CN111353574B - 一种基于作用关系网的群体智能水平计算方法及系统 - Google Patents

Abstract

本发明公开了一种基于作用关系网的群体智能水平计算方法及系统，包括：S1、智能个体依次选择与行为交互智能个体间的合作程度；S2、基于所述合作程度判断智能个体间的作用关系，生成群体作用关系网；S3、基于所述群体作用关系网，计算个体的智能水平；S4、基于所述群体作用关系网、个体的智能水平计算群体智能水平。本发明基于个体间作用关系和网络结构特征，通过效能对群体智能水平进行评估，实现了对包含多种任务及行为表现的群体智能的定量计算。同时，本发明的个体作用关系由个体交互形成，满足各智能个体的实际需求。

Description

一种基于作用关系网的群体智能水平计算方法及系统

技术领域

本发明涉及人工智能领域，具体涉及一种基于作用关系网的群体智能水平计算方法及系统。

背景技术

众智网络系统是由众多个人、企业、机构、智能机器和算法等各类异质智能个体通过互联网、物联网深度互联而成的平台或系统(如众包平台、电子商务平台等)。云计算、物联网、大数据、人工智能、区块链等新技术正在推动人、智能机器人或装备、物品等深度互联的众智网络的形成与发展，众智网络的形成与发展正在引发政治、经济和社会大融合，包括政务、商务、社交的融合；农业、工业、服务业等各类产业融合等。政治、经济和社会大融合正在催生经济社会组织、运行、管理方式向着众心化(去中心化、自主可控)、直接化(去中介化)、生态化(全方位协作)、智能化(最大化效能)的方向发展，网络化众智型社会形态正在形成，必将从根本上改变人们的生活方式、企业的生产方式和政府的管理与服务方式。

为了更好的了解人工智能的发展情况，促进人工智能更快、更好地服务社会，要对这些智能系统的智能水平进行评估。智能是指智能个体在单位时间内以有效的方式创造或实现有效价值的能力，而智能个体是指智能群体或个体的自身属性，既可以是人类个体，也可以是国家、政府、企业等由人类个体构成的组织或机构，还可以是智能设备、智能算法，人、机、物融合的系统或平台等。异质主体的主要区别在于智能水平和发挥稳定性。

目前，对人工智能度量方法往往是将方法应用于某一数据集上得到的准确率、召回率等指标，这种做法一来没有考虑到算法运行的实际硬件环境对性能表现的影响，二来无法对不同类型智能的高低大小进行比较，三是不适用于多智能体交互环境下的群体智能度量问题。因此，现有针对个体智能和群体表现的度量技术，因为对行为交互作用关注度不足且忽略了群体网络结构特征对群体智能表现的影响，具有如下缺点：

1.对基于不同任务类型的个体智能没有统一计算方法，因而也就无法对包含多种行为的群体智能进行衡量；

2.从各类行为占比的角度对群体状态进行描述，没有体现群体网络结构特征对群体智能的直接影响；

3.从行为选择的角度定义某一个体与其他个体之间的关系，没有体现个体间的关系是交互形成的，并不由某一个体单方面决定。

因此，如何实现对群体智能水平的有效度量是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于作用关系网的群体智能水平计算方法及系统。本发明基于个体间作用关系和网络结构特征，通过效能对群体智能水平进行评估，实现了对包含多种任务及行为表现的群体智能的定量度量。同时，本发明的个体作用关系由个体交互形成，满足各智能个体的实际需求。

为了实现以上目的，本发明采用以下技术方案：

一种基于作用关系网的群体智能水平计算方法，包括步骤：

S1、智能个体依次选择与行为交互智能个体间的合作程度；

S2、基于所述合作程度判断智能个体间的作用关系，生成群体作用关系网；

S3、基于所述群体作用关系网，计算个体的智能水平；

S4、基于所述群体作用关系网、个体的智能水平计算群体智能水平。

进一步地，所述基于所述合作程度判断智能个体间的作用关系具体为：

当θ_ij≥t₄且θ_ji≥t₄时，个体i和个体j是合作关系；

当θ_ij∈[t₃，t₄)或θ_ji∈[t₃，t₄)时，个体i和个体j是不作为关系；

当θ_ij＜t₁或θ_ji＜t₁时，个体i和个体j是对抗关系；

在其他情况下，个体i和个体j是竞争关系；

其中，θ_ij为智能个体i选择的与智能个体j的合作程度，θ_ji为智能个体j选择的与智能个体i的合作程度，1≥t₄≥t₃≥t₂≥t₁≥0。

进一步地，生成的群体作用关系网L为：

L＝{G，R}，

其中，G为群体网络结构，G＝{N，E}，其中N是网络中所有节点的集合，N＝(n₁，n₂，...n_i，...n_m)，n_i是群体中第i个个体(i＝1，2...m)，E是网络中所有边的集合，E＝(e_1，2，e_1，3，...，e_ij，...e_m-1，m)，若e_ij∈E，则表示个体i和个体j(j＝1，2...m)之间有边直接连接，可以进行行为交互；R为作用关系集合，R＝(r_1，2，r_1，3，...，r_ij，..r_m-1，m)，r_i，j代表个体i和个体j之间的作用关系，且r_i，j∈(合作、不作为、竞争、对抗)。

进一步地，所述计算个体的智能水平I为：

其中，V_e表示个体在时长T内创造的有效价值量，T是个体参与任务的时长，

反映个体输出有效价值的速率；V_t是在时长T内输入个体的总价值量，

反映个体加工有效价值的效率，

代表有效价值量的均值归一化因子，表示个体在单位时间内实现的有效价值量的所有观测样本的平均值。

所述步骤S4包括：

合作关系下，智能个体i、j的整体智能水平为：

I_ij＝I_i+I_j+I_i*I_j

竞争关系下，智能个体i、j的整体智能水平为：

I_ij＝max(I_i，I_j)

对抗关系下，智能个体i、j的整体智能水平为：

I_ij＝abs(I_i-I_j)

不作为关系下，智能个体i、j的整体智能水平为：

I_ij＝I_i+I_j

其中，I_i、I_j分别为智能个体i、j的智能水平。

进一步地，所述步骤S4包括：

合作关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，子群体S′_m是智能群体S_m的任一子集，且子群体S_m所构成的网络结构为完全图；I′_j为智能个体j在子群体S′_m中贡献的智能水平；

竞争关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，Ii为智能个体i的智能水平，i∈(1，2...m-1，m)；

对抗关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_max、I_second分别m个智能个体中智能水平的最大值、次大值；

不作为关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_i为智能个体i的智能水平。

进一步地，对于包括多种作用关系的智能群体，所述步骤S4具体为：

S4.1、将所述多种作用关系的智能群体根据作用关系划分成不作为关系集合Set(L)、合作关系集合Set(C)、竞争关系集合Set(D)、对抗关系集合Set(A)；

