·44 智能系统学报 第2卷 在宏观设计及方法提升层中，包括用户过程设 信息，并传送给上层信息感知积累模块 计模块、知识方法提升模块及相关知识库和方法库 总之，在上述的总体群体智能模型框架中，决策 知识方法提升模块经常性地从知识库和方法库中提 分配模块、知识方法提升模块以及各智能体的调度 取智能算法模型库中已有的知识和方法，通过知识 实施、信息交换、信息感知等模块之间具有一定的独 方法提升模块进行提升，上升为体系结构，并把经过 立性.在设计和任务分配工作完成之后，智能体群的 提升的知识方法存放到知识方法库中，以备宏观设 运动基本上可以在一定的计算环境下分布式地独立 计和决策分配模块调用.用户过程设计模块则针对 进行，这同时体现了群体智能理念中所包含的分布 实际所需解决的问题，向知识方法库发出模型提取 式人工智能的本质特征.当然，这里也可以看出，群 指令，并在现有的群体智能的知识方法库中提取所 体智能并不能等同于完全的自主式物理系统或生物 选用的智能计算宏观模型信息和相关知识.经过用 群体，而是在对相关模型深入研究和所需求解问题、 户过程设计模块之后就给定了相应的具体模型框 所使用方法进行详细考察设计后，基于所定义的模 架及总体参数 型框架使相关智能体所表现出的一种相对统一的智 在任务分解协调层中，主要进行的是决策分配 能计算模式 操作.决策分配模块依据上层给出的模型框架和总 2遗传算法的基本描述 体参数的信息，通过宏观任务描述、任务分解描述及 任务分配协调过程，总体的目标指令和决策参量就 遗传算法(genetic algorithm,GA)是20世纪 被分解为相应的局部任务指令，传输给下层的调度 70年代由美国的Holland提出的模拟生物进化过 实施模块.这一部分的任务是将宏观的参数分解成 程的优化方法，它的主要思想是基于C.R.Darwin 局部的任务和指令 的生物进化论和G.Mendel的遗传学o.遗传算法 在计算调度及信息感知层中，包括调度实施模 结合了Darwin的适者生存和随机交换理论.适者 块、信息交换模块和信息积累感知模块.依据上层传 生存理论消除了解中的不适应因素，而随机交换理 递下来的局部任务指令，由各智能体的调度实施模 论利用了原有解中的已有知识，从而加速了对优化 块来加以分布式实现.每个智能体可以是一个逻辑 解的搜索过程.遗传算法不需要对象的特定知识，也 概念，也可以是一个实体概念，这根据所需解决的具 不需要对象空间连续可微，具有全局寻优的能力.目 体问题来决定，其所需的实时运动参量控制信号由 前，遗传算法的应用涉及了许多互相联系的广阔领 各局部任务指令经实时任务规划运动规划、指令驱 域，如规划、仿真与辨识控制与分类等 动程序运动控制而产生.调度模块所需的实时信 遗传算法是将问题的求解表示成“染色体”，从 息，由信息感知积累模块通过对原始对象信息和原 而构成一群“染色体”.将它们置于问题的“环境”中， 始环境信息等传感器所输出的初始采集信息进行定 根据适者生存的原则，从中选择出适应环境的“染色 点感知、辨识转换，并经信号优化处理、具体知识提 体”进行复制，即选择，通过交叉、变异操作产生出更 取建模、知识积累提升、知识系统化而产生.而产生 适应环境的新一代“染色体”群，这样一代一代地不 的实时信息则通过信息交换模块，经过信息配置、信 断进化，最后收敛到一个最适合环境的个体上，即求 息接收、信息检验、信息转换、信息发送各部分传递 得问题的最优解 给各智能体的调度实施模块 遗传算法的运动过程为一个典型的迭代过程， 被控对象实体运动过程层包括被控运动过程或 其基本步骤简述如下： 被控实体对象以及相应的传感器系统.在被控运动 1)选择编码策略，把参数集合X和域转换为位 过程中，被控实体对象接收由上层计算调度及信息 串结构空间S: 感知层中调度实施模块提供的实时运动控制参量实 2)定义适应值函数f(X): 现实体的运动.传感器系统则采集实体对象的初始 3)确定遗传策略，包括选择群体规模n,选择、 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.htp://www.cnki.net在宏观设计及方法提升层中 ,包括用户过程设 计模块、知识方法提升模块及相关知识库和方法库. 