群体智能算法

定义

从较宽的意义上说，群体智能是研究自然系统与人工系统中众多个体通过去中心化控制和自组织进行协调的学科，关注个体彼此之间以及个体与环境在局部交互中产生的集体行为^[4]。1999年出版的《群智能：从自然到人工系统》把群体智能界定为受社会性昆虫群体及其他动物社会的集体行为启发、以分布式方式设计算法或问题求解装置的尝试^[5][6]。群体智能是自然计算的一个重要分支，以仿生学、数学和计算机科学为基础，具有自适应、自组织和自学习等特性^[7]。在此基础上，群体智能算法泛指按上述思想构造、用于求解优化问题的算法模型，其共同点是个体规则简单、不存在集中控制、整体能力由局部交互涌现^[1]。

背景

最优化问题广泛存在于设计、加工、调度、物流与工程控制等领域，需要在给定约束下选取使目标函数达到最优的参数^[2]。传统求解方法多依赖目标函数的解析性质，往往要求函数可微、单峰，面对非线性、多峰或离散的组合优化问题时容易停留在局部最优^[1]。20世纪90年代起，研究者转向向自然界取材，从社会性昆虫与群居脊椎动物的行为规律出发，构造只利用目标函数值、不必求导的搜索方法^[2]。1992年，意大利学者马可·多里戈在博士论文中提出蚁群优化，群体智能算法作为一类理论由此正式出现；1995年，詹姆斯·肯尼迪等人模拟鸟群觅食提出粒子群优化，因模型简单、参数较少而被大量研究与使用^[2]。

内容

群体智能算法的共同思路，是让一群分散、无中心控制的简单个体按局部规则行动，个体之间直接交流或经由环境间接交流，进而使整体呈现出单个个体并不具备的求解能力^[8][4]。其运行机制一般包含正反馈、负反馈、探索与开发的平衡以及个体之间的多次交互，其中经由环境的间接作用被称为外激励（stigmergy）^[4]。按所模拟的生物群体，这类算法可分为昆虫类、细菌类、鸟群类、水生类等，常见的有蚁群优化、粒子群优化、细菌觅食算法、人工蜂群算法、布谷鸟搜索、萤火虫算法、蝙蝠算法和灰狼算法等^[2]。

粒子群优化把每个候选解视为在搜索空间中运动的一个粒子，粒子参照自身历史最优位置与群体当前最优位置来修正速度与位置^[9]。其更新式可写为 $v_{id}=w v_{id}+c_1 r_1(p_{id}-x_{id})+c_2 r_2(p_{gd}-x_{id})$ 与 $x_{id}=v_{id}+x_{id}$，式中 $w$ 为惯性权重，$c_1$、$c_2$ 为学习因子，$r_1$、$r_2$ 为 [0,1] 区间上的随机数^[9]。蚁群优化则让人工蚂蚁依据路径上的信息素浓度和启发信息计算转移概率，逐步构造解，并通过信息素的累积与挥发强化较优路径^[7]。

这类算法的特点通常被概括为通用性、并行性与解的近似性：算法不要求问题可微或单峰，种群内个体相对独立而便于并行计算，一次迭代可给出多个近似解供选择^[1]。总体而言，群体智能算法对初始条件不敏感、容错性较好，但所得结果多属近似最优解^[1]。

影响与争议

群体智能算法已被用于函数优化、组合优化、生产调度、物流配送、机器人路径规划、无线传感器网络与图像处理等众多方向^[3][8]。其在工业界的应用出现较早，20世纪90年代后期惠普公司与英国电信公司即研究把蚁群算法用于电信网络路由，美国太平洋西南航空公司采用了源于蚂蚁行为研究的运输管理软件^[10]。一项2025年发表的综述指出，粒子群优化至今仍是使用最广的群体智能算法^[11]。

近年综述显示，把多种群体智能算法组合起来的混合方法，在收敛速度、鲁棒性和可扩展性上通常优于单一经典算法，代价是计算复杂度上升^[11][3]。相关研究还把群体智能算法与机器学习结合，并扩展到物联网、网络安全与智能基础设施等新领域^[3]。也有综述把群体智能与混沌理论、分形几何并列，视之为研究非线性现象和复杂系统的途径之一^[7]。

这类算法大多属于基于种群的概率性搜索，普遍存在早熟收敛、易陷入局部最优和解的精度有限等问题^[1][12]。具体到不同算法，蚁群优化缺少初始信息、收敛偏慢，粒子群优化在迭代后期搜索能力下降，人工蜂群算法在迭代后期种群多样性降低，都可能过早收敛到局部最优^[12]。有综述还指出，群体智能研究在可扩展性、鲁棒性与可解释性方面仍面临挑战^[13]。

参见

• 蚁群优化 —— 模拟蚂蚁觅食、以信息素正反馈求解组合优化问题的群体智能算法。

• 粒子群优化 —— 模拟鸟群与鱼群行为、应用最广的群体智能算法之一。

• 人工蜂群算法 —— 模拟蜜蜂采蜜分工的群体智能算法。

• 灰狼算法 —— 模拟狼群捕猎分工的较晚提出的群体智能算法。

• 遗传算法 —— 模拟生物进化、常与群体智能算法混合使用的元启发式算法。

• 自然计算 —— 群体智能所属的研究领域。