粒子群优化特征进入人工智能领域。术语“人工智能”或“人工生命”是指通过计算模拟人类行为的理论。它涉及设计能够执行需要人类智能的任务的计算机系统。例如，早些时候只有人类有能力识别一个人的语音。但现在，语音识别是任何数字设备的共同特征。这已经通过人工智能成为可能。人类智能的其他示例可能包括决策、语言翻译和视觉感知等。有各种技术使其成为可能。这些将人工智能实施到计算机中的技术通常被称为人工智能方法。
这些技术的设计基于两类：
- 第一项研究包括如何使用计算来研究生物现象。
- 第二个展示了生物现象如何帮助理解计算问题。在学习 PSO 技术时，我们处理第二类。
人工智能的三种方法：
- 统计方法
- 符号人工智能
- 计算智能
可以使用以下三种方法之一来实现计算智能：
- 人工神经网络
- 模糊逻辑
- 进化计算
注意：在进化计算下，是群智能技术，其中包括粒子群优化。
_0.jpg)
如前所述，群智能是人工智能的一个分支，我们在其中观察自然并尝试了解如何在计算机系统中模仿不同的生物现象以优化调度算法。在群体智能中，我们关注简单生物的集体行为及其与环境的相互作用。
Swarm Intelligence中有两种类型的优化算法：
- 第一个是蚁群优化（ACO） 。这里的算法基于蚁群中蚂蚁的集体行为。
- 第二种技术是粒子群优化（PSO）。
在 PSO 中，焦点集中在一群鸟上。这群鸟被称为“群”。让我们尝试从以下场景中理解粒子群优化。
示例：假设有一群（一群鸟）。现在，所有的鸟都饿了，正在寻找食物。这些饥饿的鸟可以与计算系统中需要资源的任务相关联。现在，在这些鸟类的所在地，只有一种食物颗粒。这种食物颗粒可以与资源相关联。众所周知，任务多，资源有限。所以这就变成了在某种计算环境中类似的情况。现在，鸟类不知道食物颗粒藏在哪里或位于何处。在这种情况下，应该如何设计寻找食物颗粒的算法。如果每只鸟都试图自己寻找食物，可能会造成严重破坏并可能消耗大量时间。因此，通过仔细观察这个群体，人们意识到虽然鸟类不知道食物颗粒的位置，但它们确实知道它们与食物颗粒的距离。因此，找到该食物颗粒的最佳方法是跟随离食物颗粒最近的鸟类。鸟类的这种行为是在计算环境中模拟的，这样设计的算法被称为粒子群优化算法。
注意：鱼群也会执行相同的行为。因此，据说粒子群优化技术的灵感来自一群鸟或一群鱼。因此，该算法也称为基于群体的随机算法，由 Russell C. Eberhart 博士和 James Kennedy 博士于 1995 年开发。
这是粒子群优化的总体概念，以及它的工作基于什么生物现象。