基于智能水平聚类的进化方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于智能水平聚类的进化方法及系统。

背景技术

在自然界中，进化指的是生物体随时间推移而发生变化的过程。达尔文在《物种起源》中提出了自然选择理论，解释了物种为什么会随着时间发生演变，解释了新物种的出现，阐释了有机体结构随时间产生变化的过程，还说明了为什么这些结构的组成部分具有明显的目的性特征。本质上进化是生物在新的环境中能够更好的生存下去，更具有竞争力的一个必经过程。自然界中的群体现象如鸟类飞行、蚁群效应等等都普遍存在着进化。

随着网络时代的到来，大数据、人工智能、物联网、工业4.0、云计算等这些技术使得人、企业、政府等机构、智能机器人、智能物品之间联结的深度、广度和方式不断在拓展，在网络环境下的群体现象联结更加紧密，且智能主体是异质异构的。为探索这种机制的内在联系，有学者提出了“众智科学与工程”的概念，旨在探索大规模在线互联背景下由信息、物理和社会三元体系构成的群体智能活动的基本原理和规律。自然界中的进化是生物体为了适应周围的生存环境随时间不断变化的过程。在众智科学中，进化解释为众多智能体间为了产生优于个体解决问题能力的群体协作过程，更多的称作演化、演变。与自然界的进化问题一样，众智系统进化也是众智科学理论研究的主要问题之一。

受自然界中生物种群进化的启发，科学家们提出了许多传统的进化算法，包括蚁群算法和粒子群算法。在众智科学提出之前，有一系列研究群体智能的学科，比如群体智慧，多智能体系统等，它们的智能主体是同质同构的。这些学科使用传统进化算法研究智能体之间的进化，并取得了良好效果。这启发我们探索传统进化算法与众智进化之间的潜在关系。

在研究智能进化过程中，智能体的智能程度是一个重要的因素，然而现有的智能进化方法在研究进化时未直接考虑智能程度。

发明内容

本发明的目的是提供一种基于智能水平聚类的进化方法及系统，能够首先通过智能水平对智能体进行聚类划分，使混乱的群体变得有组织，然后基于粒子群优化算法对智能体进行优化，使群体得到进化。

为了实现上述目的，本发明提供一种基于智能水平聚类的进化方法，其包括：步骤1、初始化群体中的智能体的数量N并根据所述智能体的分布生成N个所述智能体；；步骤2、计算每个所述智能体的智能水平I

为了实现上述目的，本发明还提供一种基于智能水平聚类的进化系统，其包括：初始化模块，用于初始化群体中的智能体的数量N并根据所述智能体的分布生成N个所述智能体；；计算模块，用于计算每个所述智能体的智能水平I

附图说明

图1为本发明实施例的基于智能水平聚类的进化方法流程图。

图2为本发明实施例的智能体的聚类过程流程图。

图3为本发明实施例的智能体的进化过程流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明提出的一种基于智能水平聚类的进化方法及系统进一步地详细说明。应当理解，此处所描述的具体实施方法仅仅用以解释本发明，并不用于限定本发明。

本发明将智能度量方法与聚类分析方法相结合，提出了一种基于智能水平聚类的进化方法及系统用来描述众智群体智能的演变。其中，对于本发明的基于智能水平聚类的进化方法，首先通过质量-时间评估的智能水平对智能体进行聚类，然后基于粒子群优化算法建模智能体智能的进化过程，并得到进化结果。通过对该进化结果分析，分析众智群体的演变过程。如图1所示，本发明实施例提出的基于智能水平聚类的进化方法包括：步骤S1，初始化群体中的智能体的数量及智能体的分布；步骤S2，计算每个智能体的智能水平；步骤S3，根据智能体的智能水平对智能体进行聚类，得到多个簇；以及步骤S4、根据多个簇并基于粒子群优化算法对各个簇内的智能体进行优化，得到进化的群体。

本发明实施例的基于智能水平聚类的进化方法的实施主要分为两个过程：第一，基于质量-时间评估的智能水平的聚类过程；第二，基于粒子群优化算法的进化过程。

对于基于质量-时间评估的智能水平的聚类过程，主要包括图1中的步骤S1、步骤S2及步骤S3。

聚类分析是将物理或者抽象对象的集合分成由相似的对象组成的多个类的过程，实质就是探索数据内部潜在的关系。聚类分析可以应用在许多领域中，在商务上，聚类可以帮助营运商分析用户偏好而对用户提供相应的服务；在生物学上，聚类可以对基因进行分类从而认识种群的结构。

k-medoids聚类是聚类分析较经典和具代表性的方法之一。它以欧式距离为度量判断对象属于哪一类，聚类中心是群体中的某个对象。本发明的实施例以k-medoids聚类为基础。