S4.2、分别计算不作为关系集合群体智能水平、合作关系集合群体智能水平、竞争关系集合群体智能水平、对抗关系集合群体智能水平；

S4.3、将所述不作为关系集合群体智能水平、合作关系集合群体智能水平、竞争关系集合群体智能水平、对抗关系集合群体智能水平求和，得到多种作用关系的智能群体的智能水平。

进一步地，对于不作为关系集合

其中

为网络结构中不作为关系所连接的智能个体，其群体智能水平为：

其中，I_i为智能个体i的智能水平；

对于合作关系集合Set(C)＝(G₁(C)，G₂(C)，...，G_m-1(C)，G_m(C))，其中，G₁(C)，G₂(C)，...，G_m-1(C)，G_m(C)为网络结构中合作关系构成的最大连通图，且这些最大连通图彼此互斥，对于其中每一个连通图G_i(C)，假设G_i(C)中包括p个智能个体，从这p个智能个体中随机依次抽取1，2，...，p-1，p个智能个体，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(C)中包括p个智能个体所组成的智能群体，其群体智能水平为：

其中，子群体S′_{i_j_k}所构成的网络结构为完全图，I′_j为智能个体j在子群体S′_{i_j_k}中贡献的智能水平；

对于竞争关系集合Set(D)＝(G₁(D)，G₂(D)，...，G_m-1(D)，G_m(D))，其中，G₁(D)，G₂(D)，...，G_m-1(D)，G_m(D)为网络结构中竞争关系构成的最大连通图集合，且这些最大连通图彼此互斥，对于其中每一个连通图G_i(D)，假设G_i(D)中包括p个智能个体，从这p个智能个体中依次随机抽取p，p-1，...，2，1个智能个体，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(D)中包括p个智能个体所组成的智能群体，其群体智能水平为：

其中，

为子群体s′_{i_z_k}的智能水平；

具体为：

当S′_{i_z_k}包括在其排序前的子群体智能水平计算过程中未涉及的智能个体时，

否则，

I′_j为智能个体j在子群体S′_{i_z_k}中贡献的智能水平；

对于对抗关系集合Set(A)＝(G₁(A)，G₂(A)，...，G_m-1(A)，G_m(A))，其中，G₁(A)，G₂(A)，...，G_m-1(A)，G_m(A)为网络结构中对抗关系构成的最大连通图集合，且这些最大连通图彼此互斥；对于其中每一个连通图G_i(A)，假设G_i(A)中包括p个智能个体，从这p个智能个体中依次随机抽取p，p-1，...，2，1个智能个体，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(D)中包括p个智能个体所组成的智能群体，其群体智能水平为：

其中，

子群体S′_{i_z_k}的智能水平，

具体为：

包括在其排序前的子群体智能水平计算过程中未涉及的智能主体时，

否则，

其中，I_max、I_second分别为子群体S′_{i_z_k}包含的智能个体中智能水平的最大值、次大值。

进一步地，智能个体j在子群体中贡献的智能水平为j在该子群体中所有连接边上智能贡献度之和；其中，j在每条边上的智能贡献度均为I_j/q，I_j是智能个体j的智能水平，q为智能个体j同其他个体的连接边条数。

本发明还提出一种基于作用关系网的群体智能水平计算系统，用于实现本发明所述的智能水平计算方法，包括：

自主选择模块，用于智能个体依次选择与行为交互智能个体间的合作程度；

作用关系网生成模块，用于基于所述合作程度判断智能个体间的作用关系，生成群体作用关系网；

个体智能水平计算模块，用于基于所述群体作用关系网，计算个体的智能水平；

群体智能水平计算模块，用于基于所述群体作用关系网、个体的智能水平计算群体智能水平。

与现有技术相比，本发明具有如下优点：

首先，本发明通过效能对群体智能水平进行评估，实现了对包含多种行为的群体智能定量计算，能够更准确地了解人工智能水平，促进人工智能的发展；

其次，人工智能中，大都是通过智能群体共同作用实现相应的智能化服务的。因此，本发明对群体智能水平的度量实用性更强、应用范围更广；

再次，在群体智能水平计算过程中，考虑了网络结构、交互关系的影响，不同的网络结构及相应的交互关系对整体的智能水平影响完全不同，因此，本发明通过对网络结构、交互关系的应用，计算出的群体智能水平更能表征智能群体的实际智能水平；

最后，本发明中智能个体间的交互关系由智能个体双方共同决定，而不是由某一个体单方面决定，真正意义实现了智能个体间的交互。

附图说明

图1是实施例一提供的一种基于作用关系网的群体智能水平计算方法流程图；

图2是实施例二提供的一种基于作用关系网的群体智能水平计算系统结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明从“效能”的角度对不同类型的个体智能进行了量化，在群体智能水平度量中引入了个体间作用关系和网络结构特征。下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

实施例一

如图1所示，本实施例提出了一种基于作用关系网的群体智能水平计算方法，包括：

S1、智能个体依次选择与行为交互智能个体间的合作程度；

在群体智能中，智能个体的认知能力是有限的，它们所能感知到的信息也仅仅是其邻域内的局部信息，这些局限性也就决定了单靠智能个体是很难完成复杂任务或者实现系统目标的。但是基于智能个体间的非线性交互作用，通过协商与合作往往可以涌现出在宏观层面上的系统智能行为，最终完成任务。比如蚂蚁虽然它们的神经系统非常简单，但是大量的蚂蚁就是通过这样简单的交互作用，实现聪明的觅食，搬运，筑巢以及抵御各种灾害。通过智能个体间的合作，最终涌现出系统宏观层面上的智能行为以对任务进行求解，这不但是可能而且是必须的。

群体智能中，不同智能个体间的交互程度也不同，两个智能个体相互选择。所谓合作程度，指的是一个个体在与另外一个个体共同进行某项任务时，对另外一个个体抱有的合作意愿大小。本发明中，两个智能个体共同决定交互的关系，因此，需要每个智能个体依次选择能够进行行为交互的智能个体合作程度。对于群体数量为m的个体来说，智能个体共同构成了网络结构G，具体为：

G＝{N，E}

其中N是网络中所有节点的集合，N＝(n₁，n₂，...n_i，...n_m)，n_i是群体中第i个个体(i＝1，2...m)，E是网络中所有边的集合，E＝(e_1，2，e_1，3，...，e_ij，...e_m-1，m)，若e_ij∈E，则表示个体i和个体j(j＝1，2...m)之间有边直接连接，可以进行行为交互。

对于可以进行交互的智能个体，两个智能个体都对合作程度进行选择，以确定两个交互智能个体间的关系。也就是说，在合作程度选择过程中，每个智能个体依次选择对与自己直接连接的智能个体的合作程度；假设在网络G中，智能个体i和智能个体j直接相连，那么智能个体i对智能个体j的合作程度为θ_ij，且θ_ij∈[0，1]，同理智能个体j对智能个体i的合作程度为θ_ji。因此，本发明中与其他智能个体的合作意愿完全由智能个体自主决定。

