一种基于群体智能的合作探究式教学方法

人类社会的知识更新过程与群居生物的智能行为具有很强的类似性,都是通过个体探究与社会协作来实现的。基于群体智能的思想,针对掌握知识、培养能力和提高素质的教学目标,本文提出了一种合作探究式教学方法,并以粒子群算法为例,建立了教学模型,并分析了具体的实现方法和实施流程。     

试论21世纪档案人才的个体智能素质和群体优化

从人才是档案科技和教育发展的关键出发 ,通过分析个体智能素质及经过有机结合形成优化群体 ,探讨了提高智能素质和优化群体结构     

面向群体智能塑造未来教育:一项重要研究课题

群体智能指群体在完成一系列不同任务时表现出的综合能力,是面向未来复杂情境中跨学科、综合型任务解决过程必不可少的关键要素。教育现代化进程中的群体智能教育是面向未来培养公民信息素养、合作能力、问题解决能力的重要载体和实现目标。文章基于当前研究领域中对群体智能基本概念的辨析和探索,从国际视野出发,剖析基于不同的技术手段对群体智能教育的探索和实践,提出教育信息化时代中国教育领域中进一步强化群体智能教育、推动"五育并举"、促进培养复合型人才的可行路径。     

基于群体智能优化算法的物资配送数学模型研究

为提供物资配送性能,采用群体智能算法用于物资配送数学模型优化,以降低物资配送成本.首先提出物资配送问题模型,选择物资配送中心所有商品配送至各配送点的成本总和作为优化目标函数,然后采用灰狼算法进行优化,将配送中心与配送点坐标映射至狼群分布坐标,采用配送成本总和的倒数作为适应度函数,选择3个最优个体作为高级狼,剩余为普通狼...     

机器人群体系统建立的探讨

文章将介绍采用Agent模型设计、具有智能和自导航能力的机器人群体.首先利用GSM系统实现机器人团体的智能协作及通信,再应用网络GIS系统实现多机器人的定位导航,给出一个若干个机器人通过合作与协调而完成某一任务的系统模型.     

猫群算法研究综述

猫群算法是近几年来提出的又一种新型的群体智能优化计算方法。在介绍基本猫群算法的基础上,从算法的改进技术研究、并行结构设计、与其他优化算法的混合模式、算法的应用研究4个方面对国内外猫群算法的研究进展进行综述,最后通过总结已有的研究成果,对猫群算法未来的研究工作进行展望。     

计算智能算法的研究现状

对几种智能计算方法及其特点作一个简明的综述,其中着重介绍模拟退火、神经网络、遗传与演化算法和禁忌搜索算法。讨论了各种计算智能算法的共性。最后指出了智能计算方法的发展趋势,对智能计算方法的推广应用具有重要意义。     

嵌入式机器视觉中的智能相机技术

智能相机将图像的采集、处理与通信功能高度集成,提供了有效的嵌入式机器视觉解决方案.在嵌入式机器视觉应用中,视频处理需求不断增加,同时还必须满足嵌入条件的挑战.智能ASIP算法和执行硬件是智能相机技术的核心,文中分析探讨了智能相机的系统结构设计、智能算法开发等关键技术,并对其发展趋势进行了展望.     

试论21世纪档案人才的个体智能素质和群体优化

从人才是档案科技和教育发展的关键出发，通过分析个体智能素质及经过有机结合形成优化群体，探讨了提高智能素质和优化群体结构。     

人工智能算法的进化及其伦理效应

由人工智能算法技术的发展,可以看到智能算法自主性的萌发。在这一发展阶段,人机伦理问题主要源自人类的人工智能使用。而在技术算法基础上由情景算法发展到智能算法,人工智能开始为拥有伦理属性奠定基础。从深度学习算法甚至可以在某种程度上看到智能算法自主进化的趋势,这意味着智能算法开始拥有伦理属性。人类的未来发展过程毫无疑问将是一个机器智能自主性不断发展的过程,在人类未来的形塑中,会学习的智能算法将扮演越来越重要的角色——这同时也是一个人机伦理关系演化的重要发展阶段。在人机共同发展条件下,前景中将出现的是人类自主还是共生自主甚至机器智能算法自主,就成了一个不是简单的“是”与“否”,而是涉及更深层次具体机制的问题。它涉及超越人类自然进化视域的更高层次智能进化——广义智能进化,涉及更高层次的人机伦理关系。     

粒子群算法及其哲学启示

粒子群优化(PSO)算法是一种模拟自然生物群体(swarm)行为的优化技术。PSO算法源于对鸟群觅食行为的研究,该算法简单易实现,可调参数少,已得到广泛研究和应用。PSO算法不仅仅是种算法,更是一种学习和思维的创新,体现出学科之间交互所发生的一些突破。它不但是计算机理论上极大的理论创新,而且在哲学上也具有丰富的内涵。对此进行了论述。     

粒子群算法在重载齿轮多目标设计中的应用

粒子群优化算法是一种基于群智能的优化方法,规则简单,收敛速度快.将此算法应用于重载齿轮的多目标优化设计,建立基于粒子群优化算法的重载齿轮多目标优化设计的数学模型,实践表明可以快速、有效地求得齿轮优化解.     

