Matlab粒子群优化算法的性能仿真研究+源代码(3)
以上原则说明，实现群体智能的智能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。但是，这并不代表群体中的每个个体都相当复杂，事实恰恰与此相反。群体智能的核心就是，由众多简单个体组成的群体能够通过相互之间的简单合作来实现某一较复杂的功能，完成某一较复杂的任务。其中，“简单个体”是指只具有简单能力或智能的单个个体，而“简单合作"是指个体与其邻近的个体进行某种简单的直接通讯或通过改变环境因素间接与其它个体通讯，从而实现相互影响和协同动作。
群体智能具有以下特点[6]：(1)群体中相互合作的个体是分布式的，不存在直接的中心控制。因而它更能够适应当前网络环境下的工作状态，并且具有较强的鲁棒性，即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解；(2)每个个体只能感知局部信息，不能直接拥有全局信息，并且群体中每个个体的能力或遵循的行为规则非常简单，因而群体智能的实现比较方便，具有简单性的特点；(3)个体之间通过非直接通信的方式进行合作。由于群体智能可以通过非直接通讯的方式进行信息的传输与合作，因而随着个体数目的增加，通讯开销的增幅较小，即它具有较好的可扩充性；(4)群体自组织性，即群体表现出的复杂行为是通过简单个体的交互而突现出来的智能。
20世纪50年代中期出现了仿生学，研究人员从生物进化机理中受到启发，提出了许多用以解决复杂优化问题的新方法，如遗传算法、进化规划、进化策略等。这些以生物特性为基础的演化算法的发展及对生物群落行为的发现引导研究人员进一步展开了对生物社会性的研究，从而出现了基于群体智能的群体智能算法[7]。研究者对社会性生物的自组织行为进行关注的前提下，对群体智能进行数学建模并用计算机对其进行仿真而创立，它与进化策略以及遗传算法有着特殊的联系。典型的社会性生物的自组织行为包括蚁群的筑巢、觅食、迁徙，鸟群的觅食、共同飞行等行为；单只蚂蚁的能力是有限的，但是当这些简单的蚂蚁组成蚁群时，却能够完成筑巢、觅食、迁徙等复杂行为；鸟群在没有集中控制的情况下能够同步飞行。可以看出，由单个复杂个体完成的任务可以由大量简单的个体组成的群体合作完成，但是由群体完成的方法更具有健壮性、灵活性和经济上的优势。
群体智能算法是一门新兴的优化计算方法，自从20世纪80年代出现以来，引起了多个学科领域研究人员的关注，已经成为优化技术领域的一个研究热点，是人工智能以及经济、社会、生物等交叉学科的热点和前沿领域。
群体智能算法是基于群体行为对给定的目标进行寻优的启发式搜索算法，其寻优过程体现了随机、并行和分布式等特点；对于每个智能个体，其定义本身是相对的，其大小和功能要根据所求解的问题而定，并且每个智能个体即使处于合理的寻优进程之中，其个体动态也不能保证在每个时刻都具有最佳的寻优收敛特征、其智能寻优方式的实现是通过整个智能群体的总体优化特征来体现的[8]。作为群体智能算法的典型代表，与蚁群和鸟群典型的行为相对应，研究者分别提出了蚁群优化(Ant Colony OptiIIlization，ACO)算法和粒子群优化(Panicle Swann Optimization，PSO)算法。
1.1.2 群体智能算法的研究现状
1.2 粒子群算法
粒子群算法自提出以来便引起了国内外相关领域众多学者的关注和研究，成为国际演化计算界研究的热点。
1.2.1 粒子群算法的研究现状