1.老套的蜂群思维。
每一本和分布式有关的书都喜欢说蜂群,毕竟蜜蜂这玩意儿太神奇了。连脊椎都没有进化出来,脑袋一点点,竟然可以做出难么多令人瞠目结舌的行为,可以做出复杂生物都难以做到的最优决策,可以进行社会化分工,就像一部机器一样精密。它们,不,甚至可以说是“它”,具有比机器更高的智慧,因为,“它”的一切决策都是根据当时环境做出的,而不像冷冰冰的机器一样,被设定好了每一步。
蜂群里的每一只蜜蜂都只有一点点关于外部环境的认知与记忆。都不相同,毕竟世界上没有两只一模一样的蜜蜂,就算长相一样,在特定时间,特定空间里的经历也不一样。然而,整个蜂群所能运用的表现出来的认知和记忆远远高出单个蜜蜂所拥有的综合。蜂群的记忆是三个月,远大于单只蜜蜂的六天。
整个蜂群是没有中心的。曾经有人认为,蜂后是蜂群的中心,但是,后来被证实是错误的,工蜂们选择出部分特定的卵,哺以蜂王浆,最后发育成蜂后,可以说,是工蜂选择出了蜂后,可是也并不是某一特定的工蜂——就像鞠躬尽瘁的辅政大臣一样——选择出了他们的王,而是自然而然的,没有任何理由的,某些幸运儿被选择了出来,不用苦苦工作,拥有更长久的生命,承担起整个族类的生育重任。然而在做出决策的时候,蜂后其实是跟随大流的,你要知道,如果一只虫子可以让成千上万的虫子唯命是从,并且同时做出正确的决策,那真是可怕极了。
就像有一只无形的手在调控一样。蜜蜂寻址的时候,其实是乱飞的,你往东,我往西,可是最后他们总会在最合适的地方聚集起来,建立新的家园。是谁在说“嘿,伙计,这棵树比那棵树好!”又是谁在说“嘿,够了,这是最好的了,不要再乱飞了。
这就是集群的力量。
2.人脑里面的分布。
人的大脑是由一个一个细胞组成的,这是一句傻话,因为所有生物都是由细胞组成的。人的脑部是分区的,就像各司其职的部门一样,你管什么,他管什么。
可是如果你对我说了一句话“我今天想吃苹果”,那么关于实体名词“苹果”,当然在我的脑子里是有此记忆的。记忆来源
于感知,当我第一次认识苹果的时候,我就将其转换成特定单元存储起来了。那么很明显“我今天想吃苹果”这句话就不可能一起存在接收者的脑子里的某一个区域。也就是说,人的记忆不是顺序储存的。已经有天才的专家们证明了,脑中的记忆是离散而稀疏的存储的。但当我们想要“唤起”一则记忆的时候,我们不仅会有“我”这个代词的认知,也会在脑中闪过苹果的意象,很显然这比记忆输入时丰富得多。记忆是重构的,每一次唤起都是对它进行进一步加工,强调重要的部分,弱化不重要的部分,一个星期后,我显然不可能把你说这句话时的嘴角角度记得如此清楚,但显然这是当时我的视觉里有输入的。
天才的K.K将群系统的输出称为“涌现”,即整个群体通过相互作用而得出的结果,可能是一个决策,也可能是一则影像记忆。他说“涌现”不是1+1=2这样的结果,而是1+1=苹果,显然苹果比二这个逻辑数字要高级复杂得多。
3.云计算
现在云计算被炒得火热,但凡有点名气的公司都把它作为一个鼓吹点。云计算正是对这种稀疏存储的分布式系统的一个实例。云计算主张利用廉价的商用机器,构建成网络形拓扑结构,利用稀疏的分布式算法,对海量的数据进行存储、操作。
群系统是适应的,可进化的,弹性的,但是效率低的。
群系统通过容错而防止因为错误而导致整个系统坍塌。就好像,死了一两只蜜蜂对整个蜂群没有影响,死了一百只蜜蜂对于更高等级的群系统,比如有十万只蜜蜂的蜂群没有过多的影响。有的人大脑皮层受到损伤,得了失语症,但显然他是不会死的。
也正是由于不将变异视为错误,那么就有可能将不违反基本规则的变异,甚至有利于执行基本规则的变异被从一个单元上保存下来,进而散播到每一个地方,这就是进化!如果系统可以进化,那么我们将得到更加优越的系统。但是从另一个方面来说,进化显然是可怕的,如果机器能够自主进化,那么显然我们将失去对他的控制!
4.线性系统
显然线性系统就像齿轮传动一样严丝合缝,某个齿轮出现问题,都将导致整个系统的停摆。但是从另一个方面来说,能运转的线性系统显然是极少错的,按照设定好的路线运行。没有“民主”决策,显然效率更高。
线性系统的这些特性决定了他永远不会被淘汰,在某些要求精度,逻辑简单,或者数据不那么可怕的领域里,显然比群系统更加优越。
5.未来狂想曲
之前说到了失控,大家都会想到KK,不过在拜读了KK的大作之前,我曾经幻想过一个故事,人类一味的追求高科技,想要得到更高性能的系统,甚至不用指令,机器可以主动为人类服务。这显然是个愚蠢的决定,有人说过机器智能化在哪里可以看出来呢?在没有指令的闲暇时它会做什么。如果要他主动为人类服务,显然要对他赋予越来越高的智能,让它越来越像个人。
机器之间显然是可以通过信号沟通的,人类也是这样希望他们能沟通的。机器的进化,在简单逻辑的支撑下,他们发展出了集群智慧,他们为了既简单的需求——“生存”——做出了群体决策,清除霸占了大量生存资源而效率低下且大肆破坏资源的生物——人类!于是人类与他们开张了艰苦卓绝的斗争。这样让人联想到了《终结者》这部电影里的天网。显然天网就是这样一个集群系统,它做出了类似的决策。人类开始被清扫...
