人類運動捕捉資料之特徵描述與資料檢索

課程 : 論文研討(三)
日期 : 2011.09.30
時間 : 13:50 ~ 15:40
地點 : S516
作者 : 資工產碩(二) — 張金燦
講者 : 義守大學資工系主任 — 杜維昌教授

　　人類運動捕捉資料之特徵描述與資料檢索

現階段數位內容產業蓬勃發展，帶動了動作捕捉系統(Motion capture system)也跟著被積極地引入於數位產品應用中，像是目前熱門的線上遊戲等，只要牽涉到人的行為動作者，皆強調引用了動作擷取系統來加強遊戲中的動態效果，或是家庭電視遊樂設備早期的PS2或是近期的著名XBOX360的Kinect，以2D平面攝影結合3D影像攝影處理，精確地掌握到玩家的身形輪廓以及肢體的位置與動作，將其套入應用於遊戲內容中，讓玩家有實際的親身參與感。又或是像先前的電影阿凡達，也是大量的應用了動作擷取的功能，大量的捕捉人類運動的資料後，將其應用該片的內容中，整部影片的製作比重高達85%的比例由後製動畫合成來完成。

運動捕捉系統原來係源自於第二次世界大戰後的醫療領域的應用，主要應用於像是傷殘、截肢以及帕金森氏症的運動行為研究分析用。動畫原本就是由一張張的影像組合，在經過快速播放而形成動態的影片，而人的視覺暫留特性對於每秒在15-30張的圖片撥放就不至於會有停滯感的存在，動畫的播放就是利用次一特性而形成的技術，而為了要在三維空間上產生擬真的視覺效果(以往人力的製作上效果差)，就需要透過運動捕捉系統去取得真實世界的運動狀態，再將其套用到系統中，如此所產生的動作也就較為自然順暢，我們在觀看這些動作時就為覺得賞心悅目，像是杜教授在簡報後段所撥放的CMU影像資料庫，就會讓人覺得動畫科技還真的讓人愛憐呢！

附圖即是由三維的人體感知節點轉換為二維的平面圖節點，在應用上可輕易地對對應的各個節點做修正。

參考：http://dmlab.mis.ttu.edu.tw/conference/2011-ITMAC2011/Session%20Paper/A2/4_44129129_p.pdf

銘傳大學2011資訊科技與實務研討會 資訊工程組 資訊系統理論與應用論文發表

今天因訊息傳遞的失誤，只聽到的兩場半的論文發表：DVB-H行動電視接收機及播放器設計與實作、網站型電子書與閱讀器實作，及Moodle系統於銘傳大學校園之探索。

從這幾場的簡報中可以發現到除了第一場是外校投稿發表外(來不急參與)，其餘皆是校內同學們的專題論文發表，或許是在自己學校的關係，這裡頭就少了點學術論文發表時的嚴肅感，發表者就顯得心情輕鬆不少，尤其是發表電子書論文篇，肢體語言與觀感上就顯得不夠拘謹了，在這上面就要引以為鑒。

談到網站型電子書，總覺得似乎與其論文與簡報上要表達的意境有所出入；隨著平板電腦的崛起(拜Apple iPad之賜，雖然不是主因)，電子書越來越顯得其突出性，與便利性，只要小小一台，就有無限的知識可以融入其中；而本次發表者應該是要開發一套便利性更通融的系統來納入各家的既有電子書格式，但無奈其發表論述讓人誤為是一套通用的電子書格式轉換系統，這當中將會牽涉到的是著作版權的問題，還有系統開發並非如發表人所述及的完全不用成本，要知系統架設、維護、管理…等等皆需要投入人力、財力等始能作業，焉能不需成本呢？

再者，對於系統以網站型式擷取打包(壓縮)到自己的伺服系統，牽扯到如資料授權、網路安全與頻寬等等，但是對於過大的資料擷取不會引起被擷取方管理單位的注意與追查嗎？而且這一形式的資料擷取不似搜尋引擎般的對於關鍵字的查詢系主機與主機間的互動，而是整個相關資料的資料庫複製，在法律成面似乎有必要另行探討了！

