基于群智能的信息認知機制研究

段曉東，劉 霞，馬艷準，閆 帥

(1.大連民族學院計算機科學與工程學院遼寧大連116605;2.東北大學研究生院沈陽 110004)

基于群智能的信息認知機制研究

段曉東1，劉 霞2，馬艷準2，閆 帥2

(1.大連民族學院計算機科學與工程學院遼寧大連116605;2.東北大學研究生院沈陽 110004)

群智能計算是個體認知行為和群體認知規律抽象出的一種非傳統的計算智能技術。本文論述群智能計算中的信息認知機制，以及如何利用認知科學的相關研究來探索群智能計算方法。其中主要包括群智能計算中個體和群體的信息利用和分享機制，以及在不同環境的認知過程中的信息利用機制;群智能計算中不同結構和模式的記憶與認知科學中長時記憶、短時記憶、記憶結構和記憶遺忘模型的關系，以及認知記憶機制與環境的對應關系;在不同環境或變化環境下，群智能計算各種自適應策略與社會學習理論中的直接學習和觀察學習之間的關系，長期記憶與短期記憶之間在環境變化下的調整機制的關系。相關的研究將促進群智能理論和認知科學的進一步融合發展。

群智能計算;認知科學;學習機制

群智能(Swarm Intelligence)是一種非傳統的計算智能技術，它有別于傳統人工智能中連接主義和符號主義的新的智能描述及實現方法［1］，因為群智能計算高效的分布式問題解決能力，它已成為人工智能領域中一個重要研究方向。認知科學(Cognitive Science)是研究人類認知和智力的本質與規律的前沿科學，涉及計算機科學、心理學、哲學、人類學和神經科學等，同時認知科學也是人工智能發展的基礎。認知科學傳統研究方法主要先經過邏輯學及推理分析進行假設，然后進行人工實驗論證［2－6］。能否利用計算機建立一種智能系統來模擬各種認知機制，通過模擬來驗證和發現智能系統中的“認知規律”，科學系統地為認知科學提供實驗指導和研究策略，這將為認知科學研究提供一種高效的技術手段和輔助工具［7］。

群智能計算和認知科學具有密切的相互聯系。例如，認知學習是個體根據當前刺激情境的觀察和已有的過去經驗而建立起對目標的期望，群智能系統是根據當前個體自身信息、群體信息和環境信息建立期望，來調整自己的狀態進而達到系統目標。群智能計算必須通過有效的記憶、學習機制和組織來完成系統目標，即群智能和認知過程都是通過學習、記憶和自適應機制達到系統目標的。基于群智能的信息認知機制的相關研究，可以通過計算實踐更好地對外部信息進行把握和理解，在各種記憶信息構建機制下，研究基于不同機制的有效學習算法，可以提高智能系統的水平和信息利用效率。這對于從一個新視角研究智能實體與它們的環境相互作用的原理與機制，進而為認知科學的深入研究提供一種高效的技術手段和輔助工具等將具有重要的現實意義。

與此同時，認知機制研究也將促進群智能理論的完善和發展。傳統依靠參數和編碼改進等方法提高群智能計算效能是具有局限性的，相應的信息利用機制才是構建算法計算框架和方法實現的關鍵。認知機制的深入研究必將深化對群智能的組織結構、學習機制和記憶策略的科學認識，為群智能算法研究提供更多有效的策略和機制，也將為人工智能中的環境和群體進化的作用機制及其相關理論研究帶來新的啟示。

1 研究現狀

群智能主要是受自然界集群生物解決問題方式的啟發，通過對群居生物覓食、御敵、筑巢等生物解決策略進行模擬和仿真，構造出的解決工程問題的方法。群智能方法目前主要包括，M.Dorigo 的蟻群算法(Ant Colony Algorithm)［1］、J.Kennedy粒子群算法(Particle Swarm Algorithm)［8］、蜜 蜂 算 法 (Bee Optimization Algorithm)［9］和文化算法(Culture Algorithm)［10］等。在群智能利用信息改進策略研究方面，Jakob利用分工協作思想將分群機制實踐于粒子群算法的改進中［11－12］;Angeline引入自然選擇機制于粒子群算法［13］，在增加信息表達強度策略方面，有學者提出了一種基于信息素擴散的蟻群算法［14－17］，還包括自適應調整信息素揮發因子的蟻群算法［18－19］，還有基于均勻分布的自適應蟻群算法［20－22］;在粒子群算法中，Shi與 Eberhart提出了根據搜索情況對慣性因子進行改變的策略［23］，赫然等提出一種改進的自適應逃逸微粒群算法［24］，Shi也對非線性搜索過程的慣性因子的變化規則進行了研究［25］，Carlisle和Dozier提出了自動適應動態環境的粒子群模型［26］等。

