關(guān)于作者
一個(gè)畢業(yè)于北京大學(xué)數(shù)學(xué)力學(xué)系，在中國科學(xué)院計(jì)算所、計(jì)算中心和網(wǎng)絡(luò)中心工作過，在澳大利亞科工組織DMS、香港浸會(huì)學(xué)院數(shù)學(xué)系和中國21世紀(jì)議程管理中心等處工作過，多次獲國家和中科院科技獎(jiǎng)并享受政府特殊津貼的退休老頭。現(xiàn)在在【中國科普博覽】網(wǎng)“科學(xué)新語林”欄目里開設(shè)一個(gè)《數(shù)學(xué)與計(jì)算機(jī)》的個(gè)人專欄，愿和愛好數(shù)學(xué)與計(jì)算機(jī)的各界網(wǎng)友和青少年朋友，談?wù)剬?duì)數(shù)學(xué)與計(jì)算機(jī)的看法、想法。
《常用算法之智能計(jì)算(六)》：群智能計(jì)算
張建中
2018年12月19日
群智能計(jì)算(Swarm Intelligence Computing)，又稱群體智能計(jì)算或群集智能計(jì)算，是指一類受昆蟲、獸群、鳥群和魚群等的群體行為啟發(fā)而設(shè)計(jì)出來的具有分布式智能行為特征的一些智能算法。群智能中的“群”指的是一組相互之間可以進(jìn)行直接或間接通信的群體；“群智能”指的是無智能的群體通過合作表現(xiàn)出智能行為的特性。智能計(jì)算作為一種新興的計(jì)算技術(shù)，受到越來越多研究者的關(guān)注，并和人工生命、進(jìn)化策略以及遺傳算法等有著極為特殊的聯(lián)系，已經(jīng)得到廣泛的應(yīng)用。群智能計(jì)算在沒有集中控制并且不提供全局模型的前提下，為尋找復(fù)雜的分布式問題的解決方案提供了基礎(chǔ)。
對(duì)一般群智能計(jì)算，通常要求滿足以下五條基本原則：
蟻群算法(Ant Colony Algorithm)，受螞蟻覓食過程及其通信機(jī)制的啟發(fā)，對(duì)螞蟻群落的食物采集過程進(jìn)行模擬，可用來解決計(jì)算機(jī)算法中的經(jīng)典“貨郎擔(dān)問題”，即求出需要對(duì)所有n個(gè)城市進(jìn)行訪問且只訪問一次的最短路徑及其距離。
在解決貨郎擔(dān)問題時(shí)，蟻群算法設(shè)計(jì)的虛擬“螞蟻”將摸索不同路線，并留下會(huì)隨時(shí)間逐漸消失的虛擬“信息素”。虛擬的“信息素”會(huì)因揮發(fā)而減少；每只螞蟻每次隨機(jī)選擇要走的路徑，它們傾向于選擇路徑比較短的、信息素比較濃的路徑。根據(jù)“信息素較濃的路線更近”的原則，即可選擇出最佳路線。由于這個(gè)算法利用了正反饋機(jī)制，使得較短的路徑能夠有較大的機(jī)會(huì)得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優(yōu)解。蟻群算法具有很多特點(diǎn)，簡單說來，它是一種自組織的并行算法，具有較強(qiáng)的算法的可靠性、穩(wěn)健性和全局搜索能力。
蟻群基本算法由三個(gè)操作過程組成，它們分別是解構(gòu)建，信息素更新和后臺(tái)操作。
（1）解構(gòu)建：一定數(shù)目的虛擬螞蟻在完全連接圖中按照某種規(guī)則出發(fā)，各自獨(dú)立地根據(jù)信息素和啟發(fā)式信息，采用一個(gè)概率規(guī)則選擇下一步的移動(dòng)，直到建立優(yōu)化問題一個(gè)完整的解，并對(duì)構(gòu)成的解進(jìn)行質(zhì)量評(píng)估。