2010/10/08 專題研討演講 心得報告

課程 : 論文研討
日期 : 2010.10.08
時間 : 14:00~16:00
地點 : S414
作者 : 資工碩一 朱政豪

這次的演講是請到高雄應用科大電子系的潘正祥教授來為我們演講有關於“群聚智能”和“平行處理”的應用與演算法的結合。

在演講的過程中，潘教授有提到很多的演算法名稱，像是螞蟻演算法、貓演算法、蜜蜂演算法等等。近來仿生物演算法漸受重視，特別是對於非決定性問題的求解（如旅行商推銷問題），解決了傳統數值無法經由演繹推導快速求解最佳解問題、節省了記憶體和時間，其中利用螞蟻覓食行為所做的數值模擬，可廣泛應用於非決定性、求解最佳解問題。聽起來相當的有趣，因為一般來說演算法的名稱應該是很專業的名稱才對，怎麼會用動物的名稱來命名。後來聽到潘教授解釋說，這些演算法我們都可以發明，只要找到其中的規律就可以寫出一個很獨特的演算法，例如像螞蟻演算法，就是利用螞蟻的特性來發明的，螞蟻一開始是漫無目的的搜尋食物，且每一隻螞蟻在移動的同時會在路上留下費洛蒙的痕跡，螞蟻們就會透過費洛蒙的濃度去尋求食物的路徑。然而在1992年時Dorigo這個人就利用了螞蟻群體合作尋找食物的行為，設計出一個用於處理最佳化問題的螞蟻演算法。

所以感覺起來要發明一個演算法似乎不是件難事，似乎跟我們的日常生活息息相關，只是要靠自己去觀察出那獨特的習性，就像我們每天起床都要刷牙洗臉一樣的有規律。也許說不定哪天就會有大象、恐龍、猴子等等的演算法出現了。

20101008書報討論心得報告

課程：45101論文研討（一）
日期：99年10月08日
時間：14:00~16:00
地點：S401
編輯：資工碩一許智凱

本次的演講請來了高雄應用科技大學電子系的潘正祥教授，主題「Parellel Algorithm of Swarm Intelligence」，介紹群集智能的演算法。主要的重點環繞於對生物的行為來探索有無對於演算法的增進發展，以及瞭解生物的活動是否有隱藏著許多我們人類還不知道的演算法，如螞蟻路徑的走訪或是蜜蜂的群居生活。
在潘教授的介紹之下，瞭解了許多種生物的演算法可能性，人類在對於演算法的研究，往往只會專注於數學或是人類對於人類的看法來取得演算法的方法，忽略了其他生活中的小細節。但其實很多生物對於牠們生活的慣律，是由好幾千年的進化所制定而成的，對於牠們的生活最佳方式，以及牠們取食或是遷徙的方式，皆由物競天擇的清況之下所演化而成。就好像我們一般人的活，也是由好幾年來所衍生而成的最佳生活方式，這也是一種良好的演算法。
身為資訊學院的我們，演算法對我們來講是十分重要的東西，不論是在設計網路或是資料的收集以及軟體的開發設計上。但有時候又會如此執著於部分的盲點，而忘了有些演算法就像是生活中我們所忽略的細節一樣簡單。而如果我們能夠對於生活中的更多小事所關心的話，或許也能從中得到許多寶貴的知識來助於我們對於演算法的探討。

2010.10.08 心得報告

課程 : 論文研討
日期 : 2010.10.08
時間 : 14:00~16:00
地點 : S414
作者 : 資工產碩一 洪晟恩

禮拜五的午後，又到了聽演講的時刻，這次學校邀請來的是來自高雄應用大學的潘教授，經由謝朝和老師的介紹，發現這位學者來頭不小，但一開場發現潘教授這次的演講主題是關於平行處理的演算法和群聚智能，心裡已有會聽不太懂的覺悟。

雖然是沒接觸過的主題，但是潘教授的演講確提到很多動物，並且藉由觀察動物的習性發展出新的演算法，感覺還滿有趣的，有種在看Discovery頻道的感覺，不過由此確實可以發現
其實大自然中真的有許多地方可以激發我們的想法；潘教授簡單介紹了一些經由動物的習性所發展出來的演算法後，突然也有種或許我也能從藉由觀察周遭的人、事、物等找到一些新鮮的想法。

潘教授介紹了幾個演算法，其中最有映像還是花較多時間介紹的螞蟻演算法，它是利用螞蟻的習性去找尋最佳的路徑，這個演算法的由來是以觀察螞蟻所發展出來的，因為螞蟻總是能找到巢穴與要搬運的食物之間的最短路徑；螞蟻會分泌費洛蒙，並會往費洛蒙溶度較濃的地方聚集，簡單的說明例如，兩支開路的螞蟻一起出發分別行走A路線與B路線，假設A路徑是B路徑的兩倍長，則當走A路徑的螞蟻走到目的地時，B路徑的螞蟻已經回到巢穴了，接下來的螞蟻再出發，久而久之B路徑所累積的費洛蒙就越來越濃，藉此就找出最短路徑了。

這次的演講雖然說大致上是幾乎聽不太懂，但還是算有些收穫，有了一些天馬行空的想法，或許真的能從大自然的東西發揮自己的創意。

10/08 演講心得

這次的演講我覺得相當有趣，因為拿動物去做演算法。我相當有興趣，像是青蛙演算法、螞蟻演算法、蟻群演算法、平行蟻群演算、貓的演算法、大象演算法，都讓我覺得這是一個非常有趣演講。還有講到世界上存活最久沒有滅絕的生物『蟑螂』。大象也相當的厲害，牠的叫聲竟然能傳達到好幾公里之遠，而且還能以人耳聽不見的超低頻的亞聲波傳達訊息。看來大自然的知識真是多到數不清
，花了一輩子的時間也許也只能了解某種生物的特性。