認知科學主要以計算和表達為基本核心研究人類認知和智力的本質與規律［3－5］。認知科學是人工智能發展的基礎，也是人工智能不斷發展的第一推動［2］。20世紀50年代關于認知和智力本質的“符號處理”理論認為認知和智力的最基本單元是符號，離散符號的處理被看成對描述任何智能活動的充要條件。20世紀80年代初期，認知科學的影響和成就主要集中于“聯接主義革命”。20世紀90年代以來，群智能理論蓬勃發展［1］，智能可以由具有簡單計算能力的個體組成的群體產生，并解決復雜問題。群智能理論的研究已成為人工智能領域的前沿方向之一，研究群智能中的個體記憶、群體記憶、群體拓撲結構、個體自學習和群體社會學習機制等方面對于認知科學的研究具有重要的作用。群智能是一門計算學科，是問題依賴型的，其優勢在于能夠解決多種復雜問題。認知科學是一門經驗科學，需通過大量實驗來研究人類認知和智力的本質。將群智能理論應用于認知科學的研究，不僅擴展了群智能理論的研究范圍，也為認知科學提供了高效的輔助手段和技術工具。

2 群智能計算的信息分享與認知學習機制研究

認知學習機制主要研究如何將大量無序的信息變換為可被利用的知識，如何構建相應認知學習機制提高接受知識的效率，改善系統或學習者解決問題的能力，不僅是認知學習的基礎，也是機器學習的基本任務［7］。群智能的信息利用策略的構建和研究，可以通過該策略在各種環境中的表現，評價不同信息利用策略的效能，也可以借鑒認知學習機制中的研究成果，構建相應的環境，在智能系統中檢驗和分析該認知機制的有效性;群智能分享機制主要研究群智能中個體間的組織結構，不同組織拓撲結構(如圖1)在群智能系統中產生的不同現象和計算效能可以從另一個角度揭示和驗證認知學習機制。

圖1 群體中的信息分享拓撲結構

托爾曼的認知目的理論表明:學習是有目的的，個體根據當前刺激情境的觀察和已有的過去經驗而建立起對目標的期望。群智能系統的目的是搜索環境最優解，個體根據當前自身或其他個體信息以及環境信息建立期望，調整自己的狀態進而達到系統目標。可采用計算實踐的方法，通過對群智能信息利用和分享機制的研究解釋和推動人類認知學習過程的認識。

群智能的信息利用策略可以解釋人類認知過程中的一些科學問題，通過計算實踐對各種信息利用機制進行深入研究。傳統信息利用策略認為個體歷史經驗和群體最優經驗是系統最有價值的信息，而忽略了其它個體在搜索過程中產生的經驗信息，如何利用每個個體的經驗信息提高算法在某些問題的效能成為群智能研究重要問題之一，文獻［27］提出了一種信息利用策略，將每個個體最優歷史經驗的中值經驗代替群體最有經驗，這樣在不增加計算負荷的情況下，大幅的提高了粒子群算法的搜索效能和達優率。這種計算實踐在認知學習中表明:將群體中最優秀的個體作為觀察學習的唯一參照物，并不是學習過程的最優機制，每個個體的經驗信息也蘊含了大量有價值的信息，可以通過分析或篩選這些經驗作為觀察學習的參照物，這種機制可以提高系統的智能水平。

研究群智能的分享機制可以解釋認知過程中組織結構和學習目標之間的關系。群智能群體中的分享機制主要研究智能系統在搜索過程中個體間的拓撲結構，其對應認知科學中的社會學習理論中的社會學習組織結構分析。認知過程中，針對某一問題或目標，個體之間信息交互采用何種結構使得群體的學習效能最優是社會學習理論研究的熱點問題之一。認知過程中哪種社會組織結構效率更高?信息傳遞更快?組織結構更穩定?這些問題都有待于進一步的深入研究。群智能在解決不同類型的問題的過程中，其群體間的信息傳遞拓撲結構可以解釋社會學習理論中的組織結構問題。例如在全連通的拓撲結構信息傳遞最快，但是也可能導致群智能算法過早收斂，而且局部最優的信息會得到最快傳遞，對于多峰問題解決較差，而擅長解決單峰問題。而環形拓撲結構信息傳遞速度較慢，適于解決多局部最優問題。現象表明，在認知學習過程中，合理的組織結構對于個體的觀察學習至關重要。

