噪声环境下粒子群的个体学习与群体智能

Particle swarm optimizer (PSO) is a stochastic global optimization technique inspired by the social behavior of bird flocking or fish schooling. It produces sophisticated swarm behavior from the simple individual rule. Most studies concentrate on the static environment and achieve significant success. The noise inevitably caused by measurement or uncertainty of the system misleads the swarm and degrades the performance of PSO disastrously. The influence of noise can not be eliminated by the parameter tuning. This project innovatively uses learning automata and ordinal optimizers to balance between the learning accuracy and evaluation budget in order to reduce the effect caused by noisy fitness evaluation. Novel swarm intelligence will be proposed to enhance the robustness of the swarm facing noise. This project combines the machine learning and swarm intelligence to improve the performance of PSO in a noisy environment such as multi-model function optimization, games and stochastic point location, which promotes the application of computational intelligence to solve the real world optimization problems.

粒子群优化算法模拟鸟群与鱼群协同觅食的群体智能，依靠简单个体运动规则产生复杂群体行为，现有研究大多基于确定性环境并取得了可观成果。大量实际系统优化问题中由于测量误差或系统本身的不确定性存在噪声，导致粒子群无法保留已学习经验、粒子局部探索能力降低、群体的最优适应值不能随迭代线性提高、算法收敛速度缓慢、精度下降等灾难性后果，且不能由参数的调整来消除。本项目首先将序优化方法引入学习自动机，为实现粒子个体学习精度与评估代价的最优权衡提供增强式机器学习方法；然后，针对传统群体智能的信息共享机制在噪声环境下极其脆弱以致降低群体适应能力的问题，拟提出基于群体决策、双向学习等抗噪能力强的新型信息共享机制并加以优选。最后，粒子群的个体学习方法与群体智能的抗噪信息共享机制相互协同，拟应用于噪声环境下的多模函数优化、随机博弈、随机点定位等优化问题，对实现智能计算向实际应用的有效推广具有十分普遍性与前瞻性的意义。

粒子群优化算法模拟鸟群与鱼群协同觅食的群体智能，依靠简单个体运动规则产生复杂群体行为，现有研究大多基于确定性环境并取得了可观成果。大量实际系统优化问题中由于测量误差或系统本身的不确定性存在噪声，导致粒子群无法保留已学习经验、粒子局部探索能力降低、群体的最优适应值不能随迭代线性提高、算法收敛速度缓慢、精度下降等灾难性后果，且不能由参数的调整来消除。为了提高算法效率，有两种途径。第一种途径，是提高重采样的效率。因为进化算法往往关注要选出的优秀候选解，那么较差的候选解的重采样次数就可以减少甚至取消。第二种途径是完全不用重采样，通过提出高效的算法，从带噪声的适应值中，找到优秀的候选解，引领群体进化。在提高重采样效率的途径上，本项目将序优化与学习自动机方法引入粒子群算法，提出了将寻求第一的序优化方法扩展为寻求最好与最差或有序的任意子集和选择任意子集排序问题，提出了基于对称二叉树的随机点定位学习自动机算法，为粒子群算法提供了可自动判别环境类型并高效学习的强化学习方法。提出了面向时空时间模式发现与追踪的变步长学习自动机算法，能够根据环境反馈自适应地改变学习步长，避免传统方法需手动设置概率转移的状态空间，降低参数对性能影响的敏感度。在完全不用重采样的途径上，针对传统群体智能的信息共享机制在噪声环境下极其脆弱以致降低群体适应能力的问题，提出了能够同时适应无噪和噪声两种环境的双环境粒子群算法，该算法采用了加权搜索中心和去除历史信息的机制，在无噪环境下，进一步缓解PSO算法陷入局部最优，而在噪声环境下，能够适应有噪声与无噪声动态切换的双环境，并在标准实验平台上完成与其他噪声下粒子群个体学习算法的比较与分析。发表学术论文13篇，其中期刊文章6篇，国际会议文章7篇；SCI收录6篇； EI收录7篇；期刊文章中IEEE Transactions系列文章6篇，其中第一作者5篇。