有一張圖片相當的大，讓我覺得有些噁心﹝蟑螂﹞，但經過演講者的所說的也對於蟑螂能活這麼久相當有興趣，聽說牠還可以不吃不喝7天不會死，生命力頑強的有點恐怖。所以也聽以前的老師過『到了世界末日那一天，蟑螂應該還會繼續活下去』。

當然這次的演講主要是在講關於蟻群的演算法，敘述螞蟻以氣味的方式找到最佳路徑，而衍生出來的演算法，而這個演算法可以解決旅行商人的問題。

生物的種種特性都有表示一些含意及其道理，而如果這些特性能夠應用在許許多多的事物上，我想人類的科技又會想前一大步了吧！

99年10月08日專題演講心得

課程：論文研討(一)
日期：99年10月08日
時間：14:00-16:00
地點：S414
作者：資工碩一 呂誌軒
主題：Parallel Algorithm of Swarm Intelligence


這次演講資傳系請來了高雄應用科技大學電子系的潘正祥教授，演講者為我們分享他在生物智能方面的研究，之前也有接觸過類似的演算法，諸如類神經網路、基因演算法等，但在潘教授演講後，我才知道有無數種生物智能的演算法，像是潘教授有提到貓、細菌、蜜蜂以及青蛙等演算法，將生活周邊我們習以為常的事物與電腦科技結合，產生讓人意想不到的實用演算法。

演講者第一部分為我們介紹螞蟻演算法(Ant System)，有人觀察到螞蟻群在無數的路徑中，總能找到最短的路徑，之後研究人員找出能達到該結果的原因，並且將其設計成演算法，該演算法最後被用來解TSP問題。但後來有人覺得該演算法執行的時間太長，因而改進成為蟻群系統(Ant Colony System)。之後又發現每隻螞蟻都各學自己的路徑而沒有彼此分享經驗，這樣的輸出結果會比較差，改進此缺點的方式是將該演算法平行化，先將螞蟻分群，各群間可以彼此分享最好路徑，以求得較好的路徑選擇，該演算法命名為 Parallel Ant Colony System。

第二部分潘教授為我們介紹飛鳥演算法(PSO)，也說明如何將該演算法平行化，以求得較好的結果。自然界的生物及環境都已經過幾十億年的演化，早已發展出適合存在的機制，人類如果可以好好地利用大自然的演化結晶，應用於科技發展，勢必能加速科技的進步，尤其是對於程式設計者更是如此，用電腦程式來模擬自然現象的成本實在是不高。

2010/10/08 專題研討演講 心得報告

課程：論文研討（一）
日期：99年10月08日
時間：14:00～16:00
地點：S414
作者：顧家源

　　本次的演講者為高雄應用科大電子系的潘正祥教授，主題為「Parellel Algorithm of Swarm Intelligence」，是群集智能的一種改良版。所謂群集智能，是指一個團體中，每個單位的行為模式都非常簡單，但在嘗試某些行為之後會交互影響，藉此慢慢逼近最佳化問題的解答；而將此類演算法的核心部分，也就是個體間的互相影響這個部分加以修改，即是本次的主要核心。
　　一開始，潘教授先以粗略描述了一下Computational Intelligence的發展與其分枝，可了解到群集智能不過是CI這塊領域中眾多研究的一小條路徑，不過在其他領域逐漸演化成熟或碰到瓶頸的現況下，群集智能當下仍是相當具有發展潛力；就像潘教授所提到的，自然界中仍有許多動物的行為有其意義與特性，只是有沒辦法觀察發現，並找出可描述其行為的方程式，如果找的到，或許就能在某些已知的問題上有所突破。
　　接下來，在進入主題前，先講解了Ant System、Ant Colony System的原理與其差異。其中AS的主要重點是費洛蒙－也就是螞蟻間重要的記錄與溝通媒介，一條路徑如果越長，走完時費洛蒙的自然損失也會越多；反過來說，越短的路徑其費洛蒙就會累積越多，吸引更多螞蟻走此路徑；從這裡可以發現，這個費洛蒙的本質是一個計算weight用的參數，而且最大的特色是此參數會隨著時間自然減少。接下來是ACS的部分，其主要要點為二，一個是Local Updating Rule，計算局部區域中費洛蒙的變化，而另一個就是Global Updating Rule，對整體費洛蒙變化資訊進行更新；又，為了避免蟻群一下就被目前最好的路徑給吸過去，而忽略了可能有更好路徑尚未發現的問題，將蟻群分為兩群，一群去走目前最好的路徑，以保留這個資訊的重要性，另一群則是繼續進行隨機探索，尋找是否有比目前最佳解更好的答案。
　　在AS與ACS之後，則講了本次演講的標題中的新關鍵字「Parellel」，PACS即是ACS的改良版，它的Updating方式改為Updating by Communication，而其溝通方式亦有各種設計，有類似一對多的廣播，也有一對一的互相交流，還有bit-neighbor這種模式（ex: 00的neighbor是01和10），乍看之下好像是限制了其取得資訊的來源，不過其目的是在於增加每個個體間的差異性，避免大家一窩蜂的走在一起而忽略更好的解。
　　本次演講的題目雖然略感艱澀，不過仍然得到不少觀念與想法上的啟發，像是以往我們可能認為能夠掌握越多資訊，對找出最佳化問題的解會越有幫助；不過這在群集的概念下剛好相反，群集的存在本身就有不怕去試誤的概念，一大群人，或許大多人一開始都找不到最好的答案，但是只要有人找出一個很好的答案，就會吸引其他人跟著走，但又不限制別人不去挑戰新的嘗試。如果未來還有機會的話，希望能對此領域有更多了瞭解。