（2）信息素更新：包括信息素的釋放過程和蒸發(fā)過程。信息素釋放往往根據(jù)構(gòu)成解的質(zhì)量決定釋放量的大小，而信息素蒸發(fā)通常是以一個(gè)固定比例值衰減所有邊上的信息素。整個(gè)更新過程一般是在解的構(gòu)建完成后，但有時(shí)也會(huì)出現(xiàn)在解構(gòu)建的每一步中。每條邊上信息素的量直接影響螞蟻對(duì)這條邊的選擇概率，因而信息素的分布情況決定了整個(gè)蟻群的搜索空間方向。
（3）后臺(tái)操作：以靈活的機(jī)制執(zhí)行單獨(dú)螞蟻不能完成的宏觀操作，如搜集全局信息素情況，采取局部搜索措施等，從而對(duì)整個(gè)算法的行為進(jìn)行調(diào)控。
以上三個(gè)操作過程的結(jié)合方式是根據(jù)算法設(shè)計(jì)者考慮問題特征時(shí)自由指定的，可以并行、獨(dú)立、交叉以及同步，從某種程度上來說它們之間是相互作用的。
蟻群算法對(duì)于解決貨郎擔(dān)問題并不是最好的方法，但它首先提出了一種解決貨郎擔(dān)問題的新思路；其次，由于這種算法特有的解決方案，已成功用于解決其他組合優(yōu)化問題，如圖著色、最短超串等；最后，通過對(duì)蟻群算法進(jìn)行的精心研究和應(yīng)用開發(fā)，現(xiàn)己被大量應(yīng)用于數(shù)據(jù)分析、機(jī)器人協(xié)作問題求解，也在電力、通信、水利、采礦、化工、建筑、交通等領(lǐng)域得到成功的應(yīng)用。
蜂群算法（Bee Colony Algorithm）根據(jù)蜜蜂各自的分工不同，對(duì)蜂群信息共享和交流及進(jìn)行采蜜活動(dòng)等的觀察和研究，對(duì)蜂群的采蜜行為進(jìn)行計(jì)算機(jī)模擬，以此找到問題的最優(yōu)解，是一種基于群智能的全局優(yōu)化算法。
經(jīng)過對(duì)蜜蜂采蜜機(jī)制的觀察和研究，可將除蜂王外的整個(gè)蜂群的蜜蜂分為三類，即采蜜蜂、觀察蜂和偵察蜂，整個(gè)蜂群的目標(biāo)是尋找花蜜量最大的蜜源。在蜂群算法中，采蜜蜂利用先前的蜜源信息采蜜，尋找新的蜜源并與觀察蜂分享蜜源信息；觀察蜂依據(jù)與采蜜蜂分享的信息尋找新的蜜源；偵查蜂的任務(wù)是尋找一個(gè)新的更有價(jià)值的蜜源，它們?cè)诜浞扛浇S機(jī)地尋找蜜源。蜂群算法通過對(duì)三類蜜蜂功能的模擬，以尋找最短路徑、最大蜜源為目標(biāo)，用于尋求問題的最優(yōu)解。
狼群算法（Wolf？Colony Algorithm）是基于狼群群體智能，模擬狼群捕食行為及其獵物分配方式，抽象出游走、召喚、圍攻三種智能行為以及“勝者為王”的頭狼產(chǎn)生規(guī)則和“強(qiáng)者生存”的狼群更新機(jī)制，提出一種新的群智能算法。算法采用基于狼主體的自下而上的設(shè)計(jì)方法和基于職責(zé)分工的協(xié)作式搜索路徑結(jié)構(gòu)，通過狼群個(gè)體對(duì)獵物氣味、環(huán)境信息的探知、人工狼相互間信息的共享和交互以及人工狼基于自身職責(zé)的個(gè)體行為決策最終實(shí)現(xiàn)了狼群捕獵的全過程模擬。
粒子群算法（Particle Swarm Algorithm）源于對(duì)鳥群和獸群捕食行為的研究，基本核心是利用群體中的個(gè)體對(duì)信息的共享從而使得整個(gè)群體的運(yùn)動(dòng)在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得問題的最優(yōu)解。
可以利用一個(gè)有關(guān)粒子群算法的經(jīng)典描述，對(duì)粒子群算法進(jìn)行直觀描述和簡要介紹。