S2、基于所述合作程度判断智能个体间的作用关系，生成群体作用关系网；

本发明中，智能个体间作用关系由两个智能个体的行为共同决定，而不是由某个智能个体单独决定。同一个智能个体可以同时与其他个体形成多种作用关系。当所有智能个体选择了与自己直接相连个体的合作程度后，由判定规则在每一对相连个体间生成作用关系类型；所谓作用关系类型，指的是由两个相连个体合作程度共同决定的一种关系，包括合作、不作为、竞争、对抗四种类型。不同作用关系表示两个个体在共同从事一项任务时的不同工作状态，在合作关系下二者彼此协作共同完成任务；在不作为关系下二者各自独立工作，彼此互不影响；在竞争和对抗关系下二者之中只有一个竞争胜利者独自完成任务，且对抗关系下胜利者在争夺任务参与权时的成本更大。

合作、不作为、竞争、对抗四种作用关系对应不同的合作程度范围，当智能个体间的作用关系为合作时，智能个体间的合作程度越高，当智能个体间的作用关系为对抗时，智能个体间的合作程度越低。具体地，作用关系判定规则r由一组参数(t₁，t₂，t₃，t₄)决定，其中1≥t₄≥t₃≥t₂≥t₁≥0，t₄，t₃，t₂，t₁这四个参数分别对应合作、不作为、竞争、对抗关系的判定阈值。对于直接相连的个体i和个体j，二者对另一方的合作程度分别为θ_ij和θ_ji，判定规则具体为：

当θ_ij≥t₄且θ_ji≥t₄时，个体i和个体j是合作关系；

当θ_ij∈[t₃，t₄)或θ_ji∈[t₃，t₄)时，个体i和个体j是不作为关系；

当θ_ij＜t₁或θ_ji＜t₁时，个体i和个体j是对抗关系；

在其他情况下，个体i和个体j是竞争关系。

依次对群体智能中的智能个体进行处理，确定群体智能中所有能够进行行为交互的个体间的作用关系，组成作用关系几何，由此生成群体作用关系网。

群体作用关系网L为：

L＝{G，R}，

其中，G为群体网络结构，R为作用关系集合，R＝(r_1，2，r_1，3，...，r_ij，...r_m-1，m)，r_i，j代表个体i和个体j之间的作用关系，且r_i，j∈(合作、不作为、竞争、对抗)。由于本发明为所有能够进行交互的智能个体间确定作用关系，因此，群体作用关系集合R和网络结构G中所有边的集合E中的元素一一对应，即每一条边对应边连接点的作用关系。

S3、基于所述群体作用关系网，计算个体的智能水平；

所谓个体智能，指的是单个智能个体在单位时间内以有效的方式创造或实现有效价值的能力。因此，本发明根据个体实现的效能计算个体智能水平。本发明对智能水平进行度量，同时考虑群体网络结构特征对群体表现的直接影响。因此，本发明的智能群体基于作用关系网共同进行一种或多种任务，并基于个体在任务上达成的实际效能，计算个体的智能水平。因此，个体智能水平I的计算公式为：

其中，V_e表示个体在时长T内创造的有效价值量，反映了个体按期望完成某类任务的快慢程度。所谓有效价值量，指的是某项任务的期望产出，例如对于图像辨识求解任务来说，有效价值量就是被正确识别的图像数。T是个体参与任务的时长，

反映了个体输出有效价值的速率；Vt是在时长T内输入个体的总价值量，

反映了个体加工有效价值的效率，例如对于图像辨识求解任务来说，总价值量V_t指的是图像总数；

代表有效价值量的均值归一化因子，其量纲与V_e的量纲相同，即

是个体在单位时间内实现的有效价值量的所有观测样本的平均值。如果我们选择将1s作为单位时间，那么个体所有不同类型的智能水平I的量纲均被归一化为s^-1，如此就可以开展针对不同类型智能之间的运算了，即实现对不同智能个体的智能水平度量及比较，适用于包括多智能体交互环境下的群体智能度量。

例如，智能个体为某个具有车牌识别功能的车库管理系统，其智能水平为其在图像辨识方面的能力。令其在一段时间内进行若干个经过充分混合并随机生成的图片库测试，每个图库包含1000张车牌照片。假设该车库管理系统完成u个图库测试的时间依次为T₁，T₂，...，T_u-1，T_u，每个图库中得到正确识别的车牌个数分别为N₁，N₂，...，N_u-1，N_u，设置智能计算样本窗口的长度为5，在t_n时刻该车库管理系统在最近5个图片测试库上的表现为T_u-4＝34s，T_u-3＝35s，T_u-2＝27s，T_u-1＝33s，T_u＝32s，N_u-4＝995，N_u-4＝992，N_u-2＝997，N_u-1＝989，N_u＝987。那么此时

A同学的智能水平的平均值为0.031，计算过程如表1所示。

表1车库管理系统的智能水平示例

因此，该智能个体的平均智能水平为：

S4、基于所述群体作用关系网、个体的智能水平计算群体智能水平。

不同作用关系下，两个相同的智能个体所共同实现的整体智能水平也是不同的。在合作关系下，两智能个体的相互作用存在智能涌现效果，两智能个体实现的效能都会体现在整体智能水平中，且主体间通过合作的方式，能够进一步增加整体的实现效能，也就是说，在合作关系下，个体i和个体j的整体智能水平存在额外的增量，大小为I_i·I_j，其中，I_i、I_j分别为智能个体i、j的智能水平，因此，合作关系下，智能个体i、i的整体智能水平为：

I_ij＝I_i+I_j+I_i*I_j

在竞争关系下，两智能个体中智能水平更高的一方胜出，胜出的一方体现整体智能水平，因此，竞争关系下，智能水平为二者各自智能水平中的最大值，即智能个体i、j的整体智能水平为：

I_ij＝max(I_i，I_j)

在对抗关系下，两智能个体智能的作用方向相反，胜出者会被失败者消耗掉一部分智能，因此，对抗关系下，智能水平为两智能个体各自智能水平差的绝对值，即智能个体i、j的整体智能水平为：

I_ij＝abs(I_i-I_j)

在不作为关系下，两智能个体彼此不发生作用，其智能水平都独立体现在整体智能水平中，因此，对抗关系下，智能水平为两智能个体各自智能水平的算数相加值，即智能个体i、j的整体智能水平为：

I_ij＝I_i+I_j

对于规模为m的智能群体S_m，当任意两个智能个体间的作用关系都相同(即作用关系单一)、网络结构为完全图的情况下，智能群体S_m的群体智能水平与两智能个体的整体智能水平类似。所谓完全图，指的是任意两个节点间都有直接连接的网络结构，即任意两个智能个体间都存在作用关系。

