Page 76 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

定个体位置、速度及状态。个体在搜索空间中仅是一个没有重量和体积的微粒，
并在搜索空间中按照一定的速度飞行，其飞行速度由个体及群体的飞行经验进行
动态调整。粒子群算法具有参数量少、流程简单、求解高效的特点，但是由于局
部最优值强烈吸引附近的粒子群靠近，容易导致“早熟”，出现算法收敛停滞且

最优解得不到有效更新。研究人员不断对其进行改进优化，在实际应用中有以下
3 类方式：一是按照经验和实际约束条件调整参数设置；二是针对算法的缺陷直
接优化群体拓扑结构；三是结合多种算法进行优化。
1. 对算法参数进行动态设置

参数对于粒子群算法的运算过程影响很大，目前还没有一套系统的理论指导
参数的设置。研究人员一般根据所针对具体问题的历史经验，对学习因子、粒子
速度等参数进行动态调整来获得更高的精度结果。都东等针对多级物资储备体系
对作战前线的保障效率问题，通过采用 Logistic 混沌映射初始化粒子种群、异步

化自学习和社会学习因子、异化粒子位置更新策略等方法对粒子群算法进行改进，
提出一种基于改进粒子群的多级物资配送方案，在收敛速度、求解精度和算法稳
定性方面均优于一般粒子群算法。蔡睿等针对控制方舱中的作战任务与操作号手
间协同冲突问题，采用多维异步处理策略调整粒子的位置，并依据迭代次数修正

惯性权重参数，提出了一种多席位协同任务规划策略。
2. 动态调整单粒子拓扑结构
粒子群优化算法依靠群体共享的信息才能实现全局寻优，单个粒子需要同时
具备个体认知和社会认知经验，因此，在处理多模态复杂模型时通过动态调整粒

子群中每个粒子所形成的拓扑结构，来提高对整个空间的有效搜索。阎炼等针对
水面舰艇导弹目标分配优化问题，将武器对目标拦截可行性以及目标威胁程度与
粒子群算法的惯性权重棕结合，设定舰空导弹射中全部目标的失败概率最小为最
优解来设置粒子编码方案，提出一种基于改进粒子群算法的目标分配算法。江志

针对海警的搜救活动，采用粒子群算法构建移动自组织网络，通过设计数据包转
发时间动态和数据传输效用值分析策略，动态调度网络拓扑节点，提出一种基于
粒子群算法的快速搜救和临时通信网络解决方案，用以辅助海上搜救决策。
3. 融合应用

研究人员还通过将粒子群优化算法与其他算法思想相结合，利用不同算法的
优势互补来提高解决实际问题的能力。赵明明等针对无人机作战决策系统中多无

68