陳凌子

摘 要：群體智能（Swarm Intelligence）是一種在自然界生物群體所表現(xiàn)出的智能現(xiàn)象啟發(fā)下提出的智能模式?；诋斍按髷祿畈l(fā)展的現(xiàn)實環(huán)境，本文在介紹群體智能模型的基礎上，對大數據和集群智能兩者間關系進行了進一步梳理，即集群智能是進行大數據分析的一個重要技術手段。

關鍵詞：大數據；群體智能

1引言

人們在很早的時候就對自然界中存在的群集行為感興趣， 如大雁在飛行時自動排成人字形， 蝙蝠在洞穴中快速飛行卻可以互不碰撞等。對于這些現(xiàn)象的一種解釋是， 群體中的每個個體都遵守一定的行為準則， 當它們按照這些準則相互作用時就會表現(xiàn)出上述的復雜行為?；谶@一思想，Craig Reynolds 在1986 年提出一個仿真生物群體行為的模型BOID[1]。一個顯著的標志是1999 年由牛津大學出版社出版的E Bonabeau 和M Dorigo 等人編寫的一本專著《群體智能：從自然到人工系統(tǒng)》（“Swarm Intelligence ：From Natural to Artificial System”），他認為簡單智能體（agent）涌現(xiàn)出來的集體智能[ 2]。

2群體智能遵循的原則

Millonas M M 在1994 年提出群體智能應該遵循五條基本原則[3]，一是鄰近原則（Proximity Principle）， 群體能夠進行簡單的空間和時間計算。計算可以理解為群體根據環(huán)境刺激所作出的行為反應，通常是為了最大化群體行為的效用。二是品質原則（Quality Principle）， 群體能夠響應環(huán)境中的品質因子，例如食物質量和居所安全性。三是多樣性反應原則（Principle of Diverse Response），群體不應將自身資源限制在很小的范圍內，而是應該廣泛分布以應對環(huán)境的劇烈變化。四是穩(wěn)定性原則（Stability Principle）， 群體不應在每次環(huán)境變化時都改變自身的行為，因為改變需要消耗能量，而且未必有正收益。五是適應性原則（Adaptability Principle）， 在值得投入能量改變行為時，群體能夠在適當的時候改變自身的行為。

3大數據與群體智能

3.1傳統(tǒng)數據分析中存在的問題

傳統(tǒng)算法存在局限性。一是大規(guī)模問題，在日常的工作和生活中，人們對數據的收集越來越多，數據被儲存在不同領域的管理系統(tǒng)中，成爆炸式增長。 二是高維問題，在高維空間中，數據集存在數據分布稀疏、噪聲水平提高、屬性維度高等特點，當維數達到一定高度時，傳統(tǒng)意義上的數據距離和區(qū)域密度將會變得沒有意義，數據集上的距離差將會逐漸縮小，甚至出現(xiàn)“距離趨零現(xiàn)象”。三是多目標問題，在應用于金融、工業(yè)、生產管理等相關領域時，往往有多個需要優(yōu)化的目標。對于多目標優(yōu)化問題，各個優(yōu)化目標之間可能存在矛盾和制約，因此要尋找一組優(yōu)先級別最高的解集來達到各目標之間的平衡。 四是動態(tài)問題。傳統(tǒng)的數據挖掘技術只是針對靜態(tài)的數據進行分析處理，而不能很好的動態(tài)的掌握信息的發(fā)展，動態(tài)數據挖掘是綜合現(xiàn)在和未來于一體的知識提取過程。

3.2大數據挖掘的瓶頸

數據挖掘技術的發(fā)展存在一定的瓶頸。一是數據產生的速度和數量、應用的規(guī)模和范圍在不斷地擴大，因此產生了龐大的大規(guī)模數據集，原來的一些數據挖掘方法不能在短時間內挖掘到有用的信息、挖掘信息的質量下降甚至無法執(zhí)行；二是數據挖掘研究對象的特征維數越來越高，產生了大量的具有冗余特征和噪聲特征的高維小樣本數據，直接進行數據挖掘容易造成維數災難；三是在數據挖掘的過程中，現(xiàn)有的挖掘方法大多缺乏指導和控制的交互性；四是對各類算法和模型還沒有形成正確的評估體系，難以對數據挖掘的實際項目起到指導作用。五是數據的復雜性。這種復雜性并不止源于數據的本身，更多體現(xiàn)在多源異構、多空間和多實體的交互動態(tài)性，難以用傳統(tǒng)的方法從大量動態(tài)甚至無法辨識的數據中提取出有用的信息。

3.3集群智能在大數據挖掘瓶頸技術的突破

一是數據的某一個維度是對樣本點某一方面特性的描述，在高維數據情況下，許多算法（比如聚類模型）失效。但局部敏感散列算法的應用能幫助尋找到高緯度空間的最近臨界點。二是在大數據涉及的數據挖掘多目標優(yōu)化問題中，粒子群算法和螞蟻算法使用較多。比如利用小生境技術，同時在算法的運行過程中加入了精英集策略，提出了一種改進的多目標優(yōu)化粒子群算法，這種改進方法有效地提高了算法的運行效率。三是數據的動態(tài)變化問題。大數據使用中，Web使用數據、實時交通信息。而集群智能方法已經被廣泛應用于靜態(tài)和動態(tài)優(yōu)化問題中迭代策略的改進蟻群算法，從而改善了基本蟻群算法在動態(tài)優(yōu)化中的性能。

3.4大數據與集群智能之間關系

經過我們查閱資料和小組成員之間進行討論，我們得出了大數據和集群智能之間的關系： 大數據是柴，獲取數據背后的價值是砍柴，而數據挖掘中對集群智能的使用則是砍柴刀。因此，兩者間本質上上是目標和工具的關系。

參考文獻：

[1] Eberhart， Russell C. Swarm intelligence =[M]. 人民郵電出版社，2009.

[2] Dorigo M， Stützle T. The Ant Colony Optimization Metaheuristic： Algorithms， Applications， and Advances[M]// Handbook of Metaheuristics. Springer US， 2003：250-285.

[3]Millonas M M， Dykman M I. Transport and current reversal in stochastically driven ratchets[J]. Physics Letters A， 1994， 185（1）： 65-69.

（作者單位：長沙民政職業(yè)技術學院）