量研究，常用的防碰撞控制方法包括人工勢場、神經網絡、最優化理論等。其中人工勢場原理簡單、易于理解、計算量小，在避障控制策略中成為首選方法[2]。
文獻[3]用勢能場方法模擬了群聚行為和凝聚力，并使用結構勢函數來實現集群間的防碰撞，當兩機之間的距離偏小時，排斥因子起主要作用，兩機分離，避免碰撞，該方法并不能保證相對距離大于最小安全距離。
展開 “風扇葉輪智能優化設計”榮獲科研十大智能標桿案例
1月29日，由中國信息通信研究院與中國人工智能產業發展聯盟科學智能工作組聯合主辦的“科研智能成果發布會”在北京召開。
會議聚焦科研智能前沿趨勢，旨在為行業提供權威參考與實踐指南，會上正式發布了 “2025年科研智能十大標桿案例” ，以表彰該領域的突破性創新實踐，樹立行業典范，促進產業協作。
天洑憑借 “風扇葉輪智能優化設計” 案例，成功入選。該案例是基于天洑自主研發的優化設計軟件AIPOD實現的成功實踐，充分彰顯了公司在工業軟件領域的深厚技術積累與硬核創新能力，獲得了國家級權威機構的高度認可。
天洑將繼續專注工業人工智能與物理AI領域的研發應用，以創新技術驅動產業智能化。
展開 智能設計新時代 | optiSLang賦能HFSS實現智能優化
Ansys optiSLang就是這樣一款工具，通過與HFSS的無縫結合，實現對設計潛能的進一步激發，相信optiSLang的這一系列智能優化技術，將在天線設計、濾波器設計等射頻電磁場領域具有越來越廣泛的應用。
來源于：ANSYS官網
智能設計新時代 | optiSLang賦能HFSS實現智能優化
從簡單優化到穩健設計
3
optiSLang智能優化的關鍵技術
optiSLang的智能優化技術，首先是通過對設計空間的充分探索（DoE），建立最佳預測元模型，分析參數敏感度。基于對設計的充分理解，降低設計復雜度，軟件推薦給出最合適的優化算法。在整個優化過程中實現參數重要性自動篩選，優化算法自動推薦，以及魯棒性、可靠性評估。
optiSLang的智能優化技術
a
最佳預測元模型MoP
描述客觀事物的物理行為，通常有兩種途徑：
一種是基于實物的物理機理，建立理論模型即物理仿真模型；
另一種是基于先驗數據，建立經驗預測模型
optiSLang基于實驗設計數據對系統響應建立預測模型，這個預測模型稱為最佳預測元模型（MoP- Metamodel of Optimal）。MoP是建立在一系列實驗設計（DoE）采樣基礎上的，optiSLang提出一個預測質量的關鍵指標-預測系數（CoP - Coefficient of Prognosis）來評估對實際模型的預測質量。
展開 智能設計新時代 | optiSLang賦能HFSS實現智能優化
Ansys optiSLang
Ansys optiSLang是一款先進的仿真流程集成與設計優化（Process Integration and Design Optimization，PIDO）工具。optiSLang不僅僅是一款優化工具，實際上它是基于數學方法研究產品設計中的輸入參數和輸出響應，實現設計流程集成以及優化自動化，同時為數字孿生（Digital Twin）提供降階模型。optiSLang不僅優化產品性能，同時兼顧設計的魯棒性以及可靠性，最終達到穩健設計。
從簡單優化到穩健設計
3
optiSLang智能優化的關鍵技術
optiSLang的智能優化技術，首先是通過對設計空間的充分探索（DoE），建立最佳預測元模型，分析參數敏感度?；趯υO計的充分理解，降低設計復雜度，軟件推薦給出最合適的優化算法。在整個優化過程中實現參數重要性自動篩選，優化算法自動推薦，以及魯棒性、可靠性評估。
optiSLang的智能優化技術
a
最佳預測元模型MoP
描述客觀事物的物理行為，通常有兩種途徑：
一種是基于實物的物理機理，建立理論模型即物理仿真模型；
另一種是基于先驗數據，建立經驗預測模型
optiSLang基于實驗設計數據對系統響應建立預測模型，這個預測模型稱為最佳預測元模型（MoP- Metamodel of Optimal）。MoP是建立在一系列實驗設計（DoE）采樣基礎上的，optiSLang提出一個預測質量的關鍵指標-預測系數（CoP - Coefficient of Prognosis）來評估對實際模型的預測質量。
展開 人工智能如何改變工業營銷 — 從傳統搜索引擎優化到答案引擎優化
生成式人工智能可在數秒內提供答案。對于B2B企業來說，這意味著只有與時俱進、調整適應，才能保持企業的高可見性。
