智能优化算法与涌现计算
第三篇 群智能优化算法
群智能（Swarm Intelligence）是指由一群具有简单（低级）智能的昆虫或动物通过任何形式的聚集、协同、适应等行为，从而表现出个体所不具有的较高级的群体智能。因此，群智能可视为群聚智能、群集智能的简称。具体来说，如蚂蚁、蜜蜂、鸟群、鱼群等个体的动作、行为虽然简单，呈现出较低级智能，但这些个体集结成群，相互作用，相互协作，就可以完成筑巢、觅食、避险等复杂任务，群体就呈现出自适应的较高智能。
“群智能优化算法”是指模拟自然界群居动物的觅食、繁殖等行为或者动物群体的捕猎策略等对问题求解的优化算法，包括以下34种算法。
1. 蚁群优化算法／蚁狮优化算法【我.爱.线.报.网.】蚂蚁有能力在没有任何可见提示下找出从蚁穴到食物源的最短路径，并能随环境变化而自适应地搜索新的路径。蚁群优化算法模拟蚂蚁觅食过程的优化机理，对组合优化问题或函数优化问题进行求解。
蚁狮优化算法模拟蚁狮构造沙坑陷阱，诱导蚂蚁落入陷阱，作为猎物进行捕食的行为。该算法通过蚂蚁随机游走、重筑陷阱和精英更新操作来实现对函数优化问题的求解。
2. 粒子群优化算法模拟鸟群飞行过程中每只鸟既要飞离最近的个体（防碰撞），又要飞向群体的中心（防离群），还要飞向目标（食物源、巢穴等），就要根据自身经历的最好位置及群体中所有的鸟经历过的最好位置校正它的飞行方向，实现对连续优化问题求解。
3. 人工蜂群算法／蜂群优化算法蜂群算【我.爱.线.报.网.】法包括两种：基于采蜜机理的人工蜂群算法（ABC）和基于繁殖机理的蜂群优化算法（BCO）。ABC算法通过引领蜂、跟随蜂和侦察蜂的协作实现对食物源的优化搜索；BCO算法由蜂王、雄蜂和工蜂组成蜂群，只有蜂王才能与不同雄蜂交配繁育后代，繁殖过程是蜂王不断更新的优化过程，最终的蜂王是优化过程中待求解问题的最优解。
4. 混合蛙跳算法模拟一群青蛙在沼泽地中跳动觅食行为，它以文化算法为框架，局部搜索策略类似粒子群优化的个体进化，全局搜索则包含混合操作。全局性信息交换和内部思想交流机制结合，具有避免过早陷入局部极值点的能力，指引向着全局最优点的方向进行搜索。
5. 人工鱼群算法动物自治体模型是从底层描述生物在复杂【我.爱.线.报.网.】多变环境中自主地产生自适应的智能行为，基于这种模型结构具有自下而上的特点，同基于行为主义的人工智能方法相结合。鱼群算法模拟鱼群觅食、聚群、追尾、随机等行为，自下而上的寻优模式使其具有良好的全局优化能力。
6. 大马哈鱼洄游算法模拟捕食者对洄游大马哈鱼捕食策略，假设大马哈鱼通过两条不同路径回到出生地，洄游中鱼群分为很多个小群体被视为搜索空间的个体，小鱼群密度作为函数适应度值。捕食者们每搜索到一个新的鱼群密度较大区域都会相互交流信息，从而实现种群的一次位置更新，不断地更新直至密集度最大的大马哈鱼群被捕获，相当于问题求得了极值点。
7. 鲸鱼优化算法群居为主的鲸鱼觅食成群磷虾和小鱼，鲸鱼独特的泡泡网捕食【我.爱.线.报.网.】行为分为两个阶段：在向上螺旋阶段先在12米下潜水，开始围绕猎物螺旋形成泡泡并向上游去；双循环阶段包括珊瑚循环、尾叶拍打水面和捕获循环。鲸鱼优化算法包括收缩包围机制和螺旋更新位置以模拟鲸鱼群体包围、追捕、攻击猎物等过程实现优化搜索。
8. 磷虾算法磷虾觅食过程中个体的运动明显受到食物位置和虾群密度的影响，每个磷虾个体通过全局最优食物信息和相邻个体的局部位置信息的共同引导向全局最优点进行移动，从而形成稳定的虾群结构并不断地朝着食物位置移动。磷虾算法同时模拟磷虾个体的多种运动特性，兼顾了全局探索能力与局部开采能力之间的平衡，实现了对优化问题的求解。
9. 细菌觅食优化算法基于大肠杆菌生物模型，模拟大肠杆【我.爱.线.报.网.】菌的觅食行为的一种仿生全局随机搜索算法。该算法通过趋向性操作、复制操作和迁徙操作模拟大肠杆菌的趋化行为、复制行为、迁徙行为和描述生物群体感应机制的聚集行为，具有并行处理、全局搜索等特点。
