「 1. 群体智能的含义与特点 」

群体智能（swarm intelligence，SI）是人工智能领域中主要的观点，最早由Gerardo Beni和Jing Wang于1989年提出[1]，用以研究细胞机器人系统，如兰顿的蚂蚁和康韦的生命游戏。
群体智能在有的文献中也称为集群智能（collective intelligence，CI）[2]。
在动物社会里，有些个体微不足道，然而群体能够办理单个个体难以办理或不可能办理的繁芜问题。
例如，蚂蚁、蜜蜂、鱼以及其他群居动物，它们的群体折衷能力都令人难以置信。
群体中的个体可以更随意马虎地捕捉到更大的猎物，或者更好地保护自己免受捕食者的攻击[3]。
对群体行为的研究匆匆使人们认识到，群体生活也可以帮助办理超出单个动物能力范围的认知问题[4,5]，虽然个体动物在认知上相对大略，在其能达到的目标上受到限定，然而，群体的能力则能做出惊人的造诣[6]。

群体智能并不是大略的多个体的凑集，而是超越个体行为的一种更高等表现，这种从个体行为到群体行为的演化过程每每极其繁芜，是群体中各个个体随韶光相互浸染的模式和结果，以至于很难由个体的大略行为来预测和推演。
这称为呈现（emergence），指推演一个繁芜系统中某些新的、干系的构造、模式和性子（或行为）的过程。

可以用图1来解释群体中的个体比个体或小群体中的个体做出更好决策的过程[7]。
个体用玄色圆圈表示，从源头到吸收者的信息流用箭头表示。
（a）当个体认知能力水平提高时，个体之间就没有信息流动。
相反，在一个群体中可以减少对捕食风险的感知，许可个体将更多的认知资源分配到其他任务中，或者在风险不受（或更少）被捕食群体规模影响的情形下对捕食者保持当心。
（b）信息可以从所有或部分成员集中，在那里进行处理，并作出总体决策，或将信息供应给群内成员利用。
（c）在领导力方面，信息从一个（或几个）具有干系知识的个体流向其他群体成员。
（d）在群体智能中，只有信息互换，没有明显的集中者领导关键个体。

图1 群体智能信息互换

对付一个由浩瀚大略个体组成的群体，若其个体具有能通过彼此间的大略互助来完成一个整体任务的能力，则称该群体具有“群体智能”。
群体智能中的“群体”指的是一组相互之间通过改变局部环境信息可以进行直接或间接通信的个体，这些个体能够互助进行分布式问题的求解。
群体智能中的“个体”是指仅具有较为大略的能力，这种能力可用某一大略的功能函数来表示。
个体间的相互浸染、间接通信也称为外勉励（stigmergy）。

在自然界中，通过群体中个体间的相互协作完成任务的例子有：

（1）白蚁建造的大巢穴构造的繁芜度是单个白蚁凭借自己的能力所无法实现的。

（2）在一个蚂蚁群中，在没有任何中央管理者和任务折衷员的情形下，其任务都是动态分配的。

（3）在蜜蜂类中通过摆动舞蹈实现了最佳的觅食行为。
觅食行为作为大略的轨迹跟踪行为也在蚁群中呈现。

（4）鸟群中的鸟和鱼群中的鱼会自组织成最佳的空间模式。
鸟群或鱼群通过声音和视觉感知的通信基于少量的临近个体来确定它们的行为（例如调度自己的方向和速率）。

（5）猎食者（例如一个狮群）表现出的猎食策略比被猎食者更精明。

（6）细菌利用分子（类似信息素）通信，共同保持对环境变革的跟踪。

（7）粘菌由非常大略的且能力有限的分子有机体组成。
然而，在短缺食品的时期，它们聚拢形成一个移动的块，以便将聚拢在一起的个体运送到新的食品区域。

关于群体智能的定义在已揭橥和出版的文献中都不尽相同。
如有的定义为，两个或更多个独立网络信息的个体通过社交互动进行信息互换，并为单个个体无法办理的认知问题供应群体的含义。
也有定义为：是指在某群体中，若存在浩瀚无智能的个体，它们通过相互之间的大略互助所表现出来的智能行为。
在蚁群算法提出者Dorigo[8]的文献中对群体智能如此描述：指具有大略智能的个体通过相互协作和组织表现出群体智能行为的特性，具有天然的分布式和自组织特色。