2010/10/8 書報討論心得

課程：論文研討（一）

日期：99年10月08日

時間：14：00～16：00

地點：S414

作者：資工碩一 田文誠

這次專題主題是在說明Parallel Algorithms of Swarm Intelligence，有關平行處理技術和群聚智能為主題，再說明群聚智能之前教授先說明何謂computational Intelligence(計算智能)以及其架構，在computational Intelligence中又分出Fuzzy Logic(模糊邏輯)、Neural Networks(神經網路)、Evolutionary Computation(進化計算)..等，這次的主題是在Evolutionary Computation(進化計算)底下的群聚智能。

為何要探討群聚智能，因為在許多生物中，他們的行為、習性、傳遞訊息的方式，是有一些原因與意義的，他可以解決我們碰到的一些難題，Discovery節目曾經有提到，如果地球上的動物若沒有集體遷習，就會滅絕，這也說明了為什麼蟑螂可以活這麼久，都沒有被滅絕，因為它可以不斷的遷習，能很快的適應新環境，因此我們可以藉著研究出生物的特性、本能、傳遞訊息…等模式，進而研究出該生物的演算法來解決我們日常生活中所面臨的難題。

目前有許多生物的演算法，例如 : 螞蟻、蟑螂、貓、細菌覓食、青蛙蛙跳、大象、蜜蜂、飛鳥…等的演算法，都是可以用來解決我們在日常生活中、工作中所碰到的問題，舉藝術的例子來說，螞蟻演算法是用來解決旅行商人的問題，細菌覓食演算法是用來解決商業、生產管理的問題，大象演算法用來解決傳遞訊息的問題，蜜蜂演算法用來解決配電系統電容器之最佳位置及容量、開放式工廠排程問題、正確分類的疾病診斷分類系統，飛鳥演算法用於解決函數優化、圖像壓縮和基因聚類問題。

其實生物的一些本能、習性、傳遞訊息等的方式，是有特殊意義的，就螞蟻演算法，螞蟻他的訊息，是一群只告知一群，個體進行編碼，會彼此分享路徑，以求得最好的路徑，溝通是很重要的。

99.10.08心得報告

課程：論文研討(一)
日期：99年10月8日
時間：14：00~16：00
地點：s414
作者：資工研一 游佳恩

【Parellel Algorithms of Swarm Intelligence】是潘教授這次的演講介紹了群聚智能、還有平行處理演算法。

但在這次的演講中，我知道了自然界中有許多的動物，每一種動物都有每一種的生活方式，動物其實很聰明，牠們也會尋找最好的方法，來達成牠們的目的，觀察著牠們的生活習慣，進而研究出許多演算法，在這次的演講中，潘教授介紹了好幾種的動物演算法，令我印象比較深刻的是螞蟻演算法。
螞蟻演算法的原理是：
螞蟻從蟻穴到食物得這段距離，會在沿途留下分泌物，當之後的螞蟻經過便會隨著之前留下濃度較高的分泌物走， 隨著時間的增長，螞蟻漸漸都會走同一條路線，也就是螞蟻長時間累積下來搜尋到的最短路徑，利用這樣的概念，寫出螞蟻演算法，以方便搜尋最短路徑。
螞蟻演算法需全執行完才會update，後來對螞蟻演算法再做了修改，延伸出蟻群系統，蟻群系統：每執行一次就update一次，不只時間縮短，效果也會更好。