10. 细菌（群体）趋药性算法细菌趋药性算法是模拟单个细菌在化学引诱剂环境中的运动行为的智能优化算法。细菌群体趋药性算法针对细菌趋药性算法只依赖单个细菌的运动行为，缺乏考虑在引诱剂环境下细菌群中细菌个体之间的信息交互模式等不足进行了改进，使其全局性、快速性、精度等得到了较大的提高。
11. 细菌菌落优化算法模拟细菌菌落生长演化的繁殖规律，根据细菌在培养液中的觅食行为，建立算法中个体泳动、翻滚、停留等运动方式。借鉴【我.爱.线.报.网.】菌落中细菌信息交互方式，建立个体信息共享机制。在没有任何迭代次数或精度要求的条件下，该算法会随着菌落的消失而自然结束，并且可以保持一定的精度。
12. 猫群优化算法猫具有对移动目标强烈的好奇本性和天生的狩猎技能，其行为概括为搜寻行为和跟踪行为。模拟搜寻模式（全局搜索）和跟踪模式（局部搜索）的猫群算法，通过类似粒子群优化方式对跟踪模式的猫的速度和位置不断更新，实现对复杂问题的优化求解。
13. 鼠群优化算法老鼠在觅食过程中选择路径，一是受环境吸引程度的影响，二是根据个体的经验。虽然老鼠不清楚食物的位置，但是每个老鼠都能快速找到最近的食物，同时又具有找到最近食物趋势的最优策略。鼠群优化算法模拟老鼠的觅【我.爱.线.报.网.】食行为，用于求解机器人路径规划问题。
14. 猫鼠种群算法将人工鱼群算法和猫群算法相结合，老鼠行为类似于鱼群算法中的鱼群行为。猫群与鼠群之间既存在竞争又存在捕食关系。猫群具有搜索、捕鼠、跟踪行为。老鼠有觅食、聚群、跟随和随机行为。该算法起初用于解决分散式风力发电优化配置问题。
15. 鸡群优化算法模拟鸡群的等级制度和觅食中的竞争行为，该算法把鸡群分为若干子群，每个子群都由一只公鸡、若干只母鸡和小鸡组成。不同的鸡群在具体的等级制度约束下，在觅食过程中存在着竞争，按照各自的运动规律更新位置搜索，最终搜索到最佳的觅食位置。
16. 狼群算法模拟狼群严密的组织系统和精妙协作的捕猎行为，抽象出游走、召唤、围攻【我.爱.线.报.网.】3种智能行为，“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制，构建包括头狼、探狼和猛狼的人工狼群和猎物的分配原则，从而实现对复杂函数优化问题的求解。
17. 灰狼优化算法通过4种类型的灰狼（α、β、δ、ω）来模拟灰狼种群的社会等级，通过狼群跟踪、包围、追捕、攻击猎物等过程来模拟狼的捕猎行为，实现优化搜索目的。该算法具有较强的搜索能力等特点。
18. 狮子优化算法模拟狮群的社会行为及在捕猎、交配、地域标记、防御和其他竞争过程。算法包括生成解空间、狩猎机制、向安全地方移动、漫游行为、交配。每个狮子被视为优化问题的一个可行解。狮子在狩猎、移动等活动中不断地更新位置以提高自身的捕猎能力。
19. 猴【我.爱.线.报.网.】群算法猴群算法模拟猴群爬山过程的攀爬、眺望、空翻行为，攀爬过程用于找到局部最优解；眺望过程为了找到优于当前解，并接近目标值的点；空翻过程让猴子更快地转移到下一个搜索区域，以便搜索到全局最优解。
20. 雁群优化算法根据雁群结队飞行理论的能量节省和视觉交流两种假说，雁群优化算法提出5条雁群飞行规则假设，即强壮假设、视野假设、全局假设、局部假设及简单假设。将雁群飞行规则假设同粒子群优化算法相结合，视一只雁为一个粒子，从而改进了标准粒子群优化算法，使其变为一种新的雁群优化算法。
21. 候鸟优化算法候鸟迁徙过程中采用V字形飞行编队，既节省能量消耗，又可避免相互碰撞。模拟候鸟自然迁徙行为的候鸟优化算法包括【我.爱.线.报.网.】初始化、领飞鸟进化、跟飞鸟进化和领飞鸟替换4个阶段，具有并行搜索特点。每个个体的进化不仅在其邻域内搜索较优解，还可以利用前面个体产生的未使用的、较优的邻域解来更新个体。
22. 布谷鸟搜索算法模拟布谷鸟借巢生蛋和借鸟孵化繁殖行为及其为产蛋寻巢的莱维飞行策略（短距离小步长和长距离大步长交替出现），布谷鸟搜索算法对布谷鸟寻巢产蛋行为进行了简化、抽象，提出了3个理想化的假设条件，来模拟布谷鸟寻巢产蛋的繁殖行为和寻巢过程的莱维飞行策略，从而实现对优化问题的求解。
