下载掌阅APP，畅读海量书库
立即打开
人类在发展过程中，不断从大自然得到启迪，通过发现自然界中的一些规律，模仿生物的进化过程或行为模式，从而获得解决各种问题的灵感。基于生物学原理的智能优化算法大多是以模仿自然界中不同生物的进化过程或生物种群在群体活动中体现出来的社会分工和协同合作机制发展起来的，而非模仿生物的个体行为，故这类算法属于群体智能的范畴，被广泛地称为群体智能优化算法或群智能优化方法。
人们在对生物学的深入研究中逐渐发现：生物个体的行为简单、能力非常有限，但当它们协同工作时，表现出的并不是简单的个体能力的叠加，而是非常复杂的行为特征。例如，蜂群能够协同工作完成诸如采蜜、御敌等任务，蚁群能够密切配合完成觅食、筑巢等复杂行为，鸟群在没有集中控制的情况下能够很好地协同飞行，等等。
1999年，Bonabeau、Dorigo和Theraulaz在 Swarm Intelligence ： From Natural to Artificial Systems 中对群体智能进行了详细的论述和分析，并给出了一种不严格定义：任何一种由昆虫群体或其他动物社会行为机制而启发设计出的算法，或分布式解决问题的策略，均属于群体智能。在后来的研究中，群体智能中的“群”被详细阐述为“一组相互之间可以进行直接或间接通信的主体”。群体智能则是指“无智能或简单智能的主体通过任何形式的聚集协作而表现出智能行为的特性”，它是一组简单的智能体集体智能的涌现。例如，模仿自然界生物进化机制的遗传算法，通过群体内个体间的合作与竞争优化搜索的差分进化算法，模拟生物免疫系统学习和认知功能的人工免疫算法，模拟鸟群和鱼群群体行为的粒子群优化算法，模拟蚂蚁集体寻径行为的蚁群优化算法，模拟蜂群集体觅食行为的人工蜂群算法，模拟萤火虫依靠亮度吸引对方行为的萤火虫算法，模拟鱼群集体觅食行为的人工鱼群算法，模拟蛙群集体觅食行为的混合蛙跳算法，模拟布谷鸟借巢产卵行为的布谷鸟搜索算法，等等。这些群智能优化算法有一个共同点：都是通过模拟或揭示某些自然界的现象或生物群体智能行为发展而来的，具有简单、通用、便于并行处理等特点。
群智能优化算法的基本思想是用分布搜索问题空间中的点来模拟自然界中的个体，用个体的进化或觅食过程等类比随机搜索最优解的过程，用与求解问题目标函数紧密相关的适应度函数评价个体对于环境的适应能力，根据适应能力采取优胜劣汰的选择机制，用好的可行解替代差的可行解，将整个群体逐步向最优解靠近，从而实现迭代搜索过程。群智能优化算法在没有集中控制并且不提解析模型和先验知识的前提下，利用群体的优势分布搜索，这种方法一般能够比传统的优化方法更快地发现复杂优化问题的最优解，为解决复杂优化问题提供了新思路和新方法。
本书讲述的群智能优化算法主要是仿生类群智能优化算法，可分为两类：一类是基于仿生进化过程的群智能优化算法，另一类是基于仿生行为模式的群智能优化算法。这两类算法都具有较强的全局搜索能力，可比传统优化方法更快地发现复杂优化问题的最优解，因此在许多领域求解优化问题方面得到了广泛应用。
1.基于仿生进化过程的群智能优化算法
基于仿生进化过程的群智能优化算法指以模仿生物种群进化过程而形成的一类仿生智能算法，其基本流程是：种群初始化（随机分布个体）→交叉、重组、变异（更新个体）→适应度计算（个体评价）→竞争选择（群体更新）。生物种群通过每一代之间的遗传变异和优胜劣汰构成生物进化的基础，通过遗传物质传递保持优良基因和性状稳定性，通过基因突变维持种群多样性，通过优胜劣汰选择竞争机制，以确保种群向优化方向发展。这种进化机制体现了模拟生物进化过程实现随机搜索最优解的一般过程。
仿生进化过程算法以遗传算法为基础，在此基础上发展出了进化规划算法、进化策略算法和差分进化算法，从而形成了进化计算的体系。在进化算法理论框架的基础上，模拟生物免疫系统在进化过程中形成的能够保护自身免受异物侵袭和维持机体环境平衡的能力，引入生物免疫机制，从而形成了人工免疫算法。
2.基于仿生行为模式的群智能优化算法
基于仿生行为模式的群智能优化算法指以模拟自然界中不同生物在漫长的进化中逐渐形成的独特社会行为模式和协同合作机制而形成的一类仿生智能算法。这是仿生行为模式算法中最主要，也是最庞大的一类。现有的仿生行为模式算法大多是模仿不同生物种群在觅食过程中呈现的行为模式而提出的，如蚁群优化算法、人工蜂群算法、人工鱼群算法、混合蛙跳算法、布谷鸟搜索算法等。这些算法的共同特点是，种群内部的个体通过各自特有的行为模式和协作机制，指导个体的位置移动，从而趋向食物源或食物最丰富的位置，即找到优化问题的最优解。