設(shè)想這么一個(gè)場景：一群鳥進(jìn)行覓食，而遠(yuǎn)處有一片玉米地，所有的鳥都不知道玉米地到底在哪里，但是它們知道自己當(dāng)前的位置距玉米地不遠(yuǎn)。找到玉米地的最佳策略，就是搜尋目前距離玉米地最近的周圍區(qū)域。粒子群算法就是從這種群體覓食的行為中得到了啟示，從而構(gòu)建的一種優(yōu)化模型。
在粒子群算法中，把搜索空間中的鳥稱之為“粒子”，而問題的“最優(yōu)解”對(duì)應(yīng)為鳥群要尋找的“玉米地”。所有的粒子都具有一個(gè)位置向量（粒子在解空間的位置）和速度向量（決定下次飛行的方向和速度），并可以根據(jù)目標(biāo)函數(shù)來計(jì)算當(dāng)前的所在位置的適應(yīng)值，可以將其理解為距離“玉米地”的距離。在每次的迭代中，群中的粒子除了根據(jù)自身的“經(jīng)驗(yàn)”（歷史位置）進(jìn)行學(xué)習(xí)以外，還可以根據(jù)種群中最優(yōu)粒子的“經(jīng)驗(yàn)”來學(xué)習(xí)，從而確定下一次迭代時(shí)需要如何調(diào)整和改變飛行的方向和速度，進(jìn)行逐步迭代，最終整個(gè)種群的粒子就會(huì)逐步趨于最優(yōu)解。
粒子群算法的計(jì)算步驟如下：
步驟1 ？種群初始化：可以進(jìn)行隨機(jī)初始化或者根據(jù)被優(yōu)化的問題設(shè)計(jì)特定的初始化方法，然后計(jì)算個(gè)體的適應(yīng)值，從而選擇出個(gè)體的局部最優(yōu)位置向量和種群的全局最優(yōu)位置向量。
步驟2 ？迭代設(shè)置：設(shè)置迭代次數(shù)；
步驟3 ？速度更新：更新每個(gè)個(gè)體的速度向量；
步驟4 ？位置更新：更新每個(gè)個(gè)體的位置向量；
步驟5 ？局部位置向量和全局位置向量更新；
步驟6 ？終止條件判斷：判斷迭代次數(shù)是否達(dá)到要求，如滿足，輸出計(jì)算結(jié)果；否則繼續(xù)進(jìn)行迭代，跳轉(zhuǎn)至步驟3。
在粒子群算法的應(yīng)用中，主要是對(duì)速度和位置向量迭代算子的設(shè)計(jì)。迭代算子是否有效將決定整個(gè)粒子群算法算法性能的優(yōu)劣，所以如何設(shè)計(jì)粒子群算法的迭代算子是粒子群算法算法應(yīng)用的研究重點(diǎn)和難點(diǎn)。
通過上面幾個(gè)群智能算法的介紹，不難看出，它們一般都具有如下一些特點(diǎn)：群體中相互合作的個(gè)體是分布式的，這樣更能夠適應(yīng)當(dāng)前網(wǎng)絡(luò)環(huán)境下的工作狀態(tài)；沒有中心的控制與數(shù)據(jù)，這樣的系統(tǒng)更具有穩(wěn)健性，不會(huì)由于某一個(gè)或者某幾個(gè)個(gè)體的故障而影響整個(gè)問題的求解；可以不通過個(gè)體之間直接通信而是通過非直接通信進(jìn)行合作，這樣的系統(tǒng)具有更好的可擴(kuò)充性；由于系統(tǒng)中個(gè)體的增加而隨之增加的開銷十分小，系統(tǒng)中每個(gè)個(gè)體的能力十分簡單，這樣每個(gè)個(gè)體的執(zhí)行時(shí)間比較短，并且實(shí)現(xiàn)起來也比較簡單，具有簡單性，在計(jì)算機(jī)上容易實(shí)現(xiàn)編程和并行處理。
此外，需要對(duì)群智能算法實(shí)行進(jìn)一步研發(fā)和改進(jìn)，經(jīng)常遇到的問題有：