合作关系下，完全图中的一个智能个体与多个智能个体存在合作关系，智能个体在多个合作关系中发挥作用，可以将完全合作的智能群体划分成多个完全合作的子集分别计算。因此，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，子群体S′_m是智能群体S_m的任一子集，且子群体S′_m所构成的网络结构为完全图。I′_j为智能个体j在子群体S′_m中贡献的智能水平。

当一个智能个体同其他智能个体有合作关系时，智能个体将自身的智能分配到各个作用关系上，这是因为根据个体智能水平的计算方法，同一时间内某个智能个体只能从事一项任务、产出一种成果，两个智能个体的合作会影响与其他智能个体的合作。为了避免对个体智能水平的重复计算，本发明假设该智能个体把自身智能平均分配到所有合作作用关系上，也就是说，如果在网络结构中某个智能个体j同其他个体有q条合作关系的连接边，那么该智能个体在每条边上的智能贡献度均为I_j/q，I_j是智能个体j的智能水平。因此，智能个体j在子群体S′_m中贡献的智能水平为子群体S′_m中所有连接边上智能贡献度之和。即当子群体S′_m中智能个体j的合作连接边有w条时，

当子群体S′_m仅包含智能个体j时，I′_j＝I_j。

竞争关系下，m个智能个体中智能水平最高的一个胜出。胜出的一方体现群体智能水平，因此，竞争关系下，智能水平为m个智能个体各自智能水平中的最大值，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

在对抗关系下，m个智能个体智能的作用方向相反，对m个个体的智能水平进行排序，智能水平最大的个体胜出，但会被智能水平次之的个体消耗掉一部分智能。因此，对抗关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_max、I_second分别m个智能个体中智能水平的最大值、次大值。

在不作为关系下，m个智能个体彼此不发生作用，其智能水平都独立体现在整体智能水平中，因此，对抗关系下，智能水平为m个智能个体各自智能水平的算数相加值，即智能群体S_m智能水平为：

实际应用中，群体智能中的智能个体间可能包括多种作用关系。对于任意作用关系网络结构的群体智能，可以将智能群体划分成多种作用关系单一的集合分别计算。当一个智能个体同其他智能个体有多种作用关系时，智能个体将自身的智能分配到除不作为关系以外的各个作用关系上，这是因为根据个体智能水平的计算方法，同一时间内某个智能个体只能从事一项任务、产出一种成果，同时，当两个智能个体为不作为关系时，其智能相互不影响。

为了避免对个体智能水平的重复计算，本发明假设该智能个体把自身智能平均分配到除不作为关系以外的其他各作用关系上，也就是说，如果在网络结构中某个智能个体j同其他个体有q条非不作为关系的连接边，那么该智能个体在每条边上的智能贡献度均为I_j/q，I_j是智能个体j的智能水平。基于此，任意作用关系任意网络结构的群体智能水平为：

将智能群体根据作用关系划分成不作为关系集合Set(L)、合作关系集合Set(C)、竞争关系集合Set(D)、对抗关系集合Set(A)。

对于不作为关系集合

其中

为网络结构中不作为关系所连接的智能个体，不作为关系所连接的个体是指该智能个体与网络结构中的所有其他智能个体都是不作为关系，不存在非不作为关系的连接。由于不作为关系个体间的个体智能水平互不影响，因此，集合Set(L)组成的群体智能水平为：

对于合作关系集合Set(C)＝(G₁(C)，G₂(C)，...，G_m-1(C)，G_m(C))，其中，G₁(C)，G₂(C)，...，G_m-1(C)，G_m(C)为网络结构中合作关系构成的最大连通图，且这些最大连通图彼此互斥。对于其中每一个连通图G_i(C)，假设G_i(C)中包括p个智能个体，从这p个智能个体中随机依次抽取1，2，...，p-1，p个智能个体，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(C)中包括p个智能个体所组成的智能群体。对于这样的每一个子群体，如果其中任意两个个体之间都由合作关系的边连接，那么该子群体所有个体贡献的智能水平的乘积即为其因合作而表现出的智能水平。个体对所处子群体的智能贡献值是个体属于该子群体的所有连接边上智能值的和。对于所有的两个个体之间都由合作关系的边连接的子群体，不再重复计算该子群体的智能水平。

所有子群体这样计算得到的智能水平的总和，就是合作关系群体的智能水平。对于包括多个合作关系群体的合作关系集合，其智能水平为多个合作关系群体的智能水平总和。因此，合作关系群体的智能水平为：

其中，子群体S′_{i_j_k}所构成的网络结构为完全图，I′_j为智能个体j在子群体S′_{i_j_k}中贡献的智能水平，智能个体j在子群体S′_{i_j_k}中贡献的智能水平为子群体S′_{i_j_k}中所有连接边上智能贡献度之和。即当子群体中智能个体j的合作连接边有w条时，

当子群体s′_j-p仅包含智能个体j时，I′_j＝I_j。

对于竞争关系集合Set(D)＝(G₁(D)，G₂(D)，...，G_m-1(D)，G_m(D))，其中，G₁(D)，G₂(D)，...，G_m-1(D)，G_m(D)为网络结构中竞争关系构成的最大连通图集合，且这些最大连通图彼此互斥。对于其中每一个连通图G_i(D)，假设G_i(D)中包括p个智能个体，从这p个智能个体中依次随机抽取p，p-1，...，2，1个智能个体。，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(D)中包括p个智能个体所组成的智能群体。将子群体集合按规模从大到小排序并依次计算每个子群体的智能水平。对于每一个子群体，如果其中任意两个个体之间都由竞争关系的边连接，且该子群体中至少有一个个体还没有包括在其排序前的子群体智能水平计算的过程中，计算该子群体的智能水平。否则不对该子群体的智能水平进行计算。对于计算的子群体，其子群体所有主体贡献的智能水平的最大值即为其因竞争而表现出的智能水平。个体对所处子群体的智能贡献值是个体属于该子群体的所有连接边上智能值的和。所有子群体这样计算得到的智能水平的总和，就是竞争关系群体的智能水平。对于包括多个竞争关系群体的竞争关系集合，其智能水平为多个竞争关系群体的智能水平总和。因此，竞争关系群体的智能水平为：

其中，

为子群体S′_{i_z_k}的智能水平；

具体为：

当S′_{i_z_k}包括在其排序前的子群体智能水平计算过程中未涉及的智能个体时，

否则，

I′_i为智能个体j在子群体S′_{i_z_k}中贡献的智能水平，智能个体j在子群体S′_{i_z_k}中贡献的智能水平为子群体S′_{i_z_k}中所有连接边上智能贡献度之和。即当子群体中智能个体j的合作连接边有w条时，