总之，群体智能的核心是由浩瀚大略个体组成的群体能够通过相互之间的大略互助来实现某一较繁芜的功能，完成某一较繁芜的任务。
群体智能可以在没有集中掌握并且短缺全局信息和模型的条件下，为办理繁芜的分布式问题供应了可能。

群体智能的特点紧张包括[9]：

（1）灵巧性（flexibilty），群体可以适应随时变革的系统或网络环境；

（2）鲁棒性（robustness），没有中央或者统一的掌握，纵然单个个体失落败，全体群体仍旧具有完成任务的能力，不会涌现由于某一个或者某几个个体的故障或失落败而影响全体问题的求解；

（3）自组织（self-organization），活动既不受中心掌握，也不受局部监管。

群体智能的优点紧张表示在[9]：

（1）分布性（distribution），群体中相互互助的个体是分布的，这样更能够适应当前网络环境下的事情状态；

（2）大略性（simplicity），系统中每个个体的能力十分大略，个体的实行韶光比较短，并且实现也比较大略；

（3）可扩充性（extensibility），可以仅仅通过个体之间的间接通信进行互助，系统具有很好的可扩充性，由于系统个体的增加而引起的通信开销的增加很小。

Millonas提出了群体智能遵照的五条基本原则[10]：

（1）临近原则（proximity principle），群体能够进行大略的空间和韶光打算；

（2）品质原则（quality principle），群体能够相应环境中的品质因子；

（3）多样性反应原则（principleof diverse response），群体的行动范围不应该太窄；

（4）稳定性原则（stability principle），群体不应在每次环境变革时都改变自身的行为；

（5）适应性原则（adaptability principle），在所需代价不太高的情形下，群体能够在适当的时候改变自身的行为。

「 2. 群体智能算法的分类 」

群体智能算法是早期学者基于群体智能，针对群体行为特色规律上的研究，受社会昆虫（如蚂蚁、蜜蜂）、群居脊椎动物（如鸟群、鱼群和兽群）或其他群居生物的启示，提出一系列具备群体智能特色的算法用来办理繁芜问题。
自1992年意大利学者Dorigo[8]从蚁群探求最短路径的征象中受到启示在他的博士论文中提出蚁群优化（ant colony optimization，ACO）理论开始，群体智能算法作为一个理论被正式提出，并逐渐吸引了大批学者的关注，运用于不同的领域，从而掀起了研究高潮。
1995年，Kennedy等学者[11]仿照鸟群觅食行为提出了粒子群优化算法（particle swarm optimization，PSO），由于PSO模型大略、参数少得到了广泛的研究与运用，进一步推进了群体智能算法的研究。
近年来，浩瀚研究学者仿照不同的群体特色陆续提出了不同的群体智能算法。

如图2所示，按照启示式方法的发展进行分类。
对付优化问题的求解，最早通过数学方法寻求最优解。
而启示式算法是受大自然的运行规律或面向详细问题的履历、规则启示出来的方法，在可接管的打算韶光或空间范围内给出待办理优化问题的可行解，该可行解与最优解的偏离程度一样平常不能被估量。
由于早期启示式方法在求解大规模问题时随意马虎陷入局部最优，求解效果并不理想，研究学者根据自然界征象提出了自然启示式方法。
在自然启示式方法中包括一类是基于生物行为的算法，即生物启示式方法，其余一类仿照物理征象等自然征象的，如仿照退火算法。
而在生物启示式方法中，最紧张的一类是仿照动物群体行为的群体智能算法，也是本书后续章节中紧张讲的内容，另一类是仿照生物进化的进化打算，还有一类是仿照其他生物群体的算法，如文化算法、免疫算法等。

