6) 生物医学领域：在该领域，群体生长规律呈现出的是非线性方式，很 难用线性的方法求解该问题的模型；同样还有分子力场、蛋白质的图 形，这些所呈现的都是非线性的。针对问题的非线性难点，研究人员 结合群智能算法的思想，提出了自适应多峰生物测定融合算法，大大 提高了解决问题的效率。该方法已经在医学成像领域得到了良好地 应用与推广。

7) 通信领域：在通信领域的底层的路由选择、移动通讯基站的布置优 化、DS-CDMA 等方面都使用了群智能优化算法。相对于经典算法， 群智能算法的可并行性和可分布性的特性得到了充分的发挥。

8) 交通运输领域：交通运输往往需要考虑到交通成本，需要用最少的车 辆数、最小的行程来完成货物的派送；随着城市的发展，交通问题成 为了城市急需解决的大问题，如何规划和控制城市交通，变得异常重 要。群智能算法的研究能够为解决这些问题提供新的思路和办法。

1。3 群智能算法的特性

1。3。1 智能性

群体智能算法通过向大自然界中的某些生命现象或自然现象学习，实现 对于问题的求解，这一类算法中包含了自然界生命现象所具有的自组织、自 学习和自适应性等特性。在运算过程中，通过获取的计算信息自行组织种群

将对解空间进行搜索。种群在搜索过程中依据事先设定的适应度函数值，采 用适者生存、优胜劣汰的方式进化，所以算法具有一定的智能性。由于群体 智能算法具有的这种优点，应用群体智能算法求解问题时，不需要事先对待 求解问题进行详细的求解思路描述。对于某些复杂性高的问题，高效求解成 为可能。

1。3。2    隐含本质的并行性

群体智能算法通过设定相应的种群进化机制完成计算，而种群内的个体 则具有一定的独立性，个体之间或需要，或不需要进行信息交流，而个体的 进化方式则完全取决于自身的状态。所以，对于群体智能算法而言，其个体 之间完全是一种本质上的并行机制。如果使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交流即可（注：信息交流并不是必要的），迭代完成 之后，根据适应度值进行优胜劣汰。所以，群体智能算法这种隐含的本质并 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。 更加适合目前云计算等分布式计算技术迅速发展的背景。

1。3。3    解的近似性

群体智能算法通常来自于对大自然中某种生命或其他事物的智能协作进 化现象的模拟，利用某种进化机制指导种群对解空间进行搜索。由于该类算 法缺乏严格的数学理论支持，对于问题的解空间采用反复迭代的概率性搜索， 所以群体智能算法会存在早熟或解精度较低等问题，而这也是所有群体智能 算法几乎都存在的弱点。所以，很多时候对求解的问题来说，群体智能算法 仅仅得到的是一种最佳解的近似解。

1。4    群智能算法的优点

群智能优化算法是一种概率性搜索算法，与绝大多数经典传统优化算法 相比较，具有以下优点：

(1) 种群个体非常简单，个体与环境的交互拥有良好的自组织性，适合分 布式控制和并行控制；

(2)  个体与个体之间为非直接交流方式，每个个体都是通过自身对环境文献综述

的理解与感知来进行协作的，这种方式保障了系统扩展十分容易、不易受到 其他因素干扰，十分安全可靠。