当子群体s′_j-p仅包含智能个体j时，I′_j＝I_j。

对于对抗关系集合Set(A)＝(G₁(A)，G₂(A)，...，G_m-1(A)，G_m(A))，其中，G₁(A)，G₂(A)，...，G_m-1(A)，G_m(A)为网络结构中对抗关系构成的最大连通图集合，且这些最大连通图彼此互斥。对于其中每一个连通图G_i(A)，假设G_i(A)中包括p个智能个体，从这p个智能个体中依次随机抽取p，p-1，...，2，1个智能个体，把从中抽取z个智能个体形成的日网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(D)中包括p个智能个体所组成的智能群体。将子群体集合按规模从大到小排序并依次计算每个子群体的智能水平。对于这样的每一个子群体，如果其中任意两个个体之间都由对抗关系的边连接，且该子群体中至少有一个个体还没有包括在其排序前的子群体智能水平计算的过程中，计算该子群体的智能水平。否则不对该子群体的智能水平进行计算。对于计算的子群体，其子群体所有个体贡献的智能水平中最大的两个个体之间的差值即为其因对抗而表现出的智能水平。个体对所处子群体的智能贡献值是个体属于该子群体的所有连接边上智能值的和。所有子群体这样计算得到的智能水平的总和，就是对抗关系群体的智能水平。对于包括多个对抗关系群体的对抗关系集合，其智能水平为多个对抗关系群体的智能水平总和。因此，对抗关系群体的智能水平为：

其中，

子群体S′_{i_z_k}的智能水平。

具体为：

S′_{i_z_k}包括在其排序前的子群体智能水平计算过程中未涉及的智能个体时，

否则，

I_max、I_second分别为子群体S′_{i_z_k}包含的智能个体中智能水平的最大值、次大值，智能个体在子群体S′_{i_z_k}中贡献的智能水平为子群体S′_{i_z_k}中所有连接边上智能贡献度之和。即当子群体中智能个体j的合作连接边有w条时，

当子群体S′_{i_z_k}仅包含智能个体j时，I′_j＝I_j。

任意作用关系任意网络结构的群体智能水平为其划分的不作为关系集合Set(L)、合作关系集合Set(C)、竞争关系集合Set(D)、对抗关系集合Set(A)的智能水平之和，即任意作用关系任意网络结构的群体智能水平为：

I_whole＝I_Set(L)+I_Set(C)+I_Set(D)+I_Set(A)。

实施例二

如图2所示，本实施例提出了一种基于作用关系网的群体智能水平计算系统，包括：

自主选择模块，用于智能个体依次选择与行为交互智能个体间的合作程度；

在群体智能中，智能个体的认知能力是有限的，它们所能感知到的信息也仅仅是其邻域内的局部信息，这些局限性也就决定了单靠智能个体是很难完成复杂任务或者实现系统目标的。但是基于智能个体间的非线性交互作用，通过协商与合作往往可以涌现出在宏观层面上的系统智能行为，最终完成任务。比如蚂蚁虽然它们的神经系统非常简单，但是大量的蚂蚁就是通过这样简单的交互作用，实现聪明的觅食，搬运，筑巢以及抵御各种灾害。通过智能个体间的合作，最终涌现出系统宏观层面上的智能行为以对任务进行求解，这不但是可能而且是必须的。

群体智能中，不同智能个体间的交互程度也不同，两个智能个体相互选择。所谓合作程度，指的是一个个体在与另外一个个体共同进行某项任务时，对另外一个个体抱有的合作意愿大小。本发明中，两个智能个体共同决定交互的关系，因此，需要每个智能个体依次选择能够进行行为交互的智能个体合作程度。对于群体数量为m的个体来说，智能个体共同构成了网络结构G，具体为：

G＝{N，E}

其中N是网络中所有节点的集合，N＝(n₁，n₂，...n_j，...n_m)，n_i是群体中第i个个体(i＝1，2...m)，E是网络中所有边的集合，E＝(e_1，2，e_1，3，...，e_ij，...e_m-1，m)，若e_ij∈E，则表示个体i和个体j(j＝1，2...m)之间有边直接连接，可以进行行为交互。

对于可以进行交互的智能个体，两个智能个体都对合作程度进行选择，以确定两个交互智能个体间的关系。也就是说，在合作程度选择过程中，每个智能个体依次选择对与自己直接连接的智能个体的合作程度；假设在网络G中，智能个体i和智能个体j直接相连，那么智能个体i对智能个体j的合作程度为θ_ij，且θ_ij∈[0，1]，同理智能个体j对智能个体i的合作程度为θ_ji。因此，本发明中与其他智能个体的合作意愿完全由智能个体自主决定。

作用关系网生成模块，用于基于所述合作程度判断智能个体间的作用关系，生成群体作用关系网；

本发明中，智能个体间作用关系由两个智能个体的行为共同决定，而不是由某个智能个体单独决定。同一个智能个体可以同时与其他个体形成多种作用关系。当所有智能个体选择了与自己直接相连个体的合作程度后，由判定规则在每一对相连个体间生成作用关系类型；所谓作用关系类型，指的是由两个相连个体合作程度共同决定的一种关系，包括合作、不作为、竞争、对抗四种类型。不同作用关系表示两个个体在共同从事一项任务时的不同工作状态，在合作关系下二者彼此协作共同完成任务；在不作为关系下二者各自独立工作，彼此互不影响；在竞争和对抗关系下二者之中只有一个竞争胜利者独自完成任务，且对抗关系下胜利者在争夺任务参与权时的成本更大。

合作、不作为、竞争、对抗四种作用关系对应不同的合作程度范围，当智能个体间的作用关系为合作时，智能个体间的合作程度越高，当智能个体间的作用关系为对抗时，智能个体间的合作程度越低。具体地，作用关系判定规则r由一组参数(t₁，t₂，t₃，t₄)决定，其中1≥t₄≥t₃≥t₂≥t₁≥0，t₄，t₃，t₂，t₁这四个参数分别对应合作、不作为、竞争、对抗关系的判定阈值。对于直接相连的个体i和个体j，二者对另一方的合作程度分别为θ_ij和θ_ji，判定规则具体为：

当θ_ij≥t₄且θ_ji≥t₄时，个体i和个体j是合作关系；

当θ_ij∈[t₃，t₄)或θ_ji∈[t₃，t₄)时，个体i和个体j是不作为关系；

当θ_ij＜t₁或θ_ji＜t₁时，个体i和个体j是对抗关系；

在其他情况下，个体i和个体j是竞争关系。

依次对群体智能中的智能个体进行处理，确定群体智能中所有能够进行行为交互的个体间的作用关系，组成作用关系几何，由此生成群体作用关系网。

群体作用关系网L为：

L＝{G，R}，

其中，G为群体网络结构，R为作用关系集合，R＝(r_1，2，r_1，3，...，r_ij，...r_m-1，m)，r_i，j代表个体i和个体j之间的作用关系，且r_i，j∈(合作、不作为、竞争、对抗)。由于本发明为所有能够进行交互的智能个体间确定作用关系，因此，群体作用关系集合R和网络结构G中所有边的集合E中的元素一一对应，即每一条边对应边连接点的作用关系。