6.最后
说一句话,敬畏自然。
分享到:
相关推荐
- **虚拟化仿真系统应用研究**(课题8):开发虚拟化仿真系统,并研究其在实际场景中的应用。 #### 四、桌面虚拟化技术实践 面向云的桌面虚拟化技术是云计算领域的一个重要方向,它能够根据用户的实际需求动态构建...
最终,得到的IFOA-GA算法用于仿真平台中的云计算任务调度,能够根据服务质量(QoS)的多个指标(如响应时间、成本、吞吐量和资源利用率)与IGA、IFOA和IPSO算法进行对比,证明了IFOA-GA算法在提高云计算任务调度效率...
3. 生物信息:研究医学图像处理、生物学仿真和生物数据分析。 4. 自动化与机器人技术:探讨自动化系统设计、机器人控制和人工智能应用。 这些专业知识点构成了计算机一级学科硕士的培养框架,旨在培养具备扎实理论...
云计算中的任务调度问题依然是当前的研究热点之一,研究者们还在不断探索和尝试新的算法和策略。例如,蚁群算法在解决路径选择和优化问题方面表现出色,也被引入到云计算任务调度中。通过模拟蚂蚁寻找食物路径的行为...
综上所述,云计算环境下优化遗传算法的资源调度策略是一种有效的资源管理方法,它通过云计算仿真平台验证算法的适用性,为云计算服务提供商和服务用户提供了解决方案,通过动态调度算法提高资源利用率,最终实现服务...
《物理仿真行为——深入探索科技的新边界》 在数字化时代,物理仿真行为作为一种重要的技术手段,正在逐步改变我们的生活和工作方式。它涉及到计算机科学、物理学、工程学等多个领域,通过数学模型和算法来模拟真实...
仿真实验表明,该IFOA-ABC算法在移动云任务调度的时间和能量消耗上具有一定的优势,能够有效提高云计算调度效率。这对于移动云计算领域是一个重大的进展。文章中的实验结果对于从事移动云计算和智能算法研究的工程师...
在CloudSim平台上进行的仿真结果显示,这种融合算法能够在处理云计算任务时显著提升系统效率,并优化资源的调度。 云计算是信息技术领域的重要分支,涉及到分布式计算、虚拟化和网格计算等多个技术领域。随着数据量...
【摘要分析】 本文主要探讨了改进遗传算法在云辅助教学平台中的应用,针对云平台作业调度问题进行优化...未来的研究可能将进一步探索如何将这种优化方法与其他算法结合,以适应不断变化的教育需求和云计算技术的进步。
16. 云仿真与云制造:利用云计算技术进行仿真和制造业的数字化转型。 17. 高效能计算与仿真:提升计算效率,为物联网系统提供强大的计算支持。 18. 供应链管理:探讨物联网在供应链优化中的作用,实现物流和库存的...
- 大数据与云计算:关注大数据处理,云计算服务器,云模式软件开发,以及云端人机交互技术,推动大数据时代的创新应用。 - 智能传感与物联网:研发高性能智能传感器,物联网关键技术,以及数据共享服务平台,实现...
文中提到的遗传算法是启发式搜索算法的一种,它模拟生物进化过程中的自然选择和遗传机制,用于解决优化和搜索问题。遗传算法通过选择、交叉、变异等操作来迭代地改进候选解,并最终得到近似最优解。在这种多源资源...
遗传算法是一种模拟生物进化过程的全局优化方法,它能有效地在大量可能的解决方案中寻找最优解。 第一种算法采用了能耗时间归一化的方法来定义适应度函数,即将任务的能耗和执行时间统一到一个尺度上,使得算法在...
未来的研究工作可以进一步探索算法参数的自动优化,提高算法在不同云计算环境中的适用性;还可以考虑将C-PSO算法与其他优化方法结合起来,以实现更优的路径规划效果。 综上所述,质心粒子群优化算法在云计算路径...
群体智能算法模拟自然界中生物群体的智能行为来求解问题,这类算法因具有良好的全局搜索能力和较快的收敛速度而受到青睐。其代表算法包括蚁群算法、粒子群优化算法、混合蛙跳算法等。这些算法的优势在于能够避免传统...
而粒子群算法则是受到鸟群飞行行为启发的一种群体智能算法,每个粒子代表一个可能的解,并根据其自身经验和群体最佳经验进行迭代更新,具有良好的全局探索能力。 在此基础上,研究者将粒子群算法的反馈机制引入到...
将遗传算法和禁忌搜索算法结合起来的混合遗传算法,利用遗传算法全局搜索的优势和禁忌搜索的局部搜索能力,可以更好地探索解空间,提高求解效率和质量。 本文提出的基于云计算的细粒度混合并行遗传算法,通过结合...
随着社会的发展和机动车...因此,结合当前技术发展的趋势,未来的研究可以进一步探索如何优化系统架构,提高算法效率,以及如何将更多先进的数据处理技术整合到系统中,为城市交通管理提供更加精准和高效的技术支持。
16. **云仿真与云制造**:利用云计算技术进行仿真和制造业的创新。 17. **高性能计算与仿真**:针对物联网的高计算需求,研究高性能计算解决方案。 18. **供应链管理**:研究物联网如何改进供应链的透明度和效率。...