大规模交互问题下协同智能理论及关键技术研究

With the increasing scale and complexity of cyber physical systems, system variables often interact with each other, and relationship pattern does not have the compactness. So how to optimize the large scale coupled problems is more challenging. The project aims to improve the scalability and the performance of optimization algorithms for solving this kind of problems, and to research the theory and key technology of cooperative intelligence algorithms for large scale coupled problems. For overcoming curse of dimensionality and empty space phenomenon, we first detect a small proportion of the relation information between variables as a priori knowledge, and then focus on the efficient reconstruction model for variable relation and automatic decomposition technique based on machine learning. For improving the global optimization performance of the meta-optimizer in the cooperative co-evolution framework, we extract the useful rules from physical and life characteristics and intelligent phenomenon in biological systems, and then construct the more intelligent algorithms and models based on swarm intelligence. Further, we propose the multidimensional computational framework with functional module. For the complex dynamic behavior of cooperative intelligence, the project focuses on the relative cooperative mechanism and co-evolution theory, and research the adaptive interaction mechanism of coupled layers to maintain cooperation and promote the emergence of intelligence. Finally, the project focuses on some applications of the proposed models and methods to the large-scale adaptive traffic control and large-scale emergency evacuation.

随着信息物理系统规模及复杂性的日益增长，系统变量间常相互联系、相互影响且关系模式不具有紧致性，如何优化大规模交互耦合问题面临着严峻的挑战。本项目以提高求解该类问题的可规模化能力和优化性能为目标，研究大规模交互问题下协同智能理论及关键技术。针对维数灾难以及空空间现象，基于统计学习思想探测大规模问题的小部分结构信息作为先验知识，进而重点研究基于机器学习技术的高效的变量交互信息构造模型与自动分解技术。针对协同框架中子问题的全局优化器，研究从生物系统各层次的物理特征、生命特征和智能现象中抽取有益的规则建立有效的群智能计算模型，并给出功能模块化的多维计算框架。针对协同智能的复杂动力学行为，研究相关的协同机制与协同理论，研究系统耦合层的自适应协同交互机制，以维持合作现象并促进智能涌现，为应用研究提供关键理论和技术支撑。在应用推广上，将所提的方法应用到城市交通大规模自适应控制与紧急疏散等问题中。

在智能化建设过程中随着信息物理系统规模和复杂度的增长，形成了越来越多的大型应用系统和群体智能系统，不断涌现出大型复杂耦合最优化问题。这些系统的共性在于因环境及任务过程复杂难以建模、系统决策变量规模大，且变量之间往往相互联系、相互影响。DARPA称大型耦合系统全局优化难的共性问题为存在于系统中的系统的灾难性问题。针对这一科学问题，提出了大规模交互问题下群体协同智能理论与计算模型，发展群体智能激发汇聚理论方法。围绕问题分解、群体协同机制与框架、优化器构建、协同理论方法等方面取得了一系列的研究成果，主要工作包括：.(1) 在问题分解方面，提出了基于机器学习技术的高效的变量交互信息构造模型与自动分解技术，能以较低的性能评估代价有效地认知系统变量的耦合关系；.(2) 在智能优化器构建方面，基于权变领导模式、视觉感受野、群落结构等生物机制和智能现象构造了有效的群智能计算模型，提高了协同智能中元优化器的全局优化性能和效率；.(3) 在协同模型、机制和理论方面，建立了面向大规模交互优化的协同框架，给出了不同分解及合作方式下的系统耦合层的协同交互机制，并给出了相关的协同理论，为应用研究提供了保障；.(4) 在应用研究上，对提出的各种协同智能技术与模型进行标准化和规模化的测试，并应用到大规模穹顶结构优化、大规模复杂城市路网区域交通灯协同控制等问题。 . 所提出的大规模交互问题下群体协同智能理论与计算模型，其科学意义不仅在于能有效解决大规模系统或群体系统优化难的共性问题，而且可以进一步应用于云端智能与边缘端智能协同演化，在云端进行集群的集中优化，获得的优化基准可以指导边缘端的自主决策，为大规模分布式全局优化提供理论基础。