图2 启示式方法分类

由于群体智能算法的灵感紧张来自于仿照不同生物群体，按照不同群体的办法进行分类，可以分为昆虫类、细菌类、鸟群类、水生类以及陆生类等，如图3所示。
由于新的仿照生物群体的算法仍在不断被学者提出，图3中无法包括所有提出的算法。

图3 群体智能算法分类

目前，由于每种算法经由改进后可以衍生出较多算法，为了能够对常用算法的提出思想有所理解，如表1所示，给出了常用算法的名称、提出作者、基本思想以及提出的年份[12,13]。

表1 部分群体智能算法基本信息

群体智能算法具有以下特点[31-34]：

（1）智能性。
群体智能算法通过向大自然界中的某些生命征象或自然征象学习，实现对付问题的求解，这一类算法中包含了自然界生命征象所具有的自组织、自学习和自适应性等特性。
在运算过程中，通过得到的打算信息自行组织种群对解空间进行搜索。
由于群体智能算法具有的这种优点，运用群体智能算法求解问题时，不须要已知待优化问题的梯度信息，也不须要事先对待求解问题进行详细数学建模。
对付某些繁芜性高的问题，高效求解成为可能。

（2）隐含实质并行性。
群体智能算法通过设定相应的种群进化机制完成打算，而种群内的个体则具有一定的独立性，个体之间完备是一种实质上的并行机制。
如果利用分布式多处理机来完成群体智能算法，可以将算法设置为多个种群并分别放置于不同的处理机实现进化，迭代期间完成一定的信息互换即可（注：信息互换并不是必要的），迭代完成之后，根据适应度值进行良好劣汰。
以是，群体智能算法这种隐含的实质并行性，能够更充分利用多处理器机制，实现并行编程，提高算法的求解能力。
更加适宜目前云打算等分布式打算技能迅速发展的背景。

（3）解的近似性。
群体智能算法常日来自于对大自然中某种生命或其他事物的智能协作进化征象的仿照，利用某种进化机制辅导种群对解空间进行搜索。
由于该类算法缺少严格的数学理论支持，对付问题的解空间采取反复迭代的概任性搜索，以是群体智能算法会存在早熟或求解精度较低等问题，而这也是所有群体智能算法险些都存在的弱点。
以是，很多时候对求解的问题来说，群体智能算法仅仅得到的是一种近似最优解。
但是，这种近似最优解可以一次供应多个，为决策者供应更多选择。

[1] Beni, G. and Wang, J. (1989) Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, Jun. 26–30.

[2] Kennedy J, Eberhart R C. Swarm Intelligence[M]. San Francisco, CA: Morgan Kaufmann, 2001.

[3] Krause, J. and Ruxton, G.D. (2002) Living in Groups, Oxford University Press.

[4] Bonabeau, E. et al. (1999) Swarm Intelligence: From Natural to Artificial Systems, Oxford University Press

[5] Camazine, S. et al. (2001) Self-Organization in Biological Systems, Princeton University Press.

[6] Krause J, Ruxton G D, Krause S. Swarm intelligence in animals and humans[J]. Trends in Ecology & Evolution, 2010, 25(1):28-34.

[7] Ioannou, Christos C. Swarm intelligence in fish? The difficulty in demonstrating distributed and self-organised collective intelligence in (some) animal groups[J]. Behavioural Processes, 2016, 141:141-151.

[8] Dorigo M. Optimization, learning and natural algorithms. Ph. D. Thesis, Politecnico di Milano, Italy, 1992.

[9] 余建平, 周新民, 陈明. 群体智能范例算法研究综述[J].打算机工程与运用, 2010, 46(25): 1-4+74.

[10]K E Parsopoulos, M N Vrahatis. Recent approaches to global optimization problems throug h particle swarm opti- mization[J]. Natural Computing, 2002, 1(2): 235-306.

[11]Kennedy J, Eberhart R. Particle swarm optimization[C]. Proceedings of IEEE International Conference on Neural Networks, Perth, 27 November-01 December 1995, pp. 1942-1948.

