随着人们对生命本质的不断探索与研究,许多研究者走出了传统经典优 化算法的局限框子，大胆地引进了其他学科的思想和内容。处于这种思潮之 下，拥有社会性行为的动物(如鸟群、蚁群、蜂群等)的自组织行为引起了许 多研究人员的兴趣，通过对社会性行为的数学建模和计算机仿真，对这些具 有社会性复杂问题的研究而产生了新的科学-复杂科学。社会性动物的妙处在 于：个体的行为都很简单，但是当它们一起协同工作的时候，却能够“涌现” 出非常复杂的社会行为。比如说，单只蚂蚁的行为非常简单，但是当这些简 单的蚂蚁组成群体的时候，却能够完成像筑巢、觅食、迁徙、清扫蚁巢等复 杂社会性行为。

在计算机模拟社会行为之中，许多群智能优化算法被提出：粒子群算法

（PSO）是最经典的算法之一，它主要模仿自然界鸟群的飞行和觅食行为； 蚁群算法（ACO）主要模拟蚂蚁寻找食物的行为方式；鱼群算法(AFSA)主要 模拟自然界鱼群的觅食行为。

群智能算法属于概率搜索方法,已有的理论和研究已经证明群智能算法 能有效地解决现代发展过程中的绝大多数问题[2]。同其他的概率搜索方法相 比较，群智能优化算法具有称之为“种群”的潜在优化解，并且可以通过个体 之间的相互协作与竞争这两种截然不同的方式来实现对复杂问题最优解的 搜索策略，因此可以更快地找到最优解。

群智能优化算法比较容易实现，而且算法中所使用的数学操作很少，算 法数据处理对计算机的中央处理器、显卡、内存、磁盘等硬件要求不苛刻， 而且有个好处是，算法仅仅输出目标函数值就可以了，并不需要各种梯度信 息。论文网

图 1-1：演化计算分类图 

1。2 群智能算法的应用 

群智能优化算法为复杂问题提供了通用的解决方案，它对问题所在的具 体领域并不关心，因此各式各样的复杂问题都可以通过它来求解。下面是群 智能优化算法的一些应用领域[3]：

1) 约束优化：由于问题的约束增加，使得约束问题的搜索空间急剧上 升，使用枚举算法很难求解问题，甚至不可能求得精确解。实践证明， 群智能优化算法对约束问题的求解行之有效，特别是约束优化中的 规划问题以及离散空间组合问题。

2) 函数优化：函数优化经常作为对群智能优化算法性能优劣进行评价 的例子，是群智能优化算法的典型应用领域之一。

3) 机器人智能控制：机器人的路径规划、对环境的感知决策、以及各个 部位的协调控制，这些都是非常复杂且难以精确建立模型的人工智

能系统。然而，群智能算法可以用于该领域的机器人搜索行为控制。 4) 电力系统领域：在该领域存在种类多样的问题，往往需要根据适应度 函数的特点和约束条件等上下文环境来求解问题。群智能算法经常 应用于电力系统领域中的配电网的扩展和规划、检修计划、机组组合 等方面。随着群智能优化算法研究的深入，他还将在电力市场竞价交

易这些领域占有一席之地。

5) 工程设计问题：在工程设计领域，由于情况复杂多变，所建立起来的 数学模型对问题的求解难以精确，即便对问题模型进行简化求解，最 终却由于模型精简太过而与理论上的结果相差甚远。现在，群智能算 法已经在工程设计领域大展身手，尤其是电路设计、滤波器设计、 神 经网络、控制器的设计与优化、任务分配等方面。