基于多群体融合与数据驱动的群体智能算法研究

This project focuses on multi population fusion-based decision making models, swarm intelligence algorithms, scale control strategy, and the applications. Firstly, through simulating the "learning" and "growing" steps of individuals in multi population society, we construct a multi population fusion-based decision making model, called EEC model, and a stochastic EEC (SEEC) model is further proposed by adding independent decision making scheme to achieve a more powerful model. Subsequently, on the basis of SEEC model, we design a basic EEC algorithm with the requirement of simple procedure and easy to implement on a computer. Moreover, we design a data driven large scale optimization algorithm considering the method of deep learning, and the concept analysis is performed. In this project, the research on controlling scale of multi population is taken into account by proposing a wisdom automatically partitioning (WAP) strategy. Finally, the Multi Population Fused and Data Driven Swarm Intelligence Algorithm (DEECL) and WAP strategy are utilized to the core issues in the operation of industrial manufacturing systems, i.e., flexible schedule modeling and optimized schedule processing, with the aim for improving the efficiency of flexible scheduling under uncertainty. This project reveals the great academics and application value in the research field of swarm intelligence, and makes a certain forward-looking in the field of intelligent manufacturing.

本课题针对多群体融合的决策建模、群智算法、规模控制策略、以及应用展开研究。首先，通过模拟多群体社会个体的“学习”与“成长”过程，建立一种多群体融合的决策模型，即EEC模型，并引入个体的独立决策模式，设计更具动力的随机EEC模型，对模型进行动力学分析。其次，基于随机EEC模型，设计一种基本的EEC算法，要求流程简单，且易于在计算机上实现。同时，引入深度学习的思想，设计一种数据驱动的大规模优化算法（DEECL），对其进行深入地理论分析。针对多群体的规模控制问题，设计一种新的智慧自主划分（WAP）策略，有效控制多群体规模。进一步地，本课题将提出的基于多群体融合与数据驱动的DEECL算法与WAP策略应用于工业制造系统运作的核心问题：不确定环境下的柔性调度建模和调度过程优化，提高不确定环境下的柔性调度效率。本课题的开展在群体智能领域，具有重要的理论与应用价值，对智能制造领域的研究也具有一定的前瞻性。

本项目针对群体社会学习、多群体融合决策建模，以及数据驱动的大规模优化算法展开研究。首先，模拟群体的“社会学习”现象，为社会学习树立“榜样”。并模型多群体社会个体的“学习”与“成长”过程，建立群体的社会学习决策模型和多群体融合的决策模型。其次，基于这两种决策模型设计基本的群体社会学习优化算法和多群体融合决策优化算法，要求流程简单，且易于在计算机上实现。进一步地，引入深度学习的思想，设计一种数据驱动的大规模优化算法。为验证其效性，将本项目所提算法应用于工业制造系统运作的核心问题：不确定环境下柔性调度模型的工序优化与参数选择，提高不确定环境下柔性调度的效率。本项目的开展在群体智能领域，具有重要的理论与应用价值，对智能制造领域的研究也具有一定的研究价值。. 通过实施本项目，目前共发表学术论文26篇，含SCI(E)检索论文11篇，CSCD期刊论文11篇，会议论文4篇。其中项目负责人以一作或通讯作者在中科院分区1区发表SCI(E)检索论文4篇，Top期刊论文4篇（参照中科院SCI期刊分区2020年12月最新升级版）；申请国家发明专利6项；出版专著1部；举办国际会议1次；依托本项目相关成果，获得中国商业联合会科技进步一等奖1项。较好地完成了制定的研究目标，特别是在论文、专利及获奖方面均超出预期研究成果要求。在应用方面，依托本项目以分布式互联的方式，将提出的智能优化算法应用于FPGA平台，研发面向行业的智能优化加速算法，提供丰富的算法加速IP，并架构于云端供用户开发时调用，以开源、开放的方式提升智能优化算法的应用生态。