个体智能水平计算模块，用于基于所述群体作用关系网，计算个体的智能水平；

所谓个体智能，指的是单个智能个体在单位时间内以有效的方式创造或实现有效价值的能力。因此，本发明根据个体实现的效能计算个体智能水平。本发明对智能水平进行度量，同时考虑群体网络结构特征对群体表现的直接影响。因此，本发明的智能群体基于作用关系网共同进行一种或多种任务，并基于个体在任务上达成的实际效能，计算个体的智能水平。具体的个体智能水平计算步骤与实施例一一致，在此不再赘述。

群体智能水平计算模块，用于基于所述群体作用关系网、个体的智能水平计算群体智能水平。

不同作用关系下，两个相同的智能个体所共同实现的整体智能水平也是不同的。在合作关系下，两智能个体的相互作用存在智能涌现效果，两智能个体实现的效能都会体现在整体智能水平中，且主体间通过合作的方式，能够进一步增加整体的实现效能，也就是说，在合作关系下，个体i和个体j的整体智能水平存在额外的增量，大小为I_i·I_j，其中，I_i、I_j分别为智能个体i、j的智能水平，因此，合作关系下，智能个体i、j的整体智能水平为：

I_ij＝I_i+I_j+I_i*I_j

在竞争关系下，两智能个体中智能水平更高的一方胜出，胜出的一方体现整体智能水平，因此，竞争关系下，智能水平为二者各自智能水平中的最大值，即智能个体i、j的整体智能水平为：

I_ij＝max(I_i，I_j)

在对抗关系下，两智能个体智能的作用方向相反，胜出者会被失败者消耗掉一部分智能，因此，对抗关系下，智能水平为两智能个体各自智能水平差的绝对值，即智能个体i、j的整体智能水平为：

I_ij＝abs(I_i-I_j)

在不作为关系下，两智能个体彼此不发生作用，其智能水平都独立体现在整体智能水平中，因此，对抗关系下，智能水平为两智能个体各自智能水平的算数相加值，即智能个体i、j的整体智能水平为：

I_ij＝I_i+I_j

对于规模为m的智能群体S_m，当任意两个智能个体间的作用关系都相同(即作用关系单一)、网络结构为完全图的情况下，智能群体S_m的群体智能水平与两智能个体的整体智能水平类似。所谓完全图，指的是任意两个节点间都有直接连接的网络结构，即任意两个智能个体间都存在作用关系。

合作关系下，完全图中的一个智能个体与多个智能个体存在合作关系，智能个体在多个合作关系中发挥作用，可以将完全合作的智能群体划分成多个完全合作的子集分别计算。因此，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，子群体S′_m是智能群体S_m的任一子集，且子群体S′_m所构成的网络结构为完全图。I′_j为智能个体j在子群体S′_m中贡献的智能水平。

当一个智能个体同其他智能个体有合作关系时，智能个体将自身的智能分配到各个作用关系上，这是因为根据个体智能水平的计算方法，同一时间内某个智能个体只能从事一项任务、产出一种成果，两个智能个体的合作会影响与其他智能个体的合作。为了避免对个体智能水平的重复计算，本发明假设该智能个体把自身智能平均分配到所有合作作用关系上，也就是说，如果在网络结构中某个智能个体j同其他个体有q条合作关系的连接边，那么该智能个体在每条边上的智能贡献度均为I_j/q，I_j是智能个体j的智能水平。因此，智能个体j在子群体S′_m中贡献的智能水平为子群体S′_m中所有连接边上智能贡献度之和。即当子群体S′_m中智能个体j的合作连接边有w条时，

当子群体S′_m仅包含智能个体j时，I′_j＝I_j。

竞争关系下，m个智能个体中智能水平最高的一个胜出。胜出的一方体现群体智能水平，因此，竞争关系下，智能水平为m个智能个体各自智能水平中的最大值，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

在对抗关系下，m个智能个体智能的作用方向相反，对m个个体的智能水平进行排序，智能水平最大的个体胜出，但会被智能水平次之的个体消耗掉一部分智能。因此，对抗关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_max、I_second分别m个智能个体中智能水平的最大值、次大值。

在不作为关系下，m个智能个体彼此不发生作用，其智能水平都独立体现在整体智能水平中，因此，对抗关系下，智能水平为m个智能个体各自智能水平的算数相加值，即智能群体S_m智能水平为：

实际应用中，群体智能中的智能个体间可能包括多种作用关系。对于任意作用关系网络结构的群体智能，可以将智能群体划分成多种作用关系单一的集合分别计算。当一个智能个体同其他智能个体有多种作用关系时，智能个体将自身的智能分配到除不作为关系以外的各作用关系上，这是因为根据个体智能水平的计算方法，同一时间内某个智能个体只能从事一项任务、产出一种成果，同时，当两个智能个体为不作为关系时，其智能相互不影响。

为了避免对个体智能水平的重复计算，本发明假设该智能个体把自身智能平均分配到除不作为关系以外的其他各作用关系上，也就是说，如果在网络结构中某个智能个体j同其他个体有q条非不作为关系的连接边，那么该智能个体在每条边上的智能贡献度均为I_j/q，I_j是智能个体j的智能水平。基于此，任意作用关系任意网络结构的群体智能水平为：

将智能群体根据作用关系划分成不作为关系集合Set(L)、合作关系集合Set(C)、竞争关系集合Set(D)、对抗关系集合Set(A)。

对于不作为关系集合

其中

为网络结构中不作为关系所连接的智能个体，不作为关系所连接的个体是指该智能个体与网络结构中的所有其他智能个体都是不作为关系，不存在非不作为关系的连接。由于不作为关系个体间的个体智能水平互不影响，因此，集合Set(L)组成的群体智能水平为：

对于合作关系集合Set(C)＝(G₁(C)，G₂(C)，...，G_m-1(C)，G_m(C))，其中，G₁(C)，G₂(C)，...，G_m-1(C)，G_m(C)为网络结构中合作关系构成的最大连通图，且这些最大连通图彼此互斥。对于其中每一个连通图G_i(C)，假设G_i(C)中包括p个智能个体，从这p个智能个体中随机依次抽取1，2，...，p-1，p个智能个体，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(C)中包括p个智能个体所组成的智能群体。对于这样的每一个子群体，如果其中任意两个个体之间都由合作关系的边连接，那么该子群体所有个体贡献的智能水平的乘积即为其因合作而表现出的智能水平。个体对所处子群体的智能贡献值是个体属于该子群体的所有连接边上智能值的和。对于所有的两个个体之间都由合作关系的边连接的子群体，不再重复计算该子群体的智能水平。

所有子群体这样计算得到的智能水平的总和，就是合作关系群体的智能水平。对于包括多个合作关系群体的合作关系集合，其智能水平为多个合作关系群体的智能水平总和。因此，合作关系群体的智能水平为：