23. 萤火虫优化算法／萤火虫算法萤火虫通过闪光吸引异性求偶和猎取食物，还有保护预警等用途。模拟萤火虫发光的生物学特性的萤火虫算法有两种形式：一【我.爱.线.报.网.】种是源于蚁群算法的萤火虫优化算法（GSO）；另一种是源于粒子群算法的萤火虫算法（FA）。
24. 飞蛾扑火优化算法飞蛾扑火优化算法源于对飞蛾横向定位飞行方式的模拟。飞蛾夜间保持相对于月亮的固定角度长距离直线行进。遇到灯光时，飞蛾误认是“月光”并试图直线上与光保持类似角度，导致它不停地绕灯光飞行，并朝向光源会聚，最后“扑火”而死去，相当于算法获得最优解。
25. 蝙蝠算法微型蝙蝠具有惊人的回声定位能力，即使在完全黑暗的环境中，这些蝙蝠也能找到猎物并能区分不同种类的昆虫。蝙蝠算法模拟蝙蝠高级回声定位能力，通过对蝙蝠回声定位行为的公式化描述，从而实现对优化问题的求解。
26. 果蝇优化算法果蝇优化算法模拟【我.爱.线.报.网.】真实果蝇群体的觅食过程。果蝇的嗅觉系统对各种食物的味道非常敏感，每一只果蝇在每一时刻都在感知和寻找气味浓度最大的果蝇所在位置，并以该位置不断地来修改自身飞行方向和飞行距离，经过反复寻找飞行，最终会寻找到食物源。
27. 群居蜘蛛优化算法该算法对群居蜘蛛捕食、交配、蜘蛛网设计中的协作行为进行模拟，个体之间通过蜘蛛网振动的强弱传递有用信息，搜索个体按雌、雄性别分为两类，寻优过程中依照不同的搜索准则，该搜索模式有效避免了个体在优势群体周围的聚集，有效避免了早熟收敛，能够进行全局搜索。
28. 蟑螂优化算法蟑螂是群居的社会性昆虫，虽然视力很差，但嗅觉极为灵敏。蟑螂的社会是平等的。每个蟑螂的觅食、寻找黑暗巢【我.爱.线.报.网.】穴等行为都会引来其同伴的追随。模拟蟑螂觅食行为的蟑螂优化算法利用了蟑螂社会的平等特性和群体智慧，通过群体协作达到寻优的目的。
29. 捕食搜索算法该算法模拟动物捕食策略，先是在整个搜索空间进行全局搜索，直至找到一个较优解；然后在较优解附近的区域进行集中搜索，如果搜索很多次也没有找到更优解，则放弃局部搜索；再在整个搜索空间进行全局搜索，如此循环，直至找到最优解或近似最优解为止。
30. 自由搜索算法自由搜索算法是模拟生物界中相对高等的多种群居动物的觅食习性，采用蚂蚁的信息素指导其行动，借鉴马、牛、羊个体各异的嗅觉和机动性感知能力特征，提出了灵敏度和邻域搜索半径的概念，通过信息素和灵敏度的比较确定寻优【我.爱.线.报.网.】目标。该算法具有较大的灵活性。
31. 食物链算法食物链算法借鉴了作为复杂自适应系统的生态系统进化的观点，引入生命能量系统的相互作用关系及其在生态系统进化中的影响。目的是通过计算机来创造人工生命，利用人工生命体之间及与人工生命环境之间的相互作用产生群落突现现象，并以此来实现全局寻优的过程。
32. 共生生物搜索算法模拟共生生物体在生态系统中生存和繁殖所采用的相互作用策略。算法中新一代的解模仿两种生物之间相互作用，通过个体之间的互利共生、偏利共生、寄生进行信息交互，改善个体适应度值，进而取得优化问题的最优解，并通过种群内个体间的合作与竞争产生群体智能指导优化搜索。
33. 生物地理学优化算法该算法模拟【我.爱.线.报.网.】物种在栖息地之间迁移过程中物种数量的概率曲线存在极值形式的规律。物种数量的概率大，意味着物种通过迁移机制等自然地达到了地理分布的平衡状态，对应求解优化问题获得了极值。
34. 竞争优化算法竞争优化算法使用蚁群算法、粒子群算法、蜂群算法和猫群算法4种优化算法作为竞争者，并通过帝国竞争算法来决定哪些算法可以存活，哪个算法的群体必须增加及哪个算法必须减少。每次迭代后4种算法交互竞争，识别最弱物种并使其最弱成员帮其他物种加强。通过4种算法的不断地交互竞争，最终实现对问题的优化求解。
–>推荐阅读
友情提醒： 请尽量登录购买，防止付款了不发货！
QQ交流群：226333560 站长微信：qgzmt2