3 群智能記憶利用策略的認知記憶機制研究

記憶是經驗和知識的保持與調用過程，記憶在人類認知和智能活動中占有突出的位置。群智能理論有別于傳統演化計算的特點之一就是算法中引入記憶概念，尤其是粒子群算法中引入了個體記憶模式，記憶模式幫助算法擺脫局部最優進行高效搜索。通過研究群智能的記憶過程在不同環境下的實驗，研究認知科學中長時記憶、短時記憶、感覺記憶和記憶結構以及記憶遺忘模型等。通過對群智能中問題環境與記憶模型關系研究，建立認知記憶機制和環境問題的對應關系。

大量計算實踐發現個體經驗記憶是群智能算法思想核心，個體擁有了自己的思想，并根據自己的記憶做出相應調整，而且群智能將個體經驗記憶與群體最優經驗置于平等地位，是與傳統集體經驗占主導的智能算法的本質區別［28］。文獻［29］將個體的經驗記憶信息引入到傳統的遺傳算法，并構建了利用經驗信息的交叉算子，算法的性能和魯棒性與傳統算法相比大幅提高。也表明記憶是認知過程中的重要環節，通過研究群智能的記憶機制解釋認知過程中的記憶對于認知目標的影響具有重要的作用。但目前群智能系統的記憶模式和結構過于單一，可以通過構建如認知過程中的各種記憶模式和結構，進而通過研究群智能的記憶機制驗證和分析認知過程的記憶機制。

目前群智能算法中只存在較短感覺記憶，每次迭代根據情況進行更新，沒有短時記憶和長時記憶機制。通過在群智能算法中引入感覺記憶、短時記憶和長時記憶(如圖2)，探索這些機制的引入對于哪些環境是合適的，這都有待于深入研究和驗證。不過可以肯定的是記憶機制是進化而來的，對于不同問題采用不同的記憶機制是提高生存技能和系統智能的重要途徑。心理學研究中發現黑猩猩的瞬時記憶能力要遠遠高于人類，它們能以驚人的準確度記住有關圖形和順序的東西，而人類主要通過中長期記憶決定自己的行為，研究結論也表明較強的瞬時記憶能力更有利于在惡劣和復雜自然環境生存，而人類不斷進步發展主要得益于中長期記憶形成的文化傳承。通過多種學習策略，結合長期記憶來提高算法解決復雜問題的能力，對群智能算法而言，可以逐步引入各種記憶，研究各種記憶之間的轉換對于算法效能的影響，同時研究不用記憶長度適于解決的問題，為給認知科學中的記憶對于不同問題和環境下的存儲和轉換機制的關系研究帶來新的啟示。

圖2 認知記憶模式

4 群智能自適應學習和記憶調整策略

不同環境下的自適應認知機制研究在“基于環境的認知研究方向”中占有重要地位［3］。人類的認知和智力活動必須從何環境相互作用的角度來研究才能的到充分的理解。可以通過建立多層次群體和環境信息度量測度，在此基礎上根據自適應模型計算出調整方案，調整個體直接學習和社會觀察學習強度，以及記憶長度和模式，進而研究不同環境下的認知的自適應調節機制和群體認知行為［30－31］。

認知科學通過“情境認知”和“分布式認知”的概念逐步形成了認知科學的一個新的理論基礎——“基于環境的認知研究”。它強調人類認知與環境的交互作用關系的重要性。在傳統人工智能研究中長期被忽略的環境和進化的作用，正在基于環境的認知發展中越來越得到重視。通過構建群智能在不同環境或變化環境的自適應學習和記憶調整策略，研究群智能的動態自組織行為和個體之間的適應性機制，可以對認知科學中的基于環境的認知機制進行深入探討。

群智能計算根據問題不同調整個體直接學習和社會觀察學習之間的關系構建相應的自適應機制，研究兩種認知學習模式對于不同環境的認知機制。傳統群智能自適應方法主要是在算法陷入局部最優時，加大自身學習能力，但由于自身經驗也已經陷入局部最優而使系統過早收斂，這種硬性的自適應機制并不能從根本解決搜索過程中遇到的問題。

