社会认知优化

✍ dations ◷ 2025-02-28 13:56:15 #社会认知优化

社会认知优化（Social Cognitive Optimization, SCO），又称社会认识优化算法、社会认知算法。它是一种基于社会认知理论的群体智能优化算法。

SCO算法已经被应用于非线性规划问题，布尔可满足性问题，软件可靠性分配问题，自动机制设计等。

SCO算法可用于求解全局最小化问题 ${displaystyle f(x)}$ $f(x)$ ,其中 ${displaystyle x}$ $x$ 为属于问题空间S的一个问题状态（State），或称为知识点，而 ${displaystyle f}$ $f$ 为质量衡量函数。

在SCO中，由 ${displaystyle N_{c}}$ $N_{c}$ 个主体（Agent）同时进行求解，而它们通过环境中的社会共享库（Library）的进行交互。其中每个主体 ${displaystyle i}$ $i$ ${displaystyle (i=1,ldots ,N_{c})}$ ${displaystyle (i=1,ldots ,N_{c})}$ 拥有一个私有知识点 ${displaystyle x_{i}}$ $x_{i}$ ，而社会共享库中拥有一个知识集 ${displaystyle X={x_{j}|j=1,ldots ,N_{L}}}$ ${displaystyle X={x_{j}|j=1,ldots ,N_{L}}}$ (即一组知识点，其数量为 ${displaystyle N_{pop}}$ ${displaystyle N_{pop}}$ )。，SCO以马尔科夫过程方式（即当前周期的运行只依赖于上一周期的状态）重复运行 ${displaystyle T}$ $T$ 个周期。其算法流程如下：

【注】在以上这些步骤中，只有2.1.3步尤其和问题空间S的形式相关。例如S为 ${displaystyle D}$ $D$ 维连续空间时（每维值有给定的上下界），新知识点 ${displaystyle x_{i}(t+1)}$ ${displaystyle x_{i}(t+1)}$ 可以以如下方式产生。首先得到 ${displaystyle x_{Ref}}$ ${displaystyle x_{Ref}}$ 以 ${displaystyle x_{Base}}$ ${displaystyle x_{Base}}$ 为中心的对称点 ${displaystyle x_{Image}}$ ${displaystyle x_{Image}}$ ，然后得到以 ${displaystyle x_{Image}}$ ${displaystyle x_{Image}}$ 和 ${displaystyle x_{Ref}}$ ${displaystyle x_{Ref}}$ 为顶点的超矩形体 ${displaystyle S_{V}}$ ${displaystyle S_{V}}$ （而 ${displaystyle x_{Base}}$ ${displaystyle x_{Base}}$ 可视为在该超矩形体的中心），接着得到S和 ${displaystyle S_{V}}$ ${displaystyle S_{V}}$ 的交集空间（边界处理方式），并在该交集空间中返回一个纯随机知识点作为 ${displaystyle x_{i}(t+1)}$ ${displaystyle x_{i}(t+1)}$ 。如S为离散和组合空间（如对旅行商问题），则该步需要进行相应的设计。

SCO算法共有三个主要参数，即主体数目 ${displaystyle N_{c}}$ $N_{c}$ ，知识集大小 ${displaystyle N_{pop}}$ ${displaystyle N_{pop}}$ ，以及执行周期数 ${displaystyle T}$ $T$ 。通常 ${displaystyle N_{pop}}$ ${displaystyle N_{pop}}$ 为 ${displaystyle N_{c}}$ $N_{c}$ 的3～5倍。加上初始化过程，总知识点评估次数为 ${displaystyle N_{pop}+N_{c}*(T+1)}$ ${displaystyle N_{pop}+N_{c}*(T+1)}$ ，因此总知识点评估次数在T较大时基本与 ${displaystyle N_{pop}}$ ${displaystyle N_{pop}}$ 无关。SCO算法还有两个次要参数，通常固定为默认值，即 ${displaystyle TAU_{B}=2}$ ${displaystyle TAU_{B}=2}$ 与 ${displaystyle TAU_{W}=4}$ ${displaystyle TAU_{W}=4}$ 。

