进化Agent技术介绍：提升业务转化效率的关键

进化Agent技术源于人工智能，在20世纪80年代中后期逐渐发展起来，随着分布式计算机技术、面向对象技术、计算机网络技术的发展，现已融入计算机的各个领域（刘弘等，1998）。目前对于进化Agent的概念还没有一个统一的定义，由于研究的角度和内容不同，进化Agent的定义和特性表现也不同，其中最为经典和广为接受的是Michael和Nicholas（1995）给出的关于进化Agent的“弱定义”和“强定义”。每个Agent应当满足给定的4个最基本特征：自主性、反应性、能动性和社会性。Agent还应该拥有其他的特性，如：移动性、理性、准确性、自学习、精神上概念等。

简单的进化Agent技术是定义在一个由具有离散、有限状态的进化Agent组成的空间上，并按照一定局部规则，在离散的时间维上演化的动力学系统。该系统认为系统的状态由所有进化Agent相互作用形成，每个进化Agent下一时刻的变化由其初始状态和邻域进化Agent对其的作用所决定。这种微小变化最终将导致系统的组成布局、性质和动态的宏观大幅度的变化。

活动的Agent可以作为独立的实体，能自学习、自增长，同时又可以和别的进化Agent协调配合。它用于解决现实世界中的工程计算问题，如数值优化。在实际的计算模型中，采取了优胜劣汰的机制，原始进化Agent群体通过与环境的交互，不断地进化，使适应度高的进化Agent不断复制和扩散，而适应度低的进化Agent不断被淘汰，最终求得了问题的最优解。

从个体到生物圈，无论是自然界，还是社会中的生物单元都具有态和势两个方面的属性（Liu等，1997；Liu and Tang，1999）。在生态学中，态是指生物属性的状态，是过去生长发育学习与环境互相积累的结果；势是指生物单元对环境的现实影响和支配力。由于在图像中不同区域具有不同的特征，所以可以认为每一个区域代表一个种群（Population），这里种群是指占据特定空间的同种有机体的集合群。每个群在不同的时期具有不同的态和势。这里的态与种群（区域）里像素的数目、区域的总体灰度分布特征有关；势，即种群的繁殖能力、占据新空间的能力、死亡率等特征。

在具体的应用中进化Agent模型可以表示为＜C，V，S，R，B，T＞。

其中，C 是指在环境中的进化Agent数目，即种群数目；

V 是指进化Agent生存的环境，可以认为是在离散的一维、二维或多维欧几里德空间网格点上的空间分布；

S、R 是指进化Agent的态和势，可以是｛0，1｝的二进制形式，也可以是代表不同类别的整数形式的离散集；

B 是指进化Agent的繁殖，由进化Agent与周围空间的状态决定下一时刻的动作；

T 是指求解的最优化时间，即终止判据，可根据具体度量和求解精度来决定。

基于亚像元定位的基本理论，利用进化Agent进行亚像元定位的研究可以想像成一个类似自然界的过程。简单来说，遥感图像就是进化Agent的生存环境，先往图像中均匀地撒下若干进化Agent，然后让进化Agent根据它本身所处位置的图像环境来执行一系列操作：环境适合则繁殖后代并留下印记；环境不适合则迁移到新的地方；超过了生存期则死亡。通过这样一系列的过程，从而搜索出所需的特征像素，得到高分辨率遥感影像的定位结果。其中，最重要的两个行为特征是繁殖和扩散（姚郑和高文，1997），繁殖行为使进化Agent在一个满足条件的特征像素的周围生成若干后代进化Agent；扩散行为使进化Agent在找不到特征像素时能够转移到别的地方去找，使得找到的新像素点符合繁殖的条件后，进行交换，直到进化Agent能够尽可能搜索出图像中的所有特征像素。这两个行为设计的好坏，将直接影响特征提取的效率和结果。

扩散和繁殖的法则可以有很多种模式，在本书中，扩散采用的是随机模式，也就是说，向哪一个方向扩散，扩散的距离是多少，这些统统都是随机决定的。而在繁殖的模式中，进化Agent具有学习能力，向哪一个方向繁殖，转移到哪一个位置，并非随机而定，而是根据邻域像素本身的值进行学习而来，一旦决定某个位置是特征像素，那么就将周围邻域的值进行与原始值相同的复制。(www.xing528.com)

下面详细描述进化Agent的具体设计（吴柯等，2009）。首先，把要进行定位处理的遥感图像看作是一个二维栅格集，每一个栅格对应于一个子像素，每一个子像素都有其确定的类别标识值，进化Agent将会在这个图像环境中生存，当然，一个栅格只能提供一个进化Agent生存。在尺度S 下，已知对应不同类别的地物类别丰度值，可以获得不同类别的子像元个数。初始条件下，亚像元分布情况是未知的，由于本书设计的进化Agent扩散和繁殖行为都是随机进行的，与此对应，每一个子像元的值也将随机分布在指定的栅格集里，如果属于该种端元，赋值为1，如果不属于则赋值为0，并要求它们相加的和等于像元里属于某种端元的亚像元数目。根据空间相关性理论，在每一个像元里面，不同子像元之间，距离较近的亚像元和距离较远的亚像元相比，更可能属于同一类型。在此，定义一个吸引力的概念，表示某个亚像元的位置下，进化Agent与进化Agent状态相同的邻域子像元之间的邻域吸引力值：

式中：S 为邻域吸引力最大值；

m、n 属于子 像 素（i，j）邻 近 区 域 的 索 引序号；

G（k，l）为（k，l）处的子像元值（随机赋值0或1）。

随机赋给每个子像元一个初始值，进化Agent会首先探测它周围的环境情况，计算出周围像素与中心像素的一个吸引力值，看是否满足生存条件，从而执行相应的行为，这里的周围代表邻域。如图5-13所示，位于像素p 位置的进化Agent的邻域是指：以p 为中心、r 为半径的环形邻域，周围的8个相邻像素。如果一个进化Agent落到图像的一个栅格中时，它会检测它所处的环境，也就是邻域像素的值。

图5-13　r=1时p 的邻域

如果中心亚像元的吸引力E=8满足最大，那么将执行繁殖行为，繁殖的方式是在8邻域方向上复制一系列的后代进化Agent，将每一个邻域空间填满，并标定为与中心亚像元相同的值。

如果中心亚像元的吸引力S＜8，那么将在邻域以外的区域内按照随机的方式选择相应的位置，比较该位置与原中心的邻域吸引力，如果满足，那么进化Agent选择扩散方式，扩散到满足条件的那个新位置。如果，那么进化Agent继续搜索，并将这个位置进行抑止，使得后来的进化Agent不再进行重复搜索。

同时，进化Agent的周期是有限的，每扩散一次，其年龄增加1，如果没有在生命周期内找到扩散的像素，那么该进化Agent保持原有状态不变，并在原始位置进行繁殖、标定。

图5-14是基于进化Agent模型的算法流程图。