例如，可以采用如圖3的均衡策略模型或其它各種自適應策略對自身學習和社會學習權重進行調整，這種模型在經濟學領域是均衡價格理論模型，在生物學中是種群遷移模型，利用這種自適應模型對各種學習策略強度和記憶機制進行調節，可以研究不同環境下的認知的調節機制和群體認知行為。當然，自適應策略可以借鑒其他學科和各種模型進行構建，模型也是問題依賴的，需要研究各種自適應機制適于的環境，進而對自適應環境認知機制進行深入研究。

圖3 生物種群遷移模型策略模型［32］

相關研究工作依賴于對群智能算法的各種信息的度量。主要體現在如何定義相應變量來表達環境中的信息，并通過這種信息根據自適應模型調節各種策略。因此需要對群體信息進行度量，如圖4，群智能中的信息也是多層次的，每個個體和群體都有不同的信息存儲和表達機制，其中包括環境中存儲的信息、群體當前狀態信息、群體個體記憶信息以及對多種信息的綜合。通過構建多層次的環境信息度量，才能據此通過自適應模型調整不同學習機制和記憶策略，進而研究認知過程中各種自適應機制是否可以有效調控等。這些問題的深入研究可以深化基于環境的認知機制的科學認識，進一步揭示其中的認知規律。

圖4 不同層次的環境信息度量

5 結論

認知和智力活動中的信息處理機制研究對于認知科學具有重要的科學意義。人類對智力的研究不再只是直覺的、思辨式的、哲學式的討論。本文討論了如何利用群智能計算中的信息利用策略對認知機制進行研究，為認知科學提供分析和實驗模擬的新手段;也為以計算智能為平臺深入了解認知規律提供新啟示。同時，也將豐富群智能計算的相應策略機制，為群智能解決各種復雜問題提供支持，進而拓展其在計算機、通訊網絡、機器人技術、商業和金融、供應鏈管理和傳輸系統等領域的應用。

［1］KENNEDY J，EBERHART C.Swarm Intelligence［M］.San Francisco:Morgan Kauffman division of Academic Press，2001.

［2］史忠植.智能科學［M］.北京:清華大學出版社，2006.

［3］史忠植.認知科學［M］.北京:中國科學技術大學出版社，2008.

［4］羅姆·哈瑞，魏屹東.認知科學哲學導論［M］.上海:上海科技教育出版社，2006.

［5］魏屹東.認知科學哲學問題研究［M］.北京:科學出版社，2008.

［6］張淑華.認知科學基礎［M］.北京:科學出版社，2007.

［7］國家自然科學基金委.“十五”優先資助領域論證報告集［M］.北京:原子能出版社，2002.

［8］KENNEDY J，EBERHART R.Particle swarm optimization［C］，Proc.IEEE Int.Conf.on Neural Networks，Perth，Australia，1995，1942 －1948.

［9］COLORNI A，DORIGO M，MANIEZZO V.An investigation of some properties of an ant algorithm［A］In:Proc.of the Parallel Prob2 lem Solving from Nature Conference(PPSN’92) ［C］.Brussels，Belgium:Elsevier Publishing，509－520.

［10］KENNEDY J，EBERHART R.Particle swarm optimization［C］.Proc.IEEE Int.Conf.on Neural Networks，Perth，Australia，1995，1942 －1948.

［11］NAKRANI S，TOVEY C.On honey bees and dynamic allocation in an internet server colony.Adaptive Behavior，2004，12(4):223 －240.

［12］ ROBERT R G..An Introduction to Cultural Algorithms.Proc.of the 3th annual Conf.on Evolution Programming.Sebalk，A.V.Fogel L.J，River Edge，NJ.World Scientific Publishing，1994，131－136.

［13］VESTERSTROEM J S，RIGET J，KRINK T.Division of labor in particle swarm optimization.Proceedings of the IEEE Congress on Evolutionary Computation(CEC 2002).Honolulu，Hawaii USA，2002.

［14］DORIGO M，GAMBARDELLA L，MIDDENDORF M，et al.Guest Editorial － － Special Section on Ant Colony Optimization［J］.IEEE Transactions On Evolutionary Computation，2002，6(4):317－320.

［15］ ANGELINE P.Using selection to improve particle swarm optimization［C］//Proceedings of IJCNNp99.USA，Washington，1999，84－89.

