专题征稿-SI1 群体智能优化算法(已截稿)
发布人：liangjing 发布时间：2018/1/8 16:31:52 浏览次数：29653次
【字体:
】
】专题导语
“攻坚克难登高峰，学习进化绣智能；群体协作创新路，智能优化展宏图”
—— 王凌（清华大学教授，博士生导师，国家杰青）
“群体智能是产生于个体间交互协同又高于个体能力的群体涌现现象，是超越个体迈向强人工智能的必由之路。群体智能优化是利用群体智能来高效求解复杂优化问题的利器，是当今智能优化技术的先锋，必将成为现代人工智能发展的助推器。”
—— 谭营（北京大学教授，博士生导师，IEEE Tranasctions on Cybernetics 副主编）
“群体智能理论与方法是新一代人工智能的重要方向，其智能涌现 的特征改变了传统的智能构造方法与计算模式。在未来，它将会 不断出现新的理论进展与方法实践，推动人工智能的理论 技术创新！”
——王兴伟（东北大学教授，博士生导师，国家杰青）
专题简介
群体智能（Swarm Intelligence）的核心思想就是，若干个简单个体构成一个群体，通过合作、竞争、交互与学习等机制表现出高级和复杂的功能，在缺少局部信息和模型的情况下，仍能够完成复杂问题的求解。对求解变量进行随机初始化，经过迭代求解，计算目标函数的输出值，群体智能优化算法具有不依赖于梯度信息，对待求解问题无连续、可导等要求的特点，使得该类算法既适应连续型数值优化，也适应离散型组合优化。同时，群体智能优化算法潜在的并行性和分布式特点使其在处理大数据时具备显著优势。因此，群体智能优化算法越来越多的受到各个领域学者的关注，成为一个热门的重要研究方向。群体智能优化算法包括了多种算法，例如经典的粒子群优化算法（Particle Swarm Optimization，PSO），蚁群优化算法（Ant Colony Optimization，ACO）等。近年来，又涌现出不少新算法，例如头脑风暴优化算法（Brain Storm Optimization，BSO），烟花算法（Fireworks Algorithms，FWA）等。新的群体智能优化算法为求解多种多样的实际问题提供新的思路和手段。以头脑风暴优化算法为例，这是一种新的群体智能优化算法。这种算法的特点是将群体优化方法和数据挖掘/数据分析的方法进行了融合，以数据分析的方法为基础去选择相对较好的解。通过对待求解问题大量解的数据进行分析，根据待求解问题特征与算法优化过程中生成解集合的分布情况，建立待求解问题解的结构（Landscape），在待求解问题与算法的关联基础上，更好地求解问题。将最优化问题建模为在解空间上搜索最优值的搜索问题，群体优化算法通过启发式信息来指导搜索过程。在搜索过程中，多个个体通过竞争与协作的方式，共同对解空间进行搜索。由于有多个个体同时协作地进行搜索，这使得群体优化算法具有一种潜在的并行性。不同于常规的分析和数值解法，群体优化算法对目标函数的性态（单调性、可导性、模态性）几乎没有限制，甚至不需要知道目标函数的表达式，因此群体智能优化算法的提出，极大的拓展了可解的最优化问题的范围。群体智能优化算法可以广泛地应用于各种优化问题中，如动态优化问题、约束优化问题、不确定环境优化问题、多目标优化问题等。通过本专题的讨论，将有益于群体智能优化算法的研究，促进群体智能优化算法在实际问题求解中的应用。 投稿范围本专题的目的在于提供群体智能优化算法的最新研究进展，并为群体智能优化算法研究提供新的思路和未来展望。
欢迎关于群体智能优化算法理论研究、算法分析、算法应用等原创性工作投稿至本专题。
投稿范围
包括但不限于以下内容：
1. 群体智能优化算法研究
>>粒子群优化算法
>>头脑风暴优化算法
>>蚁群优化算法
>>烟花算法（Fireworks Algorithm）
2. 群体智能优化算法求解不同优化问题
>>求解多模态问题
>>求解多目标、超多目标问题
>>求解动态优化问题
3. 群体智能优化算法的应用
>>在组合优化问题的应用
>>金融优化问题应用
>>物联网领域优化问题
>>其他实际问题
投稿时间
- 初次投稿：2018/4/1
- 初次意见：2018/5/15
- 修改稿投稿：2018/6/15
- 修改稿意见：2018/7/15
- 最终版本投稿：2018/8/15
- 最终意见: 2018/9/1
- 在线出版时间：2018/11/1
欢迎作者在提交论文的截止日期之前提交论文，所有稿件将于收到后尽快处理，方便文章及时发表。
请在投稿系统标明专题投稿，将文章题目标注为“SI 1: 题目”。
客座主编
程适 陕西师范大学
王锐 国防科技大学
伍国华 国防科技大学
郭一楠 中国矿业大学
马连博 东北大学
史玉回 南方科技大学