其中，子群体S′_{i_j_k}所构成的网络结构为完全图，I′_j为智能个体j在子群体S′_{i_j_k}中贡献的智能水平，智能个体j在子群体S′_{i_j_k}中贡献的智能水平为子群体S′_{i_j_k}中所有连接边上智能贡献度之和。即当子群体中智能个体j的合作连接边有w条时，

当子群体S′_j-p仅包含智能个体j时，I′_j＝I_j。

对于竞争关系集合Set(D)＝(G₁(D)，G₂(D)，...，G_m-1(D)，G_m(D))，其中，G₁(D)，G₂(D)，...，G_m-1(D)，G_m(D)为网络结构中竞争关系构成的最大连通图集合，且这些最大连通图彼此互斥。对于其中每一个连通图G_i(D)，假设G_i(D)中包括p个智能个体，从这p个智能个体中依次随机抽取p，p-1，...，2，1个智能个体。，把从中抽取z个智能个体形成的且网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(D)中包括p个智能个体所组成的智能群体。将子群体集合按规模从大到小排序并依次计算每个子群体的智能水平。对于每一个子群体，如果其中任意两个个体之间都由竞争关系的边连接，且该子群体中至少有一个个体还没有包括在其排序前的子群体智能水平计算的过程中，计算该子群体的智能水平。否则不对该子群体的智能水平进行计算。对于计算的子群体，其子群体所有主体贡献的智能水平的最大值即为其因竞争而表现出的智能水平。个体对所处子群体的智能贡献值是个体属于该子群体的所有连接边上智能值的和。所有子群体这样计算得到的智能水平的总和，就是竞争关系群体的智能水平。对于包括多个竞争关系群体的竞争关系集合，其智能水平为多个竞争关系群体的智能水平总和。因此，竞争关系群体的智能水平为：

其中，

为子群体S′_{i_z_k}的智能水平；

具体为：

当S′_{i_z_k}包括在其排序前的子群体智能水平计算过程中未涉及的智能个体时，

否则，

I′_j为智能个体j在子群体S′_{i_z_k}中贡献的智能水平，智能个体j在子群体S′_{i_z_k}中贡献的智能水平为子群体S′_{i_z_k}中所有连接边上智能贡献度之和。即当子群体中智能个体j的合作连接边有w条时，

当子群体s′_i-p仅包含智能个体j时，I′_j＝I_j。

对于对抗关系集合Set(A)＝(G₁(A)，G₂(A)，...，G_m-1(A)，G_m(A))，其中，G₁(A)，G₁(A)，...，G_m-1(A)，G_m(A)为网络结构中对抗关系构成的最大连通图集合，且这些最大连通图彼此互斥。对于其中每一个连通图G_i(A)，假设G_i(A)中包括p个智能个体，从这p个智能个体中依次随机抽取p，p-1，...，2，1个智能个体，把从中抽取z个智能个体形成的日网络结构为完全图的子群体的集合用S′_{i_z}表示；S′_{i_z}中第k个子群体是S′_{i_z_k}，

S_{i_p}为G_i(D)中包括p个智能个体所组成的智能群体。将子群体集合按规模从大到小排序并依次计算每个子群体的智能水平。对于这样的每一个子群体，如果其中任意两个个体之间都由对抗关系的边连接，且该子群体中至少有一个个体还没有包括在其排序前的子群体智能水平计算的过程中，计算该子群体的智能水平。否则不对该子群体的智能水平进行计算。对于计算的子群体，其子群体所有个体贡献的智能水平中最大的两个个体之间的差值即为其因对抗而表现出的智能水平。个体对所处子群体的智能贡献值是个体属于该子群体的所有连接边上智能值的和。所有子群体这样计算得到的智能水平的总和，就是对抗关系群体的智能水平。对于包括多个对抗关系群体的对抗关系集合，其智能水平为多个对抗关系群体的智能水平总和。因此，对抗关系群体的智能水平为：

其中，

子群体S′_{i_z_k}的智能水平。

具体为：

S′_{i_z_k}包括在其排序前的子群体智能水平计算过程中未涉及的智能个体时，

否则，

I_max、I_second分别为子群体S′_{i_z_k}包含的智能个体中智能水平的最大值、次大值，智能个体在子群体S′_{i_z_k}中贡献的智能水平为子群体S′_{i_z_k}中所有连接边上智能贡献度之和。即当子群体中智能个体j的合作连接边有w条时，

当子群体S′_{i_z_k}仅包含智能个体j时，I′_j＝I_j。

任意作用关系任意网络结构的群体智能水平为其划分的不作为关系集合Set(L)、合作关系集合Set(C)、竞争关系集合Set(D)、对抗关系集合Set(A)的智能水平之和，即任意作用关系任意网络结构的群体智能水平为：

I_whole＝I_Set(L)+I_Set(C)+I_Set(D)+I_Set(A)

由此可知，本发明基于作用关系网的群体智能水平计算方法及系统。根据个体间作用关系和网络结构特征，通过效能对群体智能水平进行评估，实现了对包含多种任务及行为表现的群体智能的定量度量。同时，本发明的个体作用关系由个体交互形成，满足各智能个体的实际需求。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种基于作用关系网的群体智能水平计算方法，应用于车库管理领域，其特征在于，包括步骤：

S1、智能个体依次选择与行为交互智能个体间的合作程度；所述智能个体为具有车牌识别功能的车库管理系统；

S2、基于所述合作程度判断车库管理系统间的作用关系，生成群体作用关系网；

S3、基于所述群体作用关系网，计算车库管理系统的智能水平；

S4、基于所述群体作用关系网、车库管理系统的智能水平计算群体智能水平；

所述计算车库管理系统的智能水平I为：

其中，V_e表示车库管理系统在时长T内正确识别的车牌个数，T是车库管理系统完成车牌识别的时长，

反映车库管理系统输出正确识别的车牌的速率；V_t是在时长T内输入车库管理系统的车牌照片总数，

反映车库管理系统正确识别车牌的效率，

代表正确识别的车牌个数的均值归一化因子，表示车库管理系统在单位时间内输出正确识别的车牌的所有观测样本的平均值。

2.根据权利要求1所述的群体智能水平计算方法，其特征在于，所述基于所述合作程度判断车库管理系统间的作用关系具体为：

当θ_ij≥t₄且θ_ji≥t₄时，车库管理系统i和车库管理系统j是合作关系；

当θ_ij∈[t₃,t₄)或θ_ji∈[t₃,t₄)时，车库管理系统i和车库管理系统j是不作为关系；

当θ_ij<t₁或θ_ji<t₁时，车库管理系统i和车库管理系统j是对抗关系；

在其他情况下，车库管理系统i和车库管理系统j是竞争关系；

其中，θ_ij为车库管理系统i选择的与车库管理系统j的合作程度，θ_ji为车库管理系统j选择的与车库管理系统i的合作程度，1≥t₄≥t₃≥t₂≥t₁≥0，t₄、t₃、t₂、t₁这四个参数分别对应合作、不作为、竞争、对抗关系的判定阈值。

