2.2　群智能基本概念

群智能（swarm intelligence）优化算法是当前智能优化领域的研究热点，且已成为交叉学科的一个前沿性研究方向，其应用已经渗透各个领域。作为一种新兴的智能优化技术，群智能研究形成于20世纪90年代^[18-20]，1999年，Bonabeau、Dorigo和Theraulaz在他们的著作Swarm Intelligence：From Natural to Artificial Systems中对群智能进行了详细论述和分析，并对群智能下了一个不严格定义：任何一种由昆虫群体或其他动物社会行为机制而激发设计出的算法或分布式解决问题的策略。在随后的研究中，Bonabeau又将群智能详细阐述为：无智能或简单智能的主体通过任何形式的聚集协同而表现出智能行为的特性。它是一组简单的集体智能的涌现，这里关心的不是个体之间的竞争，而是它们之间的协作。生物群体中的个体之间遵循聚集、分工、避碰、趋同等协作模式，从而涌现出群体智能。^[2]

J. Kennedy和Russell C. Eberhart 2001年出版的专著Swarm Intelligence，可以认为是群智能发展的一个重要里程碑。该书通过观察鸟群的协同运动，开发了微粒群算法这一新的群智能方法。以此为基础提出人的智能源于社会交往，文化和认知是人类社交的结果。这一观点成为群智能发展的基石。群智能思路在没有集中控制且不提供全局模型的前提下，为寻找复杂的分布式问题的求解方案提供了基础。群智能的研究在系统复杂性和NP问题等方面为人工智能、认知科学等领域的基础理论问题研究开辟了新的研究途径，也为组合优化、知识发现等实际复杂工程问题提供了新的解决方法。对群智能的探索极大地丰富了智能优化算法领域的研究。^[21]

1994年，Mark Millonas提出构建一个群体智能系统所应满足的五条基本原则。^[22]

1．接近性原则（proximity principle）：群内个体具有简单的时间或空间的评估和计算能力。

2．优质性原则（quality principle）：群内个体能对环境包括群内其他个体的关键性因素的变化做出响应。

3．多样性反应原则（principle of diverse response）：群内不同个体对环境中的某一变化的响应行为具有多样性。

4．稳定性原则（stability principle）：群体的行为模式不会随环境的变化而整体改变。

5．适应性原则（adaptability principle）：环境若出现群体值得付出代价的改变，群体能够改变其行为模式。

群智能方法广泛应用于人工智能、通信网络和工业生产等领域。已经有大量与群智能方法应用相关的文章发表于国内外各类学术刊物，大量的文献证明了群智能方法能够解决不同领域的许多问题。群智能方法可用于解决许多传统方法无法解决的NP难题，为许多前瞻性的研究提供了新的思路。^[23]

群智能方法易于实现，算法中仅涉及基本的数学操作，数据处理过程对CPU和内存的要求也不高；而且，这种方法只需要目标函数的输出值，而无须其梯度信息。群智能理论和应用方法研究证明，群智能方法是一种能够有效解决大多数全局优化问题的新方法。更为重要的是，群智能潜在的并行性和分布式梯度为处理大量以数据库形式存在的数据提供了技术保证。无论是从理论研究还是应用研究角度分析，群智能理论及其应用研究都具有重要的学术价值和现实意义。