下载掌阅APP，畅读海量书库
立即打开
群体智能（Swarm Intelligence，SI）的概念最早是由赫拉尔·贝尼（Gerardo Beni）和Jing Wang在研究细胞机器人系统时提出的 [49-50] 。他们发现，细胞机器人系统能够不可预测地形成某种确定的集体形态。群体智能既存在于自然系统，也存在于人工系统，这些系统中的个体基于分布式、自组织的方式呈现出群体协同 [51-52] 。
赫拉尔·贝尼和Jing Wang在提出群体智能的概念时，给出的定义是：由多个非智能机器人组成的系统能表现出集体智能行为，这种能力表现为能够在外部环境中不可预测地产生特定的、非统计意义下的有序物质形态（物质本身的排列方式）的能力 [50] 。
埃里克·博纳博（Eric Bonabeau）等人在他们的著名专著 Swarm Intelligence ： From Natural to Artificial Systems 中，将群体智能定义为，由群居昆虫群体和其他动物群体的集体行为启发的简单智能群体所涌现（Emerge）出的集体智能 [53] 。
安德里斯·恩格尔布雷希特（Andries P.Engelbrecht）认为，群体智能是群体的一种性质，群体中各简单个体之间以及个体与其所处局部环境之间发生相互作用，从而引起相关功能上的全局模式，即涌现出了集体行为 [54] 。
粒子群算法的提出者之一詹姆斯·肯尼迪（James Kennedy）很好地概括了群体智能本质，他认为群体智能是指一些简单信息处理单元在交互中涌现出的一种解决问题的能力 [55] 。群体的概念意味着多样性、随机性、不可预测性和混乱性，而智能的概念意味着解决问题的方法在某种程度上是成功的。组成群体的信息处理单元可以是模拟的、机械的、计算的、数学的，它们既可以是昆虫、鸟类、人类，也可以是阵列元件、机器人、独立工作站，还可以是真实的或想象的，它们的耦合具有广泛的特性，但单元之间必须存在交互。
延斯·克劳斯（Jens Krause）等人从动物群体行为和人类群体行为的共同框架下给出了群体智能的新定义，即两个或更多的个体独立地或至少部分独立地获取信息，这些不同的信息包通过交互被组合、处理，并为认知（Cognitive）问题提供了一个单独个体无法实现的解决方案 [56] 。
大卫·科尼（David W.Corne）等人则将群体智能进一步定义为，由一群简单智能体经过合作而涌现出的有用行为，其中简单智能体大多是同质的、并行异步运行的、没有集中控制的、智能体之间的通信受到某种形式的共识主动性（Stigmergy）的影响，而有用行为是指觅食、筑巢等较为简单的行为目的 [57] 。
从上述的群体智能定义中可以看到，群体智能的一些必备要素有：多个简单个体，个体之间有交互，个体之间的协同是分布式的、自组织的，个体之间的协同最终涌现出一定的集体行为或智能表现，集体行为或智能表现是不可预测的，以及集体行为或智能表现是个体难以企及的。因此，我们可以重新给出群体智能定义：由多个简单个体组成的群体，通过个体之间的交互以及分布式、自组织式的协同，最终涌现出一定的不可预测的、个体难以企及的集体行为或智能表现的现象。
另外，詹姆斯·肯尼迪 [55] 和延斯·克劳斯 [56] 等人都认为，群体智能涌现出的不仅是群体的集体行为模式，还可以将受自然界启发得到的群体智能作为新的问题解决方法，即现在广为人知的群体智能算法。到目前为止，应用最成功的两个群体智能算法是蚁群算法和粒子群算法。受最早被生态学家研究出的蚂蚁觅食行为模型（蚂蚁总能找到巢穴与食物之间的最短路径）的启发，马可·多里戈（Marco Dorigo）首先提出了蚁群算法 [58] ，用人工蚂蚁来模仿自然蚂蚁，利用在走过的路径上留下信息素的方法解决各种寻优问题 [54] 。蚁群觅食行为的双桥实验如图2-20所示。粒子群算法是由詹姆斯·肯尼迪和安德里斯·恩格尔布雷希特等人提出的，最初是为了模拟社会行为，作为鸟群或鱼群中生物运动的程式化表示 [21] 。粒子群中的每个个体行为简单，只是模仿相邻个体的成功经验，最终可搜索出高维空间中的一个最优区域 [54] 。鸟群觅食的场景示意图如图2-21所示。
图2-20 蚁群觅食行为的双桥实验 [54]
随着对生物群体行为研究的深入，近年来，一些新的群体智能算法也发展了起来，包括蝙蝠算法（Bat Algorithm，BA）、人工鱼群算法（AFSA）、萤火虫算法（Firefly Algorithm，FFA）、布谷鸟搜索（Cuckoo Search，CS）算法、花授粉算法（Flower Pollination Algorithm，FPA）、人工蜂群算法、狼群搜索算法、灰狼优化算法等 [60] 。
图2-21 鸟群觅食的场景示意图 [59]