群體智能來源于對(duì)自然界中生物群體行為的模擬，而智能個(gè)體在群體中的行為在很多方面類似于生物群體在自然環(huán)境中的生態(tài)行為，物種乃至整個(gè)生態(tài)系統(tǒng)的進(jìn)化都離不開種群之間的協(xié)同作用。因此，可以從自然界中獲取很多具有參考意義的科學(xué)法則以及相關(guān)理論，用來指導(dǎo)群體智能計(jì)算模式的研究及其算法改進(jìn)。如借鑒自然界中種群生態(tài)學(xué)中的競爭、捕食和協(xié)同進(jìn)化等機(jī)制以及自然系統(tǒng)中的混沌現(xiàn)象與機(jī)理以及運(yùn)行規(guī)律來進(jìn)行群體智能計(jì)算模式的設(shè)計(jì)與改進(jìn)研究，將是一個(gè)很有意義的研究領(lǐng)域。
群智能計(jì)算因?yàn)榫哂幸陨现T多特點(diǎn)，雖說研究還處于初級(jí)階段，理論上存在不少缺空，并有諸多困難和問題，但是由于其具有的分布式、自組織、協(xié)作性、穩(wěn)健性和實(shí)現(xiàn)簡單等特點(diǎn)，在諸如優(yōu)化問題求解、機(jī)器人領(lǐng)域、電力系統(tǒng)領(lǐng)域、網(wǎng)絡(luò)及通訊領(lǐng)域、計(jì)算機(jī)領(lǐng)域、交通領(lǐng)域和半導(dǎo)體制造領(lǐng)域等取得了較為成功的應(yīng)用，為尋找復(fù)雜問題的解決方案提供了快速可靠的基礎(chǔ)，為人工智能、認(rèn)知科學(xué)等領(lǐng)域的基礎(chǔ)理論問題的研究開辟了新的途徑。因此，可以預(yù)見群智能的研究代表了以后各類算法研究發(fā)展的一個(gè)重要方向，具有重要意義和廣闊的不可忽視的應(yīng)用前景，會(huì)逐漸成為一個(gè)新的重要研究方向，值得給予更多的重視。
對(duì)一般群智能計(jì)算，通常要求滿足以下五條基本原則：
- 鄰近原則：群內(nèi)的個(gè)體具有對(duì)簡單的空間或時(shí)間進(jìn)行計(jì)算和評(píng)估的能力；
- 品質(zhì)原則：群內(nèi)的個(gè)體具有對(duì)環(huán)境以及群內(nèi)其他個(gè)體的品質(zhì)作出響應(yīng)的能力；
- 多樣性原則：群內(nèi)的不同個(gè)體能夠?qū)Νh(huán)境中某些變化做出不同的多樣反應(yīng)；
- 穩(wěn)定性原則：群內(nèi)個(gè)體的行為模式不會(huì)在每次環(huán)境發(fā)生變化時(shí)都發(fā)生改變；
- 適應(yīng)性原則：群內(nèi)個(gè)體能夠在所需代價(jià)不高的情況下，適當(dāng)改變自身的行為模式。
蟻群算法(Ant Colony Algorithm)，受螞蟻覓食過程及其通信機(jī)制的啟發(fā)，對(duì)螞蟻群落的食物采集過程進(jìn)行模擬，可用來解決計(jì)算機(jī)算法中的經(jīng)典“貨郎擔(dān)問題”，即求出需要對(duì)所有n個(gè)城市進(jìn)行訪問且只訪問一次的最短路徑及其距離。
在解決貨郎擔(dān)問題時(shí)，蟻群算法設(shè)計(jì)的虛擬“螞蟻”將摸索不同路線，并留下會(huì)隨時(shí)間逐漸消失的虛擬“信息素”。虛擬的“信息素”會(huì)因揮發(fā)而減少；每只螞蟻每次隨機(jī)選擇要走的路徑，它們傾向于選擇路徑比較短的、信息素比較濃的路徑。根據(jù)“信息素較濃的路線更近”的原則，即可選擇出最佳路線。由于這個(gè)算法利用了正反饋機(jī)制，使得較短的路徑能夠有較大的機(jī)會(huì)得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優(yōu)解。蟻群算法具有很多特點(diǎn)，簡單說來，它是一種自組織的并行算法，具有較強(qiáng)的算法的可靠性、穩(wěn)健性和全局搜索能力。