最优化问题可以视为一个类似于Newell和Simon所定义的（可以度量的）问题空间，而问题求解则可看做在问题空间中进行搜索高质量的问题状态或知识点。对每个主体而言，其私有知识点可以看做一种私有记忆，而该知识点随执行周期的变化轨迹则可以视为是对认知过程的一种模拟，即由低质量知识点得到高质量知识点的过程。在每个周期中，每个主体使用他的私有记忆以及参考社会共享库中的部分信息或线索，通过搜索得到的新知识将会被主体用来更新它的私有记忆，并提交（部分）已有知识给环境用来最后更新社会共享库。因此SCO模拟一种简单的社会认知过程：每个主体的认知过程利用了社会共享库，而高质量的社会共享库的积累过程则来源于个体认知过程的贡献。主体间的交互和合作搜索实际上是隐式的通过对社会共享库的使用和影响其更新而实现。如果将在问题空间中迅速得到准优解的过程视为一种创造性思维过程，SCO也可以视为对脑力激荡优化法（英语：Brain storm optimization algorithm）的一种简单模拟，这也意味着SCO有在研究群体创造性方面的扩展的可能性。

以下比较一下SCO和几种主要的基于群体的优化算法的异同点。这些算法包括遗传算法（Genetic Algorithm, GA)，蚁群算法（Ant Colony Optimization, ACO），粒子群优化（Particle Swarm Optimization，PSO）。

和GA所不同的是，每个主体长期存在于所有周期中，而不会被新个体替换。也就是，SCO模拟多个个体的学习和认知周期，而GA模拟群体的演化周期。

和ACO所不同的是，每个主体拥有私有记忆，这个记忆长期存在于所有周期中。在这点上，SCO和PSO类似。主体的私有记忆保证了个体学习能力，有助于群体中涌现新知识并维护群体知识的差异性。

和PSO所不同的是，社会共享库中的知识和主体中的知识相互独立。首先，拿走某个主体，不会影响社会共享库。在这点上，SCO和ACO类似。减少个体数目不会严重影响算法性能，SCO甚至能在只有一个个体时得到比较稳定的搜索结果，尽管使用多个个体会使得搜索过程更鲁棒。其次，改变库里面的部分信息，不会直接影响到主体本身，因此也可以通过调整社会共享库来调节算法性能。

相关

温德尔·斯坦利温德尔·梅雷迪思·斯坦利（英语：Wendell Meredith Stanley，1904年8月16日－1971年6月15日），出生于印第安纳州里奇维尔，美国化学家，1946年获诺贝尔化学奖。1901年：范托夫 | 1902年：费歇
菲利普一世菲利普一世，奥尔良公爵（法语：Philippe de France, Duke of Orléans，1640年9月21日－1701年6月9日），法国奥尔良公爵，他的玄孙路易-菲利普一世其后于1830年成为法国国王，1848年失去王位
ISO 3166-1二位字母代码ISO 3166-1二位字母代码（英语：ISO 3166-1 alpha-2）是国际标准化组织ISO 3166标准第一部分ISO 3166-1的二位字母表示方式，旨在为国家、属地、具特殊科学价值地点建立国际认可的代
丹尼斯·麦克多诺丹尼斯·麦克多诺（英语：Denis Richard McDonough，1969年12月2日－），生于美国明尼苏达州华盛顿县，美国政治人物。他担任第26任也是奥巴马总统任内的最后一任白宫幕僚长；于圣若望大学修
和谐号 (消歧义)和谐号可以指：
海底峡谷海底峡谷，或简单地只叫海底谷，是一种海岸地理（英语：Coastal geography）特征，指位于海床的大陆斜面上存在的谷地。现时地球上的海底峡谷估算有约9,477个，占大陆坡的11%总面积。
子女、厨房、教堂子女、厨房、教堂（德语：Kinder, Küche, Kirche，或称“3K”，德语：die drei K）是一句传统的德语口号，描述了德国传统价值观中保守的女性社会角色，即妇女应照顾并教育子女、处理家务并
滨海大学滨海大学，全名为滨海-珍珠海岸大学（法语：Université du Littoral-Côte-d'Opale），音译为"利多拉尔大学"，是法国的一所公立综合性大学，于1991年成立，总部位于法国北部的敦刻尔克，隶属
中地舞中地舞（日语：中地舞／なかちまい，1980年12月16日－），日本足球运动员，日本国家女子足球队成员。在1997年12月5日，她代表日本国家女子足球队出赛，在对战关岛的比赛中首次亮相。从1997年到2008年，她共为国家足球队出场30次。她也曾代表日本参加1999年国际足联女子世界杯，2003年国际足联女子世界杯。
杜自明杜自明（1878年－1961年），男，满族，四川成都人，中国中医骨伤科专家，曾任中国中医研究院骨科主任，第三届全国政协委员。