知识方法提升模块经常性地从知识库和方法库中提 取智能算法模型库中已有的知识和方法 ,通过知识 方法提升模块进行提升 ,上升为体系结构 ,并把经过 提升的知识方法存放到知识方法库中 ,以备宏观设 计和决策分配模块调用. 用户过程设计模块则针对 实际所需解决的问题 ,向知识方法库发出模型提取 指令 ,并在现有的群体智能的知识方法库中提取所 选用的智能计算宏观模型信息和相关知识. 经过用 户过程设计模块之后 ,就给定了相应的具体模型框 架及总体参数. 在任务分解协调层中 ,主要进行的是决策分配 操作. 决策分配模块依据上层给出的模型框架和总 体参数的信息 ,通过宏观任务描述、任务分解描述及 任务分配协调过程 ,总体的目标指令和决策参量就 被分解为相应的局部任务指令 ,传输给下层的调度 实施模块. 这一部分的任务是将宏观的参数分解成 局部的任务和指令. 在计算调度及信息感知层中 ,包括调度实施模 块、信息交换模块和信息积累感知模块. 依据上层传 递下来的局部任务指令 ,由各智能体的调度实施模 块来加以分布式实现. 每个智能体可以是一个逻辑 概念 ,也可以是一个实体概念 ,这根据所需解决的具 体问题来决定 ,其所需的实时运动参量控制信号由 各局部任务指令经实时任务规划、运动规划、指令驱 动程序、运动控制而产生. 调度模块所需的实时信 息 ,由信息感知积累模块通过对原始对象信息和原 始环境信息等传感器所输出的初始采集信息进行定 点感知、辨识转换 ,并经信号优化处理、具体知识提 取建模、知识积累提升、知识系统化而产生. 而产生 的实时信息则通过信息交换模块 ,经过信息配置、信 息接收、信息检验、信息转换、信息发送各部分传递 给各智能体的调度实施模块. 被控对象实体运动过程层包括被控运动过程或 被控实体对象以及相应的传感器系统. 在被控运动 过程中 ,被控实体对象接收由上层计算调度及信息 感知层中调度实施模块提供的实时运动控制参量实 现实体的运动. 传感器系统则采集实体对象的初始 信息 ,并传送给上层信息感知积累模块. 总之 ,在上述的总体群体智能模型框架中 ,决策 分配模块、知识方法提升模块以及各智能体的调度 实施、信息交换、信息感知等模块之间具有一定的独 立性. 在设计和任务分配工作完成之后 ,智能体群的 运动基本上可以在一定的计算环境下分布式地独立 进行 ,这同时体现了群体智能理念中所包含的分布 式人工智能的本质特征. 当然 ,这里也可以看出 ,群 体智能并不能等同于完全的自主式物理系统或生物 群体 ,而是在对相关模型深入研究和所需求解问题、 所使用方法进行详细考察设计后 ,基于所定义的模 型框架使相关智能体所表现出的一种相对统一的智 能计算模式. 2 遗传算法的基本描述 遗传算法 ( genetic algorit hm , GA) 是 20 世纪 70 年代由美国的 Holland 提出的模拟生物进化过 程的优化方法 ,它的主要思想是基于 C. R. Darwin 的生物进化论和 G. Mendel 的遗传学[ 6 ] . 遗传算法 结合了 Darwin 的适者生存和随机交换理论. 适者 生存理论消除了解中的不适应因素 ,而随机交换理 论利用了原有解中的已有知识 ,从而加速了对优化 解的搜索过程. 遗传算法不需要对象的特定知识 ,也 不需要对象空间连续可微 ,具有全局寻优的能力. 目 前 ,遗传算法的应用涉及了许多互相联系的广阔领 域 ,如规划、仿真与辨识、控制与分类等. 遗传算法是将问题的求解表示成“染色体”,从 而构成一群“染色体”. 将它们置于问题的“环境”中 , 根据适者生存的原则 ,从中选择出适应环境的“染色 体”进行复制 ,即选择 ,通过交叉、变异操作产生出更 适应环境的新一代“染色体”群 ,这样一代一代地不 断进化 ,最后收敛到一个最适合环境的个体上 ,即求 得问题的最优解. 遗传算法的运动过程为一个典型的迭代过程 , 其基本步骤简述如下 : 1) 选择编码策略 ,把参数集合 X 和域转换为位 串结构空间 S ; 2) 定义适应值函数 f ( X) ; 3) 确定遗传策略 ,包括选择群体规模 n ,选择、 ·44 · 智 能 系 统 学 报 第 2 卷 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net