基于质量-时间评估的智能水平的聚类过程的主要步骤包括：

对于步骤S1，初始化群体中的智能体的数量N，在定义域内生成智能体o

步骤S2，使用基于质量-时间的智能度量公式计算每个智能体的智能水平，智能水平定义为

理论上，智能体的智能水平、完成任务的质量和时间的取值范围都是(0,+∞)，但在实际场景中，智能体的智能水平是有限的。同时为了方便度量，本发明的实施例将智能体的智能水平进行归一化处理，即I

X

其中，D表示智能体的维度，rand(m,n)表示产生由在(0,1)之间均匀分布的随机数组成的m行n列矩阵；

对于步骤S3，如图2所示，其主要包括如下步骤：

步骤S31，初始化群体的聚类数目k，聚类中心

步骤S32，根据公式计算智能体到每个聚类中心的距离

其中，距离

步骤S33，重新确定每个簇的聚类中心，其中每个簇中与各个智能体的智能水平的距离的绝对误差最小的智能体，作为新的聚类中心；

步骤S34，判断聚类中心是否收敛，即每个簇内的点或者每个簇的聚类中心不再发生变化。当聚类中心收敛时，则输出步骤S32得到的k个簇；当聚类中心未收敛时，则返回步骤S32，重复执行步骤S32-步骤S33。对此，本发明采用的目标公式可以描述为：

在这里是智能水平的差值求和即求出纵坐标与横坐标的比值后再进行差值求和。

基于粒子群优化算法的进化过程主要包括图1中的步骤S4。

粒子群优化算法在传统进化方法表现良好，该算法是利用群体中的个体对信息的共享影响整个群体的演化，从而找到最适解。粒子群优化算法中只有全局最优值给出信息，让粒子共享，所以粒子可能会更快的趋于最优解。在本发明的实施例中，将步骤S3得到的的k个簇作为输入，智能体首先在其自身所属的簇内进行信息的交互、协作，之后再进行簇间的交互；另外，还可选择设置智能体智能水平的范围，即设置智能体的位置范围，智能体应该在有限范围内进化。对于步骤S4，如图3所示，其主要包括如下步骤：

步骤S41，计算群体的初始智能水平，其目的是为了与进化之后的群体的智能水平进行比较，以分析是否进化，群体智能水平的计算公式如下：

步骤S42，设置群体的进化中心；可选地，群体的进化中心可以设置为两种，一种是以最大智能水平的智能体作为进化中心，另一种是以聚类中心作为进化中心。两种不同的设置方式可以应用在不同的场景问题中，这样可以自适应地改变合适的进化方式。具体地，在本实施例中，还可设置最大进化迭代次数，从而为群体中的智能体的进化迭代次数设置上限。

步骤S43，对于传统粒子群算法中需要更新粒子的位置和速度，更新公式如下：

其中

但是，粒子速度项可能会造成粒子偏离正确的进化方向，会导致进化后期的收敛速度变慢。所以本发明的实施例对此进行改进，只更新粒子的位置，不考虑其速度，这样可以避免或减缓收敛速度变慢的问题。另外，不再设置个体和全局最优值，而是设置群体的进化中心p

另外，同样采用步骤41中的群体智能水平的计算公式来计算更新后的群体的智能水平。

步骤S44，判断是否达到最大进化迭代次数或者判断群体的智能水平是否收敛，如果达到最大进化迭代次数或者群体的智能水平收敛，则计算群体的更新后的智能水平，并得到进化后的群体。在本实施例中，比较群体的初始智能水平和群体更新后的智能水平，分析智能进化过程，其中当群体的智能水平不再变化为达到收敛，即当前迭代的群体的智能水平与前一次迭代的群体的智能水平相等。如果未达到最大进化迭代次数或者群体的智能水平未收敛，则返回步骤S43继续执行。

以下为与上述方法实施例对应的系统实施例，本实施例的系统可与上述实施例的方法互相配合实施。上述实施方式中提到的相关技术细节在本实施例的系统中依然有效，为了减少重复，在此不再赘述。

本发明的实施例还提供一种基于智能水平聚类的进化系统，其包括：初始化模块，用于初始化群体中的智能体的数量N并根据所述智能体的分布生成N个所述智能体；计算模块，用于计算每个所述智能体的智能水平I

其中，

于一实施例中，上述的基于智能水平聚类的进化系统，所述智能体的分布服从在定义域内的(0,1)之间的均匀分布。

于一实施例中，上述的聚类模块包括：初始化子模块，用于初始化聚类数目k及聚类中心

其中，

于一实施例中，上述的优化模块包括：群体智能水平计算子模块，用于计算所述群体的初始智能水平或者更新后的智能水平，；进化设置子模块，用于设置所述群体的进化中心p

其中，所述粒子群优化算法为

于一实施例中，上述的基于智能水平聚类的进化系统，所述群体的进化中心为各所述簇内智能水平最高的智能体或者所述聚类中心。