工程師和設計師搜索技術信息的方式發生了根本性的變化。過去，設計師需要瀏覽多家制造商的網站，而現在，當設計師向人工智能提問：“哪種傳感器能在300度高溫下工作？誰提供這種傳感器？”
答案直接來自ChatGPT，Google AI Overviews，Perplexity等。這些系統通常會根據可自由訪問的數據、技術描述和鏈接來源，給出兩到三個制造商或產品的名稱。這意味著，決定閱讀哪一頁內容的不再是使用者，而是人工智能評定哪些內容為相關。
根據皮尤研究公司（2025）最近的一項分析，一旦谷歌顯示人工智能摘要，點擊傳統搜索結果的人就會明顯減少 ?？梢姸仍絹碓蕉嗟爻霈F在生成答案的地方，而非網站上。從傳統搜索向人工智能的轉變正在穩步推進。
從搜索引擎排名到人工智能推薦
生成式人工智能是技術信息搜索領域的新守門人 。傳統的搜索引擎優化仍然是基礎，但僅靠它已不再足夠。關鍵在于，人工智能系統能否從技術和內容上理解信息。從根本上說，這意味著：
人工智能系統傾向于精確、結構化和可驗證的內容。
它們更愿意訪問具有技術深度的可信來源。
自動分析、比較和總結產品數據。
根據Ahrefs的分析文章"The Great Decoupling"，良好的谷歌排名并不意味著能自動帶來更多的訪問量，因為許多用戶直接從人工智能工具中獲取答案。
Seer Interactive 還顯示 ，谷歌排名靠前的品牌在人工智能回答中被提及的頻率更高，但傳統的搜索引擎優化信號只能解釋人工智能能見度的一部分。人工智能遵循自己的相關性標準。
展開 【技術】天洑智能優化案例集錦（1）——芯片散熱器結構優化
圖2 電子芯片散熱結構的自動化優化設計流程圖
圖3 AIPOD優化流程搭建示意圖，只需要簡單的流程搭建即可開始優化
1.基于參數化建模方法，有助于AIPOD優化方案的實時驗證、評估和方案迭代，保證優化方案的可行性；
2.基于AIPOD的自動化優化流程，可以有效減少用戶手動操作的過程，基于優化算法的自動尋優也有助于發現新的散熱結構設計方法；
3.基于AIPOD中集成的智能優化算法，可以有效幫助電子芯片散熱系統的結構設計，快速得到更好的散熱結構。
應用價值
1.有效提高散熱系統的平均熱流密度，在相同工作環境下，平均熱流密度可以提高5%左右；
2.高效輔助電子芯片散熱器設計，減少迭代設計的時間和人力成本。在硬件條件允許的情況下，可以同時進行多類散熱器的優化設計。
相關案例
如對相關軟件感興趣，可以
聯系我們
或申請
軟件試用
。
展開 智能優化設計
[圖片]
Isight Pointer智能優化器簡介
pointer優化器集眾家所長，可以處理可以處理高度非線性問題，用戶不需要專業的優化知識，優化之前也不需要對設計空間了解很多，它可以處理具有多個輸入參數的問題（大于20），各種優化技術內部自動切換，另外這種優化策略不設定收斂準則，只要處于運行中則盡量尋找優化方案。
Isight Pointer智能優化器簡介.pdf
AIPOD——人工智能優化設計平臺
AIPOD是一款智能優化平臺，具有先進的智能優化策略；主要用于目標函數為數值模擬（如CAE）類的優化問題，追求以更小的計算代價，更短的時間找到更優的設計方案。
AIPOD特點
1) 具有優秀的智能優化算法，擁有較高的優化效率；
2) 包括含代理和無代理多種優化模式；
3) 支持多目標優化與多工況優化；
4) 仿真求解器連接靈活，用戶使用簡便；
5) 具備DoE與后處理功能。
AIPOD界面演示
后處理界面
AIPOD優化算法測試
AIPOD通用全局優化算法測試，驗證算法是否能夠滿足，在充分小的計算規模下，尋找到充分可取的優解；測試函數如表1所示。
同時，對比測試選用的優化算法和最大計算數目如下表所示；
1 單目標值優化
1.1 Shubert函數：
1.2 Griewank函數：
2 多目標值優化
ZDT1，2，3，4測試函數：
Pareto 前沿對比策略：
按照計算次序，每間隔1000個計算中獲取對應的pareto前沿，觀察pareto前沿移動的效率 。
ZDT1函數測試
ZDT2函數測試
ZDT3函數測試
ZDT4函數測試
展開 
基于Cortex-M0智能水溫監控系統的優化
3 結束語
系統通過實際操作驗證取得成功，從安全方面考慮，采用了控制現場和監控中心分離的設計思想，這樣即使設備發生故障也不會對操作人員造成人身傷害，優化了整個水溫監控過程。
參考文獻
[1] 曾鳳.基于STM32及PID-PWM的智能水溫監控系統設計[J].成都工業學院學報.2019(6):24-28.