基于仿生行为模式的群智能优化算法各自的特色在于不同的搜索方式和更新机制：例如，粒子群优化算法模仿自然界中鸟群的觅食方式，依据“速度-位移”公式实现搜索位置更新；蚁群优化算法依靠信息素进行信息传递，通过释放和感知这种物质来指导个体的运动方向；蜂群算法通过蜜蜂职能划分（引领蜂、跟随蜂、侦察蜂）实现不同的位置更新方式；人工鱼群算法中每条鱼都尝试3种搜索算子，即觅食行为、聚群行为、追尾行为实现位置更新；混合蛙跳算法通过模因分组，只让组内位置最差的青蛙进行位置更新，经过一定迭代次数后再重新混合，实现各模因分组间信息交流与共享。
群智能优化算法是一种基于概率的有指导的随机搜索算法，与传统优化方法有很大的不同。在进行问题求解时，其最大特点是不依赖于问题本身严格的数学性质，不要求所研究问题是连续、可导的，不需要建立关于问题本身的精确数学描述模型，一般也不需要先验知识启发，非常适于求解难以有效建立解析模型和难以使用传统方法解决的问题。与传统优化方法相比，群智能优化算法具有以下优势及特点。
（1）寻优过程具有渐进性。群智能优化算法通常从随机产生的初始解出发，种群不断进化，使新一代的位置总体优越于上一代，逐渐找到最优解。虽然进化过程是一个逐渐寻优的过程，但可以很快找出较为满意的优化结果。
（2）体现“优胜劣汰”的自然选择规律。在算法搜索过程中，通过个体位置更新，借助竞争选择机制，就能使群体在进化过程中不断地得到优化，适应环境的能力不断增强，好个体得到保留，差个体被淘汰。
（3）随机搜索具有指导性。群智能优化算法是一种随机的概率型搜索方法，这种随机搜索既不是盲目搜索，也不是穷举式的全面搜索，而是一种有指导的随机搜索。在群体内部信息共享和协作下，充分利用个体局部信息和群体全局信息，引导搜索过程朝着更优的区域移动，使算法逐步逼近最优解。群智能优化算法虽然表面看起来是一种盲目的搜索方法，但实际上有着明确的搜索方向，具有协同搜索能力强的特点，有更多机会求得全局最优解。
（4）搜索方式具有并行性。群智能优化算法具有并行性，表现在两个方面：一是内在并行性，即搜索过程是从一个初始解集开始的，每一代运算都针对一组个体同时进行，不容易陷入局部最优解，使其本身适合大规模的运算，让多台计算机各自独立运行种群的进化运算，适合在目前所有的并行机或分布式系统上并行处理，且容易实现，提高了算法的搜索速度；二是内含并行性，各种群分别独立进化，不需要相互之间进行信息交换，可以同时搜索解空间的多个区域，并相互交流信息，使得算法能以较小的代价获得较大的效益。
（5）黑箱式结构。群智能优化算法从求解问题到解空间，只研究输入与输出的关系，结构简单，并不深究造成这种关系的原因，对初值、参数选择不敏感。个体编码如同输入，个体适应度函数值如同输出，一旦确定了解的形式和适应度函数，其余的操作都可按固定方式进行。因此，从某种意义上讲，群智能优化算法便于处理因果关系不明确的问题。
（6）具有很强的全局搜索能力。由于群智能优化算法采用群体搜索策略，能够实现多点并行搜索，扩大解的搜索空间，保持群体中个体的多样性，能够不断扩大搜索范围，具有很强的全局搜索性能。同时，群体具有记忆个体最优解和全局最优解的能力及跳出局部最优的能力，因此群智能优化算法很容易搜索出全局最优解。
（7）具有很强的通用性。群智能优化算法不需要将所求问题用数学式表示，也不要求目标函数的导数存在。其只用某种编码技术表达问题解的形式，然后根据适应度函数值评价个体优劣，算法实现具有很强的相似性。因此，有人称群智能优化算法是一种框架式算法，具有较强的通用性，在实施过程中无须额外干预，不过分依赖于问题的信息。
（8）具有较强的智能性。群智能优化算法实现了无指导学习、自组织进化等学习机理，能够明确表达所学习的知识和结构，具有许多优良特性，如分布式、并行性、自学习、自适应、自组织、稳健性和智能性等。在问题寻优等方面有着收敛速度快、鲁棒性好、全局收敛、适应范围广等优势，并且在大多数情况下都能得到比较有效的满意解，可适用于多种类型的复杂优化问题。
（9）具有较强的鲁棒性。群智能优化算法具有较强的鲁棒性和极强的容错能力，即使初始种群包含与最优解相差很远的个体，但算法通过进化机制和选择策略，也能使可行解不断地向最优解靠拢。种群中的个体之间通过非直接的通信方式进行合作，确保了系统具有更好的可扩展性和安全性。问题的最优解基本不会受到单个个体解的影响，进化过程也没有集中控制的约束。
（10）易于与其他算法相结合。相较于其他优化算法，群智能优化算法控制参数少，原理相对简单，具有良好的自组织性。由于系统中单个个体的能力十分简单，只需要进行位置更新，执行时间较短，算法易于实现，也易于与其他智能方法相结合产生新的优化算法。