[12]Ouarda Z, Antonio G, Nicolas J, et al. Swarm intelligence-based algorithms within IoT-based systems: A review[J]. Journal of Parallel & Distributed Computing, 2018, 177: 173-187.

[13]Slowik A, Kwasnicka H. Nature inspired methods and their industry applications—swarm intelligence algorithms[J]. IEEE Transactions on Industrial Informatics, 2018, 14(3): 1004-1015.

[14]Passino K. M. Biomimicry of bacterial foraging for distributed optimization and control[J]. Control Systems Magazine, 2002, 22(3): 52-67.

[15]Li X L , Shao Z J , Qian J X . An optimizing method based on autonomous animate: Fish swarm algorithm[J]. Systems Engineering-theory & Practice, 2002, 22(11): 32-38.

[16]Li W W, Wang H, Zou Z J, et al. Function optimization method based on bacterial colony chemotaxis[J]. Journal of Circuits and Systems, 2005, 10(1): 58-63.

[17]Teodorovic D, DellOrco M. Bee colony optimizationa cooperative learning approach to complex transportation problems[C]. In Proc. 16th MiniEURO Conference and 10th meeting of EWGT, 2005, pp. 51-60.

[18]Chu S C , Tsai P W , Pan J S . Cat Swarm Optimization[C]. International Conference on Artificial Intelligence. LNCS, 2006, 4099: 854-858.

[19]Karaboga D , Basturk B . A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm[J]. 2007, 39(3):459-471.

[20]Yang X S, & Deb, S. Cuckoo Search via Lévy flights. 2009 World Congress on Nature & Biologically Inspired Computing (NaBIC), 2009, 210-214.

[21]Yang X S. Firefly algorithms for multimodal optimization[C]. In Proc International Symposium on Stochastic Algorithms, LNCS, 2009, 5792: 169-178.

[22]Krishnanand K N , Ghose D . Glowworm swarm optimisation: a new method for optimising multi-modal functions[J]. International Journal of Computational I, 2009, 1(1):93-119.

[23]Yang X S. A new metaheuristic bat-inspired algorithm[C]. In Proc. Nature Inspired Cooperative Strategies for Optimization (NICSO), 2010, pp. 65-74.

[24]Chen Z H, Tang H Y. Cockroach swarm optimization[C]. In Proc. 2nd International Conference on Computer Engineering and Technology, 2010, pp. 652-655.

[25]Rajakumar B R . The Lion's Algorithm: A new nature-inspired search algorithm[J]. Procedia Technology, 2012, 6: 126-135.

[26]Tang R, Fong S, Yang X S, Deb S. Wolf search algorithm with ephemeral memory[C]. In Proc. Seventh International Conference on Digital Information Management (ICDIM), 2012, pp. 165-172.

[27]Xing B, Gao W J. Fruit fly optimization algorithm[C]. In Innovative Computational Intelligence: A Rough Guide to 134 Clever Algorithms, pp. 167-170, 2013.

[28]Cuevas E, Cienfuegos M, Zaldivar D, Perez-Cisneros M. A swarm optimization algorithm inspired in the behaviour of the social-spider[J]. Expert Systems with Applications, 2013, 40(16): 6374-6384.

[29]Wu T Q, Yao M, Yang J H. Dolphin swarm algorithm[J]. Frontiers of Information Technology and Electronic Engineering, 2016, 17(8): 717-729.

[30]Mirjalili S, Lewis A. The whale optimization algorithm[J] Advances in Engineering Software, 2016, 95: 51-67.

[31]孙嘉泽, 王曙燕. 群体智能优化算法及其运用[M]. 科学出版社, 2017.

[32]Andries P. Engelbrecht著, 谭营译. 打算智能根本[M]. 清华大学出版社, 2009.

[33]王培崇. 群体智能算法及其运用. 电子工业出版社[M], 2015.

[34]程适, 王锐, 伍国华, 郭一楠, 马连博, 史玉回. 群体智能优化算法[J].郑州大学学报(工学版), 2018, 39(06): 1-2.