1.2.1 群體智能優化算法

自然界中的生物群體通過個體自主決策和簡單信息交互，經過演化，使整個群體宏觀上“涌現”出自組織性、協作性、穩定性以及對環境的適應性。最初，群體智能一般狹義地指群體智能優化算法，通過模擬群居昆蟲行為，依賴正反饋、負反饋、波動和多重交互等解決優化問題。

遺傳算法（Genetic Algorithm），基于模仿生物進化的自然選擇過程反復修改、不斷增加由個體解構成的群體解集，其中質量低劣的解被丟棄，在尋找高級解決方案的過程中求解無約束和有約束非線性優化問題。相較于傳統迭代算法每次迭代時通過確定性計算形成點的順序接近最優解，遺傳算法在每個步驟評價整個種群的適應度，從當前的群體隨機選擇個體，并將它們用作父級來生成下一代子級。經過一代又一代后，該群體“演化”為最優解。自遺傳算法引入以來，許多研究者都進行了改進遺傳算法性能的研究，例如引入了其他交叉和變異的替代方法，提高遺傳算法等性能[16-18]。

源于對以螞蟻、蜜蜂等為代表的社會性昆蟲的研究，1992年，意大利學者Marco Dorigo首次提出蟻群優化（Ant Colony Optimization, ACO）算法[5-6]。蟻群優化算法包含螞蟻、信息素等：螞蟻是一種假想的媒介，用來模擬對搜索空間的探索和開發；信息素是一種“化學物質”，由螞蟻在行進的道路上傳播。考慮到蒸發作用，信息素的強度隨著時間的推移而變化。在蟻群優化算法中，螞蟻在搜索空間中移動時會釋放信息素，這些信息素的數量反映了螞蟻的路徑強度，螞蟻根據高強度的路徑來選擇方向。蟻群優化算法已應用于各種優化問題，如旅行商問題、二次分配問題、車輛路徑問題、網絡模型問題、圖像處理問題、移動機器人路徑規劃問題、無人機系統路徑優化問題、項目管理問題等。

來源于對一個簡化社會模型的模擬，1995年，Kennedy等學者提出粒子群優化（Particle Swarm Optimization, PSO）算法[7]。“粒子”是一個折中的選擇，因為既需要將群體中的成員描述為沒有質量、沒有體積的，同時也需要描述它的速度和加速狀態。最初為了圖形化地模擬鳥群優美而不可預測的運動，粒子群優化算法通過對動物社會行為的觀察，發現在群體中對信息的社會共享提供了一個演化的優勢，并以此為基礎，加入近鄰的速度匹配，并考慮了多維搜索和根據距離的加速，形成了算法的最初版本。之后，引入了慣性權重來更好地控制開發（Exploitation）和探索（Exploration），形成了標準的粒子群優化算法。此外，為了提高粒子群優化算法的性能和實用性，又開發了自適應（Adaptive）[19]版本和離散（Discrete）[20]版本。

通過分析這類代表性群體智能優化算法，人們可以發現群體智能優化算法依賴底層每個智能體事先指定的行為模式來引發期望的智能涌現現象，而缺乏針對單個智能體的學習和進化過程。