蟻群基本算法由三個(gè)操作過程組成，它們分別是解構(gòu)建，信息素更新和后臺(tái)操作。
（1）解構(gòu)建：一定數(shù)目的虛擬螞蟻在完全連接圖中按照某種規(guī)則出發(fā)，各自獨(dú)立地根據(jù)信息素和啟發(fā)式信息，采用一個(gè)概率規(guī)則選擇下一步的移動(dòng)，直到建立優(yōu)化問題一個(gè)完整的解，并對(duì)構(gòu)成的解進(jìn)行質(zhì)量評(píng)估。
（2）信息素更新：包括信息素的釋放過程和蒸發(fā)過程。信息素釋放往往根據(jù)構(gòu)成解的質(zhì)量決定釋放量的大小，而信息素蒸發(fā)通常是以一個(gè)固定比例值衰減所有邊上的信息素。整個(gè)更新過程一般是在解的構(gòu)建完成后，但有時(shí)也會(huì)出現(xiàn)在解構(gòu)建的每一步中。每條邊上信息素的量直接影響螞蟻對(duì)這條邊的選擇概率，因而信息素的分布情況決定了整個(gè)蟻群的搜索空間方向。
（3）后臺(tái)操作：以靈活的機(jī)制執(zhí)行單獨(dú)螞蟻不能完成的宏觀操作，如搜集全局信息素情況，采取局部搜索措施等，從而對(duì)整個(gè)算法的行為進(jìn)行調(diào)控。
以上三個(gè)操作過程的結(jié)合方式是根據(jù)算法設(shè)計(jì)者考慮問題特征時(shí)自由指定的，可以并行、獨(dú)立、交叉以及同步，從某種程度上來說它們之間是相互作用的。
蟻群算法對(duì)于解決貨郎擔(dān)問題并不是最好的方法，但它首先提出了一種解決貨郎擔(dān)問題的新思路；其次，由于這種算法特有的解決方案，已成功用于解決其他組合優(yōu)化問題，如圖著色、最短超串等；最后，通過對(duì)蟻群算法進(jìn)行的精心研究和應(yīng)用開發(fā)，現(xiàn)己被大量應(yīng)用于數(shù)據(jù)分析、機(jī)器人協(xié)作問題求解，也在電力、通信、水利、采礦、化工、建筑、交通等領(lǐng)域得到成功的應(yīng)用。
蜂群算法（Bee Colony Algorithm）根據(jù)蜜蜂各自的分工不同，對(duì)蜂群信息共享和交流及進(jìn)行采蜜活動(dòng)等的觀察和研究，對(duì)蜂群的采蜜行為進(jìn)行計(jì)算機(jī)模擬，以此找到問題的最優(yōu)解，是一種基于群智能的全局優(yōu)化算法。
經(jīng)過對(duì)蜜蜂采蜜機(jī)制的觀察和研究，可將除蜂王外的整個(gè)蜂群的蜜蜂分為三類，即采蜜蜂、觀察蜂和偵察蜂，整個(gè)蜂群的目標(biāo)是尋找花蜜量最大的蜜源。在蜂群算法中，采蜜蜂利用先前的蜜源信息采蜜，尋找新的蜜源并與觀察蜂分享蜜源信息；觀察蜂依據(jù)與采蜜蜂分享的信息尋找新的蜜源；偵查蜂的任務(wù)是尋找一個(gè)新的更有價(jià)值的蜜源，它們?cè)诜浞扛浇S機(jī)地尋找蜜源。蜂群算法通過對(duì)三類蜜蜂功能的模擬，以尋找最短路徑、最大蜜源為目標(biāo)，用于尋求問題的最優(yōu)解。