不只是螞蟻演算法，還有許多動物都會有屬於牠們的生活習性，由這些生活習性也有了不一樣的演算法，例如：蜂演算法，迴游魚演算法，貓演算法...等等。在這次演講短短的時間內，雖然對這麼多的演算法沒有深入的了解，但觀察動物們的生活習性而研究出來的演算法很厲害，原來我們生活周遭仔細去觀察，可以發現到許多有趣的事，這是值得好好去學習的。

2010/10/08 論文研討心得

課程：論文研討（一）
日期：99年10月08日
時間：14:00~16:00
地點：S414
編輯：資工碩一 曾詠堅

這次課去聽資傳所辦的演講，這次請來了潘正祥教授講解平行處理與群聚智能。

主要闡述如何結合群聚智能與平行處哩，來做智能運算(Computational Intelligence)。

由於領域不相同導致演講聽完之後還不是很了解，就自行上網搜尋。

這次演講主要都在講解螞蟻演算法，及各種生物演算法。並且有提到模糊邏輯，而模糊邏輯主要是一門模仿人類思考，處理存在於所有物理系統中的不精確本質的數位控制方法學。就我所知有些廠牌的智慧型衣機，就裝有「模糊邏輯」晶片的洗衣機，有超過百分之七十是用模糊邏輯來做控制，自動設計衣物的清洗週期及流程。但真正的模糊邏輯卻是在探討不能肯定回答的問題。

這次演講當中有提到螞蟻演算法、貓演算法、蜜蜂演算法，大致上都是以觀察生物的生活習性，來解決我們人們遇到的問題。螞蟻演算法而螞蟻演算法是一種尋優演算法，是1992年由M. Dorigo在博士論文中提出, 它是利用螞蟻群體合作的原理來解尋優問題, 迄今已被應用來解許多困難的尋優問題(NP- Hard problems)。對於螞蟻演算法這個主題, 我們可以找出一些適當的應用螞蟻演算法原理來設計演算法，並與其他方法做比較評估，螞蟻演算法主要是採用群體合作的架構，但可考慮不同機制去導引”解”的搜尋方向，我們也希望多瞭解一些自然界的現象(如蜜蜂、海豚等的群體生活),，以啟發我們設計新的演算法的架構。

2010.10.08 書報討論演講心得

課程：45101論文研討（一）
日期：99年10月08日
時間：14:00~16:00
地點：S414
作者：資工碩一 許瀚中 99366104

這次演講請來高應大電子系教授潘正祥先生，而講解的主題是關於群集智慧。雖然是第一次聽這樣的演講，但是聽起來一點也不覺得吃力，因為潘先生以很生活化的例子跟我們說明甚麼是群集智慧。

生物群集智慧最顯著的例子就是螞蟻演算法。螞蟻為什麼能最短路徑找到食物?其實每種動物或昆蟲只要有群聚性都由其群聚智慧。而螞蟻是透過分泌的費洛蒙決定該路徑的比重。只要有越多的螞蟻走過就會留下越濃的費洛蒙，之後的螞蟻只要到這個食物的地方，就會沿著濃度較高的費洛蒙行走，進而演變出最短路徑。除了螞蟻以外，自然界的許多動物都有其群聚演算法，例如蜜蜂，魚等等，重點是在於分析該物種的特性並加以計算得到演算法。

潘先生也特別告訴我們，其實在日常生活中只要多加注意周遭的東西，加以觀察並加以分析，其實也可以推導出很多很多的演算法。而如果我們將大自然內其所珍藏的奧妙加以演變成我們的演算法，說不定也可以用在我們日常生活中，增加我們的知識。

2010.10.08 書報討論演講心得

課程：45101論文研討（一）
日期：99年10月08日
時間：14:00~16:00
地點：S414
作者：資工碩一 李慧娟



這週是去聽資傳系上辦的演講。
請來了高雄應用科大電子系的潘正祥教授。
題目：Parallel Algorithms of Swarm Intelligence

一開始
群聚智能
聽不太明白是指什麼。還以為是個新名詞。
可能是過去學習的課程方向不太相同，所以有很多都聽不懂。

之後提了很多以自然界的生物來命名的演算法。
細菌演算法、蛙跳演算法、蜜蜂演算法、螞蟻演算法...等等。
其他還有很多很多種。

以名稱來看，我好像比較有聽過螞蟻演算法。
是說~
在有這類演算法之前，聽起來要先去研究生物的生態學。
像是螞蟻怎麼總是能找到最短路徑。
因為螞蟻走過的路，會留下費洛蒙。
而螞蟻會依費洛蒙的濃度多寡，來決定要走哪條路。
短路徑和長路徑，同樣多的螞蟻各別走兩邊。
長路徑的還沒走完，短路徑的就走完了。
同樣時間下，經過短路徑到達目的地的螞蟻數量相較之下，會比經過長路徑到達目的地的螞蟻還多。
相對費洛蒙殘留的多就會有差別。短路徑的費洛蒙濃度較高。
久而久之，走短路徑的螞蟻會越來越多，走長路徑的螞蟻會越來越少。
最後，就會只剩下短路徑有螞蟻而已。


