[论文解读] Societal Implicit Memory and his Speed on Tracking Extrema over Dynamic Environments using Self-Regulatory Swarms

Vitorino Ramos, Carlos M. Fernandes+1 more|ArXiv.org|Dec 1, 2005

Artificial Intelligence in Games参考文献 56被引用 5

一句话总结

本文提出了一种自调控群体（SRS）算法，该算法将群体智能与简单的进化机制相结合，以在动态环境中追踪移动极值点。通过使用基于信息素的集体社会隐式记忆以及基于局部适应度的自调控种群控制，SRS在复杂动态函数上的峰值追踪速度比单个智能体快达10倍，优于标准遗传算法（GAs）、细菌觅食优化算法（BFOA）和协同进化方法。

ABSTRACT

In order to overcome difficult dynamic optimization and environment extrema tracking problems, We propose a Self-Regulated Swarm (SRS) algorithm which hybridizes the advantageous characteristics of Swarm Intelligence as the emergence of a societal environmental memory or cognitive map via collective pheromone laying in the landscape (properly balancing the exploration/exploitation nature of our dynamic search strategy), with a simple Evolutionary mechanism that trough a direct reproduction procedure linked to local environmental features is able to self-regulate the above exploratory swarm population, speeding it up globally. In order to test his adaptive response and robustness, we have recurred to different dynamic multimodal complex functions as well as to Dynamic Optimization Control problems, measuring reaction speeds and performance. Final comparisons were made with standard Genetic Algorithms (GAs), Bacterial Foraging strategies (BFOA), as well as with recent Co-Evolutionary approaches. SRS's were able to demonstrate quick adaptive responses, while outperforming the results obtained by the other approaches. Additionally, some successful behaviors were found. One of the most interesting illustrate that the present SRS collective swarm of bio-inspired ant-like agents is able to track about 65% of moving peaks traveling up to ten times faster than the velocity of a single individual composing that precise swarm tracking system.

研究动机与目标

• 解决在动态、多峰优化景观中追踪移动极值点的挑战。
• 开发一种自调控群体系统，通过集体环境记忆实现探索与开发的平衡。
• 通过整合进化机制与群体智能，提升动态优化中的响应速度与鲁棒性。
• 在复杂动态控制问题中，评估与标准GAs、细菌觅食优化及协同进化方法的性能表现。

提出的方法

• SRS算法使用类似蚂蚁的智能体，通过释放信息素在环境中建立社会隐式记忆，实现群体学习。
• 信息素的沉积由局部适应度引导，使群体能够集体映射并适应动态峰值。
• 直接繁殖机制根据局部环境特征调节群体种群规模，提升全局速度与效率。
• 算法动态调整高适应度区域的个体密度，提升开发能力而不牺牲探索能力。
• 系统整合了群体智能与进化计算的原理，实现自适应、自调控的行为。
• 通过具有不同复杂度的基准动态多峰函数与控制问题对性能进行评估。

实验结果

研究问题

• RQ1 具备基于信息素的集体记忆的自调控群体是否能有效追踪动态环境中的移动极值点？
• RQ2 进化种群控制的整合在多动态优化中如何提升响应速度与鲁棒性？
• RQ3 SRS算法在追踪移动峰值方面，相较于标准GAs、BFOA与协同进化方法，优势程度如何？
• RQ4 与系统中单个个体相比，群体集体在峰值追踪方面最大可实现多快的加速？
• RQ5 社会隐式记忆在复杂多变景观中维持性能方面的有效性如何？

主要发现

• SRS算法在优化景观发生动态变化时表现出快速的自适应响应，展现出高度鲁棒性。
• 在所有测试的动态多峰函数中，SRS优于标准遗传算法（GAs）、细菌觅食优化算法（BFOA）以及协同进化方法。
• 群体能够追踪复杂环境中约65%的移动峰值。
• 与系统中单个个体相比，群体追踪移动峰值的速度快达十倍。
• 自调控机制有效平衡了探索与开发，在多种动态场景中均保持高性能。
• 基于信息素的社会隐式记忆实现了持久的环境映射，显著提升了追踪的准确度与速度。