［16］李寧，劉飛，孫德寶.基于帶變異算子粒子群優化算法的約束布局優化研究［J］.計算機學報，2004，27(7):897－904.

［17］吳慶洪，張紀會，徐心和.具有變異特征的蟻群算法［J］.計算機研究與發展，1999，36(10):112－116.

［18］黃國銳，曹先彬，王煦法.基于信息素擴散的蟻群算法［J］.電子學報，2004，32(5):865－868.

［19］Iredi S，Merkle D，Martin Middendorf.Bi－ Criterion Optimization with Multi Colony Ant Algorithms.EMO，2001，359－372.

［20］WANG Y，XIE J Y.An adaptive ant colony optimization algorithm and Simulation［J］.J of System Simulation，2002，14(1):32－33.

［21］徐曉華，陳崚.一種自適應的螞蟻聚類算法［J］.軟件學報，2006，17(9):1884－1889.

［22］陳峻，沈潔，秦玲，陳宏建.基于分布均勻度的自適應蟻群算法［J］.軟件學報，2003，14(8):1379－1388.

［23］SHI Y ，EBERHART R C.Parameter Selection in Par-ticle Swarm Optimization［J］.Evolutionary Programming VII.Lecture Notes in Computer Science， Springer，1998，1447 －1471.

［24］赫然，王永吉，王青，等.一種改進的自適應逃逸微粒群算法及實驗分析［J］.軟件學報，2005，16(12):2036－2045.

［25］ SHI Y，EBERHART R C.Fuzzy adaptive particle swarm optimization［C］//Proceedings of the Congress on Evolutionary Computation.Seoul，Korea，2001.

［26］CARLISLE A，DOZIER G.Adapting particle swarm optimization to dynamic environments［A］.In:Arabnia H R ，eds.Proc of Int’l Conf on Artificial Intelligence［C］.Las Vegas:CSREA Press，2000，243－492.

［27］王存睿，段曉東.改進的基本粒子群優化算法［J］.計算機工程，2004，30(21):35－37.

［28］段曉東，徐平，王存睿，等.動態環境下粒子分群與種群多樣性的關系研究［J］.計算機科學，2009，36(03):161－162.

［29］DUAN X D，WANG C R.A Hybrid Algorithm Inspired by the Idea of Particle Swarm Algorithm［J］.International Journal of Information and Systems Science，2006，1(3－4):152－154.

［30］段曉東，高紅霞，劉向東，等.一種基于種群熵的自適應粒子群算法［J］.計算機工程，2007，33(18):222－223.

［31］段曉東，王存睿，劉向東.粒子群算法及其應用［M］.遼寧大學出版社，2007.

［32］蔡之華，龔文引，LING Charles－X.基于進化規劃的新型生物地理學優化算法研究［J］.系統工程理論與實踐，2010，30(6):1106－1112.

The Research of Information Cognitive Mechanism based－on Swarm Intelligence

DUAN Xiao －dong1，LIU Xia2，MA Yan －zhun2，YAN Shuai2
(1.College of Computer Science and Engineering，Dalian Nationalities University，Dalian Liaoning 116605，China;
2.Graduate School，Northeastern University，Shenyang Liaoning 110004，China)

Swarm Intelligence is an untraditional computational intelligence technology which is abstracted from individual cognitive behavior and law of group cognitive.We discussed how the swarm intelligence verifies the law of cognitive science and how to explore the ways of swarm intelligence with the related researches of cognitive science.This includes the information utilization and sharing mechanism of computational intelligence for individual or swarm and the information utilization mechanism with the cognitive process in different environments;the relationship among the long memory，short memory，memory structure and the model of forgotten memory with the various structures and modes in swarm intelligence and the correspondence between mechanism and environment in cognitive memory;the different self－adapting mechanisms of swarm intelligence in different environments or changing environments and something between direct learning and observational learning in social learning theory of cognitive science，the relationship between long memory and short memory in the adjustment mechanisms within the changing environment.The related researches would promote the development cognitive science and Swarm intelligence theory.

Swarm Intelligence;Cognitive Science;Learning Mechanism

TP18

A

1009－315X(2011)05－0490－06

2011－04－18;最后

2011－07－17

國家自然科學基金(61040054)。

段曉東(1963－)，男，吉林遼源人，教授，博士，優秀學術帶頭人，主要從事人工智能與非線性信息處理技術研究。

(責任編輯 劉敏)