[2] 甄麗靖.基于選擇PID算法的供熱系統水溫智能控制方法[J].自動化應用.2020(11):13-14.
[3] 肖軍.基于無線通信技術的魚缸遠程實時監控系統的設計與實現[J].計算機與數字工程,2020(8):2024-2027.
[4] 李寧.基于MDK的LPC1100處理器開發應用[M].1版.北京:北京航空航天大學出版社,2010.
[5] 周立功.C程序設計高級教程[M].北京:北京航空航天大學出版社,2012,17-28.
*本文選自《電子產品世界》雜志2021年11月期
展開 智能駕駛中的底盤控制技術優化設計方案
VMC模塊在頂層控制端（智能行車及智能泊車控制）過程中，首先需要計算相應期望的縱向加減速度、轉向角度給對應的VMC控制模塊，然后VMC模塊需要參照模型計算出相應的制動增壓壓力與動力扭矩并輸入至區域控制單元，在該單元模塊中進行信號濾波、校驗、優先級仲裁后輸入至相應的轉向扭矩、制動增壓力、動力扭矩控制單元中。
為了確保穩定性，安全性，舒適性等功能開發效果。從整個智能駕駛實際開發過程中，當前基本是將整個VMC都放入到底盤域控制單元中，一般情況下，從底盤域控制器角度上講，VMC/LSM類似接口限制了很多上層應該判定的執行條件，如ESP在何種情況下響應上層ADAS控制（如車輛自檢完成、車輛處于EPB解鎖狀態、車輛前向怠速行駛）。這就導致在很多ADAS/ADS需要響應執行的場景將變得不可用。同時，在自主研發自動駕駛系統過程中，VMC控制可擴展其余使用場景，適用于新架構服務迭代升級的概念。同時，自主研發的VMC可靈活更改和調整相關的制動執行參數，一定程度上可以減少制動系統在整個軌跡規劃和執行控制中的工作量，只要確保上層ADAS/ADS系統對制動控制接口保持的一致性，就可以使得整個智駕控制更加精準、有效。
總結
如上智能駕駛的開發能力要求中不難看出，在下一代智能駕駛開發中需要有效的掌握包含傳統感知、規劃、決策方面的智能駕駛任務外，還要充分考慮到傳統底盤業務納入到智能駕駛團隊中進行開發。這里我們就不得不提到關于團隊建設的問題。下一代智能駕駛想要將智能駕駛業務充分納入到頂層控制單元中，就必須考慮重新對智能駕駛團結隊進行分工。建議可以從如下圖的方式進行。
展開 【新聞】智能優化軟件 AIPOD 2.1 正式發布！
AIPOD更多詳細介紹及軟件試用申請，請點擊
AIPOD - 智能優化設計平臺
，前往查閱。
智能駕駛中的底盤控制技術優化設計方案
VMC模塊在頂層控制端（智能行車及智能泊車控制）過程中，首先需要計算相應期望的縱向加減速度、轉向角度給對應的VMC控制模塊，然后VMC模塊需要參照模型計算出相應的制動增壓壓力與動力扭矩并輸入至區域控制單元，在該單元模塊中進行信號濾波、校驗、優先級仲裁后輸入至相應的轉向扭矩、制動增壓力、動力扭矩控制單元中。
為了確保穩定性，安全性，舒適性等功能開發效果。從整個智能駕駛實際開發過程中，當前基本是將整個VMC都放入到底盤域控制單元中，一般情況下，從底盤域控制器角度上講，VMC/LSM類似接口限制了很多上層應該判定的執行條件，如ESP在何種情況下響應上層ADAS控制（如車輛自檢完成、車輛處于EPB解鎖狀態、車輛前向怠速行駛）。這就導致在很多ADAS/ADS需要響應執行的場景將變得不可用。同時，在自主研發自動駕駛系統過程中，VMC控制可擴展其余使用場景，適用于新架構服務迭代升級的概念。同時，自主研發的VMC可靈活更改和調整相關的制動執行參數，一定程度上可以減少制動系統在整個軌跡規劃和執行控制中的工作量，只要確保上層ADAS/ADS系統對制動控制接口保持的一致性，就可以使得整個智駕控制更加精準、有效。
總結
如上智能駕駛的開發能力要求中不難看出，在下一代智能駕駛開發中需要有效的掌握包含傳統感知、規劃、決策方面的智能駕駛任務外，還要充分考慮到傳統底盤業務納入到智能駕駛團隊中進行開發。這里我們就不得不提到關于團隊建設的問題。下一代智能駕駛想要將智能駕駛業務充分納入到頂層控制單元中，就必須考慮重新對智能駕駛團結隊進行分工。建議可以從如下圖的方式進行。
展開 