潘教授還有提到，
他的學生還提出了貓的演算法。
我有點好奇這個演算法是怎麼來的。

不過能藉由探討生態中生物的本能、習慣，來發掘這麼多的演算法。
有點萬物皆可為師的感覺。

2010/10/08心得報告

課程：論文研討(一)

日期：2010/10/08

時間：14:00~16:00
地點：s414
作者：資工研一 吳安凱


本週書報討論是聽演講，在s414教室，資傳系的老師帶我們跟他們的學生一起聽演講，主講人是高雄應用科大電子系潘正祥教授，他今天來介紹平行處理技術。


首先一開始他介紹了一個叫Computational Intelligence的family tree的圖，看不太懂。中間教授有講到各種動物的習性，利用這些習性每一個都可以引申得他的演算法，例如大象、青蛙、竹節蟲、蟑螂、貓、蜜蜂等引申的演算法，大象看起來雖遲鈍，但牠的耳朵可以聽到遠方有什麼騷動。青蛙、竹節蟲的特性是有的可以隨環境的顏色而有變化，是保護色。蟑螂可以從恐龍時代存活到現在物種不滅，就是牠有遷徙的特性。螞蟻演算法是最熟悉的，螞蟻找到食物後，可以由蟻穴到食物目的地找到一條最短路線，他們用的不是視覺，而是在走過的地方會殘留一種分泌物費洛蒙，當以後的螞蟻經過時，就有較高的機率選擇費洛蒙濃度高的方向，因此隨著時間的增長，漸漸螞蟻會走同一路線，就是最短路線，由蟻穴到食物目的地來回。螞蟻演算法就是利用這種自然界的原理有效率的解一些最佳化問題。魚的迴游也是，他們在河的上游出生，長大後已經到大海了，為了繁衍下一代能千里迢迢找到自己出生地迴游。自然界的動物習性不知道是什麼機制在控制著他們。


平行化就是分成好幾組，實驗不同的東西，有集體、個別的組合。以自然界的動物習性來講，也可以分為集體跟個別的組合，應該是這個意思吧。

20101008 論文研討演講心得報告

課程：論文研討（一）
日期：99年10月1日
時間：14:00~16:00
地點：S414
作者：資工產碩一 張振欣


本次的大師演講系列，請來了高雄應用科大電子系教授潘正祥先生，為我們帶來了群聚智能的相關平行化演算法概念，有許多的專業名詞和知識都是我平常不甚熟悉的，但令我驚訝的是，原來這些專業與複雜的演算法，居來是參考動物、昆蟲的行為而來的！


首先，潘教授先以"螞蟻演算法(Ant System)"為例來解釋群聚智能的概念，在大自然中，觀察螞蟻的群體習性，可以發現螞蟻可以由蟻穴到食物目的地找到一條最短路線, 它們用的不是視覺, 而是在走過的地方會殘留一種分泌物pheromone, 當以後的螞蟻經過時, 就有較高的機率選擇pheromone濃度高的方向, 因此隨著時間增長, 漸漸螞蟻會走同一路線(亦即最短路線)由蟻穴到食物目的地來回, 利用這種自然界的原理，也因此成為了螞蟻演算法的主要架構。後來演算法經過優化、加強，另外發展出了(Ant Coloy System)與原本的(Ant System)相異之處，僅在處理路徑的方式不同，例如：Ant System是走完全部路徑時更新pheromone, 而Ant Coloy System是在每走一段路徑、每走一點都會更新pheromone，如此可有效改善Ant System在OverFlow、UnderFlow的缺點。


潘教授強調，其實人類已經從須多大自然中的生物，觀察到其特殊的群體行為，進階的參考並且發展成一個特殊演算法，例如：蟑螂演算法，主要特性為蟑螂在群體行為上的"遷移"習性、"聯絡"習性等等特別的行為、另外還有貓演算法，主要參考獅子、老虎等貓科動物狩獵時都是群體互相掩護、共同行動的特性、青蛙演算法，主要參考青蛙有遙遠的視力特性、大象演算法，主要參考大象遙遠的聽力、細菌演算法，主要參考細菌本身的分裂繁殖特性等等，因此，透過參考大自然的生物行為，人類可以發展出更高科技的演算法，這就是人的智慧。


雖然在短暫的一小時半的時間，無法完全熟悉這些演算法，但是也對群聚知能的概念也有了初步的認識，只是覺得比較可惜的是，礙於時間關係，無法更深了解這些演算法在實際的案例中有哪些的應用？透過這些演算法，可以幫助我們解決、或者節省、優化那些問題的解決？這些方面的知識，就要自己去查尋訪間的文章、或者網路上的資料了。