狼群算法（Wolf？Colony Algorithm）是基于狼群群體智能，模擬狼群捕食行為及其獵物分配方式，抽象出游走、召喚、圍攻三種智能行為以及“勝者為王”的頭狼產(chǎn)生規(guī)則和“強(qiáng)者生存”的狼群更新機(jī)制，提出一種新的群智能算法。算法采用基于狼主體的自下而上的設(shè)計(jì)方法和基于職責(zé)分工的協(xié)作式搜索路徑結(jié)構(gòu)，通過狼群個(gè)體對(duì)獵物氣味、環(huán)境信息的探知、人工狼相互間信息的共享和交互以及人工狼基于自身職責(zé)的個(gè)體行為決策最終實(shí)現(xiàn)了狼群捕獵的全過程模擬。
粒子群算法（Particle Swarm Algorithm）源于對(duì)鳥群和獸群捕食行為的研究，基本核心是利用群體中的個(gè)體對(duì)信息的共享從而使得整個(gè)群體的運(yùn)動(dòng)在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得問題的最優(yōu)解。
可以利用一個(gè)有關(guān)粒子群算法的經(jīng)典描述，對(duì)粒子群算法進(jìn)行直觀描述和簡要介紹。
設(shè)想這么一個(gè)場景：一群鳥進(jìn)行覓食，而遠(yuǎn)處有一片玉米地，所有的鳥都不知道玉米地到底在哪里，但是它們知道自己當(dāng)前的位置距玉米地不遠(yuǎn)。找到玉米地的最佳策略，就是搜尋目前距離玉米地最近的周圍區(qū)域。粒子群算法就是從這種群體覓食的行為中得到了啟示，從而構(gòu)建的一種優(yōu)化模型。
在粒子群算法中，把搜索空間中的鳥稱之為“粒子”，而問題的“最優(yōu)解”對(duì)應(yīng)為鳥群要尋找的“玉米地”。所有的粒子都具有一個(gè)位置向量（粒子在解空間的位置）和速度向量（決定下次飛行的方向和速度），并可以根據(jù)目標(biāo)函數(shù)來計(jì)算當(dāng)前的所在位置的適應(yīng)值，可以將其理解為距離“玉米地”的距離。在每次的迭代中，群中的粒子除了根據(jù)自身的“經(jīng)驗(yàn)”（歷史位置）進(jìn)行學(xué)習(xí)以外，還可以根據(jù)種群中最優(yōu)粒子的“經(jīng)驗(yàn)”來學(xué)習(xí)，從而確定下一次迭代時(shí)需要如何調(diào)整和改變飛行的方向和速度，進(jìn)行逐步迭代，最終整個(gè)種群的粒子就會(huì)逐步趨于最優(yōu)解。
粒子群算法的計(jì)算步驟如下：
步驟1 ？種群初始化：可以進(jìn)行隨機(jī)初始化或者根據(jù)被優(yōu)化的問題設(shè)計(jì)特定的初始化方法，然后計(jì)算個(gè)體的適應(yīng)值，從而選擇出個(gè)體的局部最優(yōu)位置向量和種群的全局最優(yōu)位置向量。
步驟2 ？迭代設(shè)置：設(shè)置迭代次數(shù)；
步驟3 ？速度更新：更新每個(gè)個(gè)體的速度向量；
步驟4 ？位置更新：更新每個(gè)個(gè)體的位置向量；
步驟5 ？局部位置向量和全局位置向量更新；
步驟6 ？終止條件判斷：判斷迭代次數(shù)是否達(dá)到要求，如滿足，輸出計(jì)算結(jié)果；否則繼續(xù)進(jìn)行迭代，跳轉(zhuǎn)至步驟3。
在粒子群算法的應(yīng)用中，主要是對(duì)速度和位置向量迭代算子的設(shè)計(jì)。迭代算子是否有效將決定整個(gè)粒子群算法算法性能的優(yōu)劣，所以如何設(shè)計(jì)粒子群算法的迭代算子是粒子群算法算法應(yīng)用的研究重點(diǎn)和難點(diǎn)。