3.根据权利要求2所述的群体智能水平计算方法，其特征在于，生成的群体作用关系网L为：

L＝{G,R}，

其中，G为群体网络结构，G＝{N,E}，其中N是网络中所有节点的集合，N＝(n₁,n₂,...n_i,...n_m)，n_i是群体中第i个车库管理系统(i＝1,2...m)，E是网络中所有边的集合，E＝(e_1,2,e_1,3,...,e_ij,...e_m-1,m)，若e_ij∈E，则表示车库管理系统i和车库管理系统j(j＝1,2...m)之间有边直接连接，可以进行行为交互；R为作用关系集合，R＝(r_1,2,r_1,3,...,r_ij,...r_m-1,m)，r_i，j代表车库管理系统i和车库管理系统j之间的作用关系，且r_i,j∈(合作、不作为、竞争、对抗)。

4.根据权利要求3所述的群体智能水平计算方法，其特征在于，所述步骤S4包括：

合作关系下，车库管理系统i、j的整体智能水平为：

I_ij＝I_i+I_j+I_i*I_j

竞争关系下，车库管理系统i、j的整体智能水平为：

I_ij＝max(I_i,I_j)

对抗关系下，车库管理系统i、j的整体智能水平为：

I_ij＝abs(I_i-I_j)

不作为关系下，车库管理系统i、j的整体智能水平为：

I_ij＝I_i+I_j

其中，I_i、I_j分别为车库管理系统i、j的智能水平。

5.根据权利要求3所述的群体智能水平计算方法，其特征在于，所述步骤S4包括：

合作关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，子群体S'_m是智能群体S_m的任一子集，且子群体S'_m所构成的网络结构为完全图；I′_j为车库管理系统j在子群体S'_m中贡献的智能水平；竞争关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_i为车库管理系统i的智能水平，i∈(1，2...m-1,m)；

对抗关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_max、I_second分别m个车库管理系统中智能水平的最大值、次大值；

不作为关系下，规模为m、单一作用关系且网络结构为完全图的智能群体S_m智能水平为：

其中，I_i为车库管理系统i的智能水平。

6.根据权利要求3所述的群体智能水平计算方法，其特征在于，对于包括多种作用关系的智能群体，所述步骤S4具体为：

S4.1、将所述多种作用关系的智能群体根据作用关系划分成不作为关系集合Set(L)、合作关系集合Set(C)、竞争关系集合Set(D)、对抗关系集合Set(A)；

S4.2、分别计算不作为关系集合群体智能水平、合作关系集合群体智能水平、竞争关系集合群体智能水平、对抗关系集合群体智能水平；

S4.3、将所述不作为关系集合群体智能水平、合作关系集合群体智能水平、竞争关系集合群体智能水平、对抗关系集合群体智能水平求和，得到多种作用关系的智能群体的智能水平。

7.根据权利要求6所述的群体智能水平计算方法，其特征在于，

对于不作为关系集合

其中

为网络结构中不作为关系所连接的车库管理系统，其群体智能水平为：

其中，I_i为车库管理系统i的智能水平；

对于合作关系集合Set(C)＝(G₁(C),G₂(C),...,G_m-1(C),G_m(C))，其中，G₁(C),G₂(C),...,G_m-1(C),G_m(C)为网络结构中合作关系构成的最大连通图，且这些最大连通图彼此互斥，对于其中每一个连通图G_i(C)，假设G_i(C)中包括p个车库管理系统，从这p个车库管理系统中随机依次抽取1,2,…,p-1，p个车库管理系统，把从中抽取z个车库管理系统形成的且网络结构为完全图的子群体的集合用S'_{i_z}表示；S'_{i_z}中第k个子群体是

S_{i_p}为G_i(C)中包括p个车库管理系统所组成的智能群体，其群体智能水平为：

其中，子群体S'_{i_j_k}所构成的网络结构为完全图，I'_j为车库管理系统j在子群体S'_{i_j_k}中贡献的智能水平；

对于竞争关系集合Set(D)＝(G₁(D),G₂(D),...,G_m-1(D),G_m(D))，其中，G₁(D),G₂(D),...,G_m-1(D),G_m(D)为网络结构中竞争关系构成的最大连通图集合，且这些最大连通图彼此互斥，对于其中每一个连通图G_i(D)，假设G_i(D)中包括p个车库管理系统，从这p个车库管理系统中依次随机抽取p，p-1，…，2,1个车库管理系统，把从中抽取z个车库管理系统形成的且网络结构为完全图的子群体的集合用S'_{i_z}表示；S'_{i_z}中第k个子群体是

S_{i_p}为G_i(D)中包括p个车库管理系统所组成的智能群体，其群体智能水平为：

其中，

为子群体S'_{i_z_k}的智能水平；

具体为：

当S'_{i_z_k}包括在其排序前的子群体智能水平计算过程中未涉及的车库管理系统时，

否则，

I'_j为车库管理系统j在子群体S'_{i_z_k}中贡献的智能水平；

对于对抗关系集合Set(A)＝(G₁(A),G₂(A),...,G_m-1(A),G_m(A))，其中，G₁(A),G₂(A),...,G_m-1(A),G_m(A)为网络结构中对抗关系构成的最大连通图集合，且这些最大连通图彼此互斥；对于其中每一个连通图G_i(A)，假设G_i(A)中包括p个车库管理系统，从这p个车库管理系统中依次随机抽取p，p-1，…，2,1个车库管理系统，把从中抽取z个车库管理系统成的且网络结构为完全图的子群体的集合用S'_{i_z}表示；S'_{i_z}中第k个子群体是

S_{i_p}为G_i(D)中包括p个车库管理系统所组成的智能群体，其群体智能水平为：

其中，

子群体S'_{i_z_k}的智能水平，

具体为：

包括在其排序前的子群体智能水平计算过程中未涉及的车库管理系统时，

否则，

其中，I_max、I_second分别为子群体S'_{i_z_k}包含的车库管理系统中智能水平的最大值、次大值。

8.根据权利要求5或7所述的群体智能水平计算方法，其特征在于，车库管理系统j在子群体中贡献的智能水平为j在该子群体中所有连接边上智能贡献度之和；其中，j在每条边上的智能贡献度均为I_j/q，I_j是车库管理系统j的智能水平，q为车库管理系统j同其他车库管理系统的连接边条数。

9.一种基于作用关系网的群体智能水平计算系统，用于实现权利要求1-8任一项所述的智能水平计算方法，其特征在于，包括：

自主选择模块，用于智能个体依次选择与行为交互智能个体间的合作程度；

作用关系网生成模块，用于基于所述合作程度判断智能个体间的作用关系，生成群体作用关系网；

个体智能水平计算模块，用于基于所述群体作用关系网，计算个体的智能水平；

群体智能水平计算模块，用于基于所述群体作用关系网、个体的智能水平计算群体智能水平。

Images