2010.10.08 專題演講心得

課程 : 論文研討
日期 : 2010.10.08
時間 : 13:50 ~ 15:40 PM
地點 : S414
作者 : 資工產碩一 楊士緯

題目：Parellel Algorithms of Swarm Intelligence

今天來演講的是一位在國內外都很有名的教授─潘正祥教授，他來為我們演講群集智慧的內容，起初真的聽的模模糊糊的，突然冒出新的名詞，螞蟻演算法、貓的演算法，甚至烏龜演算法，這個真的讓我聽得毫無頭緒，完全不知道教授想表達的是什麼。

在稍微查詢一下資料後，原來群集智能這個概念是來自對自然界昆蟲的群體觀察，群居生物通力協作表現出的宏觀智能行為，所以人類就利用所觀察出來的昆蟲或是生物行為，將其應用在解決周遭的事物上。其中最有名的就是螞蟻演算法Ant Colony Optimization，我們常常會看到螞蟻會排成一列，筆直的從巢穴往食物來回，他們依賴的不是視力，而是我們熟知的費洛蒙，靠著費洛蒙，讓許多螞蟻可以選擇相對來說比較好的路徑來行走，但是螞蟻一開始的時候並不是就直直的往食物而去，而是一群散亂的螞蟻隨機到處探索，漸漸的當有螞蟻找到食物並開始往回走，一隻兩隻三隻‧‧‧越來越多，其路徑就會漸漸從一個大範圍束縮成一條寬的路徑，再縮減成一條筆直的路徑，每隻螞蟻乍看之下沒有什麼規律或智能，但時群體最後所表現出來的卻是高度的智能行為，這真是大自然中很神奇的現象。

因此科學家就利用這種自然界的原理已有效率地解一些尋優問題，例如在網路的路由選擇，或是運輸車輛的路徑選擇等，所以大自然中其實存在的很多解答，只是需要我們細心去觀察、去找出來，或許在我們的周遭就存在很多的答案，只是我們都沒有發現而已。

以下網址是螞蟻演算法的範例

http://afoxlittle.blogbus.com/logs/37299595.html

Parellel Algorithms of Swarm Intelligence

課程：45101論文研討（一）
日期：99年10月08日
時間：14:00~16:00
地點：S414
編輯：資工產碩一張金燦

演講題目：Parellel Algorithms of Swarm Intelligence
主講人：潘正祥教授 (國立高雄應用科技大學 電子工程系)

哇！這一次可真的是浪費了潘教授的演講了，一開始就帶入了群聚智能、智能計算，可實在是聽不懂呢；雖然說在聽講前有想到先針對這次的主題先行谷哥(Google)一下，但是。。。還是莫宰羊，一直到看到簡報畫面中的圖片，恍然想到，以往在從事自動光學檢查AOI(Automatic Optima Inspection)設備時，有碰到其中的Fuzzy and Neural技術，雖然國外原廠是這樣的說，但在當時的檢查設備技術依舊是所謂的：Pattern Match、Template為主要的影像檢查技術來源；至於模糊理論與類神經理論的引用則又是另一個階段所遇到的了。

以前就有聽過，也在電視上看過介紹螞蟻在行進時會從其尾部排出所謂的費洛蒙(蟻酸)的影片，好讓其同伴可以在外出覓食時有依循的路徑，想不到竟然有人可以透過觀察生物的特性，並將這樣的特性轉換成為資訊應用上的助力；藉由觀察群體中的個體之特性，進而形成群體的運作模式，就好像螞蟻透過費洛蒙的強度來改變行進的動線，以完成食物的搬運結果，因費洛蒙的強弱形成所有群體依循的路線一般。

在這次的演講中我覺得很特別的是，這些演算法不外乎都是特過生物的習性觀察所發展出來的，如觀察貓咪的跳躍特性而發展的貓眼算法，模擬鳥群覓食行為而發展出來的粒子演算法。。。等，不得不佩服：人真的是很厲害，再怎樣的難還是能動一動腦，進而找出解決問題的方法來，不然就再來個退火演算法，用能被接受的新解來替代原有的解來達成目的吧！

哦！AOI的檢查技術都是要靠不斷的檢查數據去印證設定的參數可以有效地檢出Good、No Good的結果，用模糊立論或類神經的技術的話。。。要更大的檢查數據，這個結果就是：立正給客人唸。。。(因為每條產線都有時間壓力，沒有時間讓你慢慢調整數據的) :)

