社会认知优化

✍ dations ◷ 2025-07-18 18:28:00 #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

食品卫生食物卫生是指一系列与食物的进食、烹调及保存相关的卫生常识。日常因饮食而引起的问题，主要都是因为细菌在食物滋长，从而引致食物中毒。透过下列的方法对食物卫生作安全监管，可
高血钙高血钙（Hypercalcaemia）是指血液中的钙离子（Ca2+）过高的疾病。人体一般血钙浓度在2.1–2.6 mmol/L （8.8–10.7 mg/dL, 4.3–5.2 mEq/L），若浓度高于2.6 mmol/L，就是高血钙。轻度高
深圳文化设施列表深圳市是中国文化设施颇为齐全的城市，图书馆、博物馆、购书中心等设施数量众多。
美育美学（英语：aesthetics），在欧洲又名感觉学，是以对美的本质及其意义的研究为主题的学科，乃哲学其中一个重要分支。欧洲的美学概念的词语来源于希腊语：aisthetikos，最初的意义是“对感
计时码表计时马表，或称马表（英语：chronograph），是一种有计时功能的手表，是将秒表的功能结合于手表之中。计时码表于1720年由英国人乔治·格林汉（英语：George Graham）发明。无论是机械手表，石英
移赉勃极烈移赉勃极烈为金国一官名，意为部长，与胡鲁勃极烈、阿买勃极烈、乙室勃极烈和札失哈勃极烈等职同级。担任该职的是金人，凡参加辅政的勃极烈均为最高统帅部成员，征伐大事由皇帝和辅
麻竹麻竹（学名：），别名大绿竹、巨麻竹、巨竹、甜竹、瓦坭竹、吊丝麻、正坭竹，为禾本科牡竹属的一种，分布于中国华南地区、缅甸和台湾，属于丛生型竹类。本种杆高可达20~30米，径达30公分，节
李莎旻子李莎.mw-parser-output ruby.zy{text-align:justify;text-justify:none}.mw-parser-output ruby.zy>rp{user-select:none}.mw-parser-output ruby.zy>rt{font-feature-settings:"ruby"1;padding:0 0.1em;user-select:none}旻（mín）子（1993年7月27日－），出生于湖南省长沙市，中国大陆创作歌手、影视演员及综艺节目主持人
树同构树同构(Tree Isomorphism)描述的是图论中，两个树之间的完全等价关系。在图论的观点下，两个同构的树可以被当作同一个图来研究。树同构的概念源于图同构。图同构的概念为，两个简单图 G {\displaystyle G} ,)，其中表示一棵树， r ∈ V ( T ) {\displaystyle r
CGI (围棋软件)CGI（英语：CGI Go Intelligence）是由国立交通大学信息工程学系吴毅成教授所带领的团队所开发的围棋软件。从2008年开始发展，一开始名称为HappyGo，之后大幅改写时改名为Amigo，但因Amigo与其他围棋软件名称冲突，在后来改名时以实验室的名字为基础，改名为CGI并使用至今。其中CGI为CGI Go Intelligence的递归缩写，指的是“CGI实验室围棋智能”。于2017年年底与棋城合作，推出业余七段棋力的对弈服务。2008年到2011年的版本，以作者王永乐的昵称Happy为