人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。
（1）人工智能对自然科学的影响。在需要使用数学计算机工具解决问题的学科，AI带来的帮助不言而喻。更重要的是，AI反过来有助于人类最终认识自身智能的形成。
（2）人工智能对经济的影响。专家系统更深入各行各业，带来巨大的宏观效益。AI也促进了计算机工业网络工业的发展。但同时，也带来了劳务就业问题。由于AI在科技和工程中的应用，能够代替人类进行各种技术工作和脑力劳动，会造成社会结构的剧烈变化。
（3）人工智能对社会的影响。AI也为人类文化生活提供了新的模式。现有的游戏将逐步发展为更高智能的交互式文化娱乐手段，今天，游戏中的人工智能应用已经深入到各大游戏制造商的开发中。
1.3本文研究内容与创新点
自然界群体智能运动在多目标优化问题求解中有成功的应用。有人通过对微粒群算法全局极值和个体极值选取方式的改进，提出一种用于求解多目标优化问题的算法，实现了对多目标优化问题非劣最优解集的搜索。另外，考虑到有固定或自适应权重的加权聚类技巧，并将遗传算法多目标优化的XEGA方法引入微粒
群算法，提出一种可以有效处理多目标优化问题的多群体微粒群算法。此外，有人利用微粒群算法实现了在连续变化动态环境下对多个峰值的有效跟踪。在实际的优化应用中，群体智能算法还被用于许多工程优化问题的求解，如神经网络进化、电路设计、数字滤波器设计、半导体器件综合和布局优化等。
本文主要开展以下研究工作：
（1）在群体智能计算模式的统一性框架指导下，对广义的群体智能进行多样性研究，完成对随机运动模式的表达的准确求证。并以目前最受关注的一种群体智能实现模式——智能微粒群算法为例，进行群体智能多样性的具体的典型实例研究。
（2）对群体智能算法的寻优动态效能评价模式研究，在智能优化基本指标体系的指导下，以微粒群算法的函数优化问题为例，构建一种能够综合评价算法整体优化性能和群体总体寻优动态的微粒群优化动态效能评价模式体系，并分别对算法最优值动态、群体聚合度动态、重心收敛度动态和群体多样性动态等评价模式进行了实例仿真和有效性验证。 贻贝群随机运动的河床模式形成模拟(8):http://www.youerw.com/shuxue/lunwen_37770.html