演講資料：http://iiirc.hitsz.edu.cn/

2010/10/08 專題演講心得報告

課程：論文研討（一）
日期：99年10月8日
時間：14:00~16:00
地點：S413
作者：資工碩一 - 賴相勳

這次演講請來了高雄應用科技大學的潘教授來介紹「平行處理與群聚智能」的應用發展。而演講的重點就著重在有關於「群聚智能」的研究開發跟應用。藉由潘教授的解說，瞭解到其實很多有關「群聚智能」的發展由來是從動物開始。很多動物在地球上出現的時間非常久遠，為了適應環境，發展出了一套套得行為模式來求生存，以前並沒有很仔細的去深入探討為什麼動物會有這樣的行動，直到面臨了一些問題之後，才開始去深入瞭解為什麼動物要這樣做。動物有一些行為模式引發人類的好奇，於是我們開始思索為什麼動物會有這樣的行動，是因為什麼目的，能不能利用這種行為發展一套解決問題的方法？瞭解分析後，利用這種行為創造出解決問題的方法。在演算法問題中有一個有名的問題，就是銷售員問題。旅行各個城市後要再度回到出發的程式，那，要怎麼要走才會是走最短的路徑？潘教授提出了螞蟻演算法這概念，螞蟻有很奇妙的特性，在走路的過程中會分泌費洛蒙，如果有兩調路徑A、B，A比B短，那相對的，回來的時候一定是走A，此時A路徑上螞蟻分泌的費洛蒙會比較濃厚（因為走兩次），而之後跟上來的螞蟻很自然朝著費洛蒙較濃的地方繼續走，於此，可以解決銷售員問題。

但是這方法卻有兩缺點：1.OverFlow＆UnderFlow。2.不可行進太多城市，這會耗費電腦相當大的資源。後來發展出PACS(parallel ant colony system) – 平行蟻群系統。PACS的思維主要就是互相溝通來減少需要走得路，不必每個螞蟻都要將路走一遍。而這也是平行處理的要點，先切割問題，然後進行溝通。

而後又有許許多多的演算法出現，改良的或者新的演算法不斷冒出來。都有非常大的發展空間，由於對平行處理這塊只略懂皮毛，之後的演說內容已經開始偏向純理論的探討，才開始覺得自己懂得實在不多，可能要找空閒的時間來研究看看，也許有朝一日可以利用來解決問題。

2010/10/8 專題研討演講 心得報告

課程：45101 論文研討(一）

日期：99年10月8日

時間：13:50~15:40

地點：S414

作者：資工產碩一 魏早達




本週專題演講是邀請到高雄應用科大電子系的潘正祥教授來談有關 "Parallel Algorithms of Swarm Intelligence"的議題 ,這對我來說真是一個全新的領域。我從來不知道竟然有人可以從觀察大自然的生物的行為模式，進而可以發展出一套一套的演算法，而且還可以用在各種生活上的應用，真是太神奇了。



演講首先從解釋什麼是群聚智能開始，並介紹了整個 "Family Tree of Computational Intelligence", 其中群聚智能，就是其中的一支。這個主題主要是發現了在自然界生物的演化模式，有許多的生存數億年的生物之所以能夠生生不息生存下去，其中存在有兩個因素，第一就是有集體遷徙的習慣，第二就是會分泌所謂的費洛蒙。因為有遷徙的習慣的生物比較不會因為地域或氣候及糧食的短缺而滅絕，而分泌費洛蒙則是生物中一種神奇的現象，因為根據研究生物常常透過費洛蒙的氣味，而互相吸引，並集合出一些生活上的智慧。譬如說螞蟻它在走過的路徑上便會邊走邊分泌費洛蒙，而其他螞蟻便會循著費洛蒙的氣味行走，這也就是我們經常會觀察到螞蟻會排一列行走。但是一旦在它們的路徑上設下阻擋，一開始螞蟻會一時的慌亂，但是當一群螞蟻不斷的溝通尋找路徑，最後透過最多螞蟻走過並留下費洛蒙氣味，便會自然地遶過障礙物，演化出一條最短路徑。總而言之，螞蟻會往比較近且費洛蒙高的地方走。根據這樣的法則，便發展出所謂的 "螞蟻演算法" 。



而從所謂的螞蟻演算法進展到設計出蟻群系統，發現其中出現了兩個主要的缺點，第一就是費洛蒙會有Overflow和Underflow的現象，第二就是不可用在城市很多的地方，也就是說，太多的城市會造成電腦要花費相當大的運算能力。所以整個蟻群系統經過改良發展出平行蟻群系統(Parallel Ant Colony System - PACS)，PACS主要的思維是不需要每一隻螞蟻都走過每一個城市，只要靠相互間的溝通，就可以少走很多路，所以靠著平行處理的設計來完成此一構想，而這一個平行處理主要的特點，就是先分群及相互的溝通。



當然在這個領域除了螞蟻演算法以外，還有很多類似概念的發展如蜜蜂演算法等，這些都還有很大的發展空間，不過畢竟對我來說這個議題實在太漠生了，也不是很瞭解這樣的主題，主要是用來解什麼類型的問題，不過聽完後對於整個方法論的演化，還是讓我回味無窮。