通過上面幾個(gè)群智能算法的介紹，不難看出，它們一般都具有如下一些特點(diǎn)：群體中相互合作的個(gè)體是分布式的，這樣更能夠適應(yīng)當(dāng)前網(wǎng)絡(luò)環(huán)境下的工作狀態(tài)；沒有中心的控制與數(shù)據(jù)，這樣的系統(tǒng)更具有穩(wěn)健性，不會(huì)由于某一個(gè)或者某幾個(gè)個(gè)體的故障而影響整個(gè)問題的求解；可以不通過個(gè)體之間直接通信而是通過非直接通信進(jìn)行合作，這樣的系統(tǒng)具有更好的可擴(kuò)充性；由于系統(tǒng)中個(gè)體的增加而隨之增加的開銷十分小，系統(tǒng)中每個(gè)個(gè)體的能力十分簡單，這樣每個(gè)個(gè)體的執(zhí)行時(shí)間比較短，并且實(shí)現(xiàn)起來也比較簡單，具有簡單性，在計(jì)算機(jī)上容易實(shí)現(xiàn)編程和并行處理。
此外，需要對(duì)群智能算法實(shí)行進(jìn)一步研發(fā)和改進(jìn)，經(jīng)常遇到的問題有：
- 從上面已經(jīng)列出的十多種群智能算法來看，類似性似乎比較多，應(yīng)按照數(shù)學(xué)的抽象性、理論性、應(yīng)用性和計(jì)算機(jī)程序的編程類似性等進(jìn)行合理整頓，需要合并的就進(jìn)行合并，能略去的就略去，更應(yīng)加強(qiáng)算法收斂性、有效性等的基礎(chǔ)研究；
- 智能算法重在應(yīng)用，要特別加強(qiáng)已有算法的應(yīng)用研究，不斷擴(kuò)大應(yīng)用范圍和領(lǐng)域；
- 對(duì)現(xiàn)有的群智能算法在加強(qiáng)理論研究的同時(shí)，進(jìn)行必要的算法改進(jìn)，提高應(yīng)用的廣泛性和有效性，克服諸如精度不高、收斂速度較慢、容易收斂到局部極小值、多樣性下降過快、參數(shù)敏感等問題；
- 進(jìn)一步尋求更好、更快、更新和更高效的群智能算法。
群體智能來源于對(duì)自然界中生物群體行為的模擬，而智能個(gè)體在群體中的行為在很多方面類似于生物群體在自然環(huán)境中的生態(tài)行為，物種乃至整個(gè)生態(tài)系統(tǒng)的進(jìn)化都離不開種群之間的協(xié)同作用。因此，可以從自然界中獲取很多具有參考意義的科學(xué)法則以及相關(guān)理論，用來指導(dǎo)群體智能計(jì)算模式的研究及其算法改進(jìn)。如借鑒自然界中種群生態(tài)學(xué)中的競爭、捕食和協(xié)同進(jìn)化等機(jī)制以及自然系統(tǒng)中的混沌現(xiàn)象與機(jī)理以及運(yùn)行規(guī)律來進(jìn)行群體智能計(jì)算模式的設(shè)計(jì)與改進(jìn)研究，將是一個(gè)很有意義的研究領(lǐng)域。
群智能計(jì)算因?yàn)榫哂幸陨现T多特點(diǎn)，雖說研究還處于初級(jí)階段，理論上存在不少缺空，并有諸多困難和問題，但是由于其具有的分布式、自組織、協(xié)作性、穩(wěn)健性和實(shí)現(xiàn)簡單等特點(diǎn)，在諸如優(yōu)化問題求解、機(jī)器人領(lǐng)域、電力系統(tǒng)領(lǐng)域、網(wǎng)絡(luò)及通訊領(lǐng)域、計(jì)算機(jī)領(lǐng)域、交通領(lǐng)域和半導(dǎo)體制造領(lǐng)域等取得了較為成功的應(yīng)用，為尋找復(fù)雜問題的解決方案提供了快速可靠的基礎(chǔ)，為人工智能、認(rèn)知科學(xué)等領(lǐng)域的基礎(chǔ)理論問題的研究開辟了新的途徑。因此，可以預(yù)見群智能的研究代表了以后各類算法研究發(fā)展的一個(gè)重要方向，具有重要意義和廣闊的不可忽視的應(yīng)用前景，會(huì)逐漸成為一個(gè)新的重要研究方向，值得給予更多的重視。