Parameter estimation of cutting tool temperature nonlinear model using PSO algorithm

INTRODUCTION In modern metal cutting theory,research on cutting tool is one of the major concerns.To under-stand the characteristics of a new cutting tool,many experiments(such as cutting force experiment,cut-ting temperature experiment,anti-striking experiment,etc.)should be conducted to obtain an enormous amount of experiment data.The development of a proper cutting tool temperature model is a very dif-ficult task due to the large number of interrelated parameters(cutting speed,feed,dept…     

粒子群与差异演化的混合进化算法研究

将标准粒子群（PSO）算法和差异演化（DE）算法混合进行进化,把差异演化算法的优势带入到粒子群算法中,利用差异演化算法其本身具备的对粒子个体的交叉和变异操作使标准粒子群算法种群保持寻优所需的多样性．并将这种算法与标准粒子群算法、G-PSO算法等进行了对比研究,通过混合进化的方法使粒子群种群保持多样性,实验结果表明新算法避免陷入“早熟”或“停滞”的能力大大提高．     

改进粒子群BP神经网络在高炉炉温预测中的应用

由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。     

曲面最短路径的粒子群优化算法研究

求两点沿自由曲面最短路径的关键是正确选择两点间沿曲面的路径.粒子群优化算法(PSO)是一种全局性的概率搜索算法,它在整个问题空间实施搜索,可以得到问题的全局最优解.将粒子群优化算法的思想引入到路径寻优中,采用圆弧逼近法进行初始逼近,提出了解决自由曲面最短路径的随机搜索算法.最后给出了数值实例,结果表明该算法具有容易实现、运算量小等特点.     

分布估计算法在多维函数优化中的应用

分布估计算法是一类新的进化算法,它通过统计在当前群体中选出的个体信息给出下一代个体分布的概率统计,用随机取样的方法生成下一代群体。文章将建立在一般结构Gauss网络上的分布估计算法应用于多维函数的优化并与传统的粒子群优化算法进行了比较。仿真实验结果表明,分布估计算法可以在很短的时间内收敛至全局最优解,避免了传统算法的不足,提高了函数优化的准确性。     

基于MPSO方法的边坡可靠度计算研究

借鉴遗传算法中的杂交概念,将其引入标准粒子群方法(Particle Swarm Optimization, PSO),形成混合粒子群算法(MPSO).该方法改善了PSO方法的全局搜索能力,提高了算法的收敛速度和计算精度,并用其计算可靠度指标及相应的验算点.以典型的边坡为例,通过工程算例并与其他方法对比,表明了MPSO方法较标准PSO方法的计算精度高,收敛速度快;分析了算法中各控制参数对可靠度指标的影响;算例结果表明:MPSO方法对求解功能函数呈高度非线性的边坡可靠性问题具有很好的适应性,是科学可行的,具有很好的应用前景.     

Genetic programming-based chaotic time series modeling

This paper proposes a Genetic Programming-Based Modeling(GPM)algorithm on chaotic time series. GP is used here to search for appropriate model structures in function space,and the Particle Swarm Optimization(PSO)algorithm is used for Nonlinear Parameter Estimation(NPE)of dynamic model structures. In addition,GPM integrates the results of Nonlinear Time Series Analysis(NTSA)to adjust the parameters and takes them as the criteria of established models.Experiments showed the effectiveness of such improvements on chaotic time series modeling.     

Genetic programming-based chaotic time series modeling

INTRODUCTION Chaos is based on the principle that simpledeterministic laws can exhibit complex externalbehavior (Hegger and Kantz, 2000); although it isquite difficult to reveal such simple laws from thesystem’s external behavior only. This is mainly dueto the dissipation and sensitivity to initial condi-tions (SIC) properties of the chaotic systems (Weiet al., 2002). Linear system theory has developedfor many years, but has proved to be incapable ofsufficiently modeling the chaot…