在20世纪90年代中期，由于群体智能方法在种群利用、随机性和应用领域等方面的相似性，群体智能算法一直被认为是进化计算（Evolutionary Computation，EC）算法的一种。然而，由于群体智能和进化计算的基本理念存在一些内在差异，群体智能现在有了自己的身份。群体智能试图模仿简单智能体的集体和协同行为，而进化计算则受到生物进化的启发。由于群体智能在解决实际问题中的简单性和有效性，现已作为一种优化算法变得非常流行了。群体智能类算法主要包括变异和选择两个阶段，这两个阶段负责维持探索（Exploration）和利用（Exploitation）之间的平衡，变异阶段主要探索搜索空间的不同区域，选择阶段主要利用以前的经验。
美国圣菲研究所的马克·米洛纳斯（Mark M.Millonas）教授系统地提出了被大多数研究者普遍接受的群体智能行为应该遵循的五条基本原则 [61] ，它们分别是：
➲ 邻近原则：群体应能够进行基本的空间和时间计算。
➲ 品质原则：群体应能够响应环境中的时间、空间和品质因子。
➲ 反应多样性原则：群体的反应类型应是足够多样的。
➲ 稳定性原则：群体行为不应在每次环境变化时都发生改变。
➲ 适应性原则：在所需代价不高的情况下，群体中的个体应能够在适当的时候改变自身的行为模式。
上述原则说明，要想实现群体智能，群体中的个体必须能够在环境中表现出自主性、反应性、学习性和自适应性等智能特性 [62] 。
詹姆斯·索罗维基（James Surowiecki）从人类群体的智慧出发，阐述了当人类群体智慧满足多样性、独立性、分布式、聚合性、信任性等条件时，人类群体的智慧才可能高于作为个人的专家 [63] 。多样性要求群体中的每个个体都要尽可能拥有自己的概念和认知能力，并掌握专属信息；独立性要求群体中的每个个体都拥有的信息和行为是独立于其他个体的；分布式要求群体中的每个个体都能够进行专门研究并利用局部认知；聚合性是指存在一种使个体判断转变为集体决策的机制；信任性要求每个个体都充分信任集体的公平性。
北京航空航天大学的段海滨教授团队则将群体智能的特点总结为以下4点 [64] ：
➲ 组织结构的分布式：群体不存在中心节点，群体中的每个个体仅具备局部的感知、规划和通信能力。
➲ 行为主体的简单性：群体中每个个体的能力或遵循的行为规则都非常简单，每个个体仅执行有限几项动作，并对外部环境做出简单的几种反应。
➲ 作用模式的灵活性：主要体现在群体对于环境的适应性，即群体中的每个个体都可以通过改变自身行为来适应环境的变化。
➲ 系统整体的智能性：群体中的每个个体都可以通过感知周围的环境信息，进行信息的交换和共享，按照一定的行为规则，对外部刺激做出响应，通过调整自身状态来促使群体状态发生变化，涌现出整体的智能性。
谭岗也给出了群体智能的类似特点 [65] ，即个体简单性、控制分散性、联系有限性、群体智能性。
从上述论述可以看出，群体智能涌现并不是一群个体的简单组合，即使一群具备高智能的个体的简单组合也不能称为群体智能涌现 [56] 。例如，一群人在一起，既可能群策群力碰撞出伟大的思想火花，也可能由于协调出现问题而导致大规模踩踏致死事件。我们认为，群体智能涌现的特征应至少包含以下三个方面：
（1）群体：群体中有两个或两个以上的个体，群体有足够的生存期和容错性。群体中每个个体仅具备局部的感知、通信、控制、计算等能力，不存在感知、通信、控制、计算等中心节点。群体具有能力分布性，摆脱了“牵一发而动全身”的缺点，并具备极大的灵活性（自适应性、可扩展性、可维护性）和鲁棒性（可靠性、可存活性、容错性等） [66] 。
（2）智能：个体具有相对较低的智能性，即相对于将要完成的复杂任务所需的智能水平，每个个体处于智能水平较低的状态。群体中每个个体不能或无须直接感知到整个群体的信息，而只需要感知到该个体局部范围内的一部分信息，同时每个个体获取的信息具有多样性与差异性。
（3）涌现：群体中的个体能够进行信息交互、融合和处理，从而不断进化种群生存的法则，适应环境的变化，涌现出更高级的群体智慧。群体中的每个个体先通过对环境的感知，以及与相邻个体之间的信息交互等获知周围状态信息，再根据当前的自身状态不断地进行有一定目的性的适应性调整，最终在无须中心节点协调与控制的情况下，使群体状态达到一个复杂的集体行为。从群体层面来看，群体智能涌现的结果是整个群体的智能水平表现出远大于每个单体智能水平之和的情形，或者可以完成每个个体根本无法独立完成的任务。群体中的每个个体通过相互之间的分布式协调，实现了群体层面的不断学习与进化，从而涌现出高水平的、带有强烈自组织性质的群体行为和能力。
总体而言，群体智能涌现的研究对象是群体，基本条件是智能，演化过程是涌现，最终目标是实现相对于单体来说更高水平的行为和能力。