1.2.2 优化问题局限性

在优化问题解决上，有很多启发式算法求解优化问题提供了很多思考方式与相关求解过程，但最终的结果始终不能让人们达到想要的结果。例如：对尖峰函数相关类型而言，很难寻到最优的点；对一些算法求解多个局部极值的函数而言，该类算法容易进入一个局部最优的死循环里面等。就现在很多已有资料分析，除了进化计算这类算法具有较早的比较完整的一套理论基础外，其他类似的相关算法有群体智能算法，模拟物理原理的算法等，还没有形成一个有效的、完备的理论知识，没有一个我们所定义的一种统一算法框架，有许多难点仍有待思考与挖掘。目前研究的热点问题有[15]：如何由自然系统向优化问题映射，如何由自然进化过程和生物群体行为向优化算法映射，如何从自然规律和生物群体自组织中提取有效的规则应用于算法的搜索策略，各类算法的融合问题，即如何吸取各类算法的优点，扬长避短，以及如何从相似算法中抽取共同的特征建立同类算法的统一框架等。源:自*优尔`%论,文'网·www.youerw.com/

1.3 群体智能

1.3.1 群体智能基础

群体智能（swarm intelligence）一词最早出现在有关元胞机器人控制[16]一文中,用于描述众多简单机器人像机体细胞那样通过与相邻个体交互产生自组织。Bonabeau 等人将群体智能的定义扩展为任何启发于群居性昆虫群体和其他动物群体的集体行为而设计的算法和分布式问题解决的装置[17]。

在大自然中，群居性生物是普遍存在的，例如：虫群、鱼群、蚁群等，这些群体都可以看成一个个独立群集，这些群集不存在所谓的领头羊来协调各个个体的任务，也不存在一个组织来合理分配，虽然各个个体在执行力方面有局限性，但是不代表不能与距离相近的个体产生交互协作的作用来完成一系列生理活动诸如：获取食物、建立生存环境、随环境刺激而产生迁徙、遇到天敌的迅速反应等复杂的群集智能行为。

群体智能的思想就是建立在对这些大量简单生物个体涌现的群体行为认知的基础上，可被定义为一群简单自治智能体涌现出的群集智能[18]。Mark Millonas针对如何采用计算机构建具有合作行为的群集人工生命系统，提出了我们熟知的群体智能领域应该准从和依据的五条基本原则[19]： 

（1）接近原则(Proximity Principle)：种群应该能够进行一些简单计算能力，诸如：空间与时间。

（2）质量原则(Quality  Principle)：种群应该能够对质量因素敏感，在自身环境中能做到一系列的反应。

（3）多元反应原则(Principle of Diverse Response)：种群能够得到自身需求资源的方法不应该将其局限在一个狭小的范围内。

（4）适应原则(Adaptability  Principle)：自身环境产生一定变化时，只要种群有改变现状的机会，即使为此付出一定代价，种群应该改变其现状。

（5）稳定性原则(Stability Principle)：种群遵循适应原则，但不是次次遇见环境变化的时候都做出一定的反应。稳定性对于一个种群而言，它代表了种群内聚的特性通过在种群个体为之反应而位置变化的阶段。

1.3.2 群体智能算法

1.3.2.1 遗传算法

遗传算法（GA）是一种搜索算法，模仿自然选择过程。此启发式（有时也称为超启发式）常规地用于生成优化和搜索问题有用的解决方案。遗传算法属于较大类的进化算法（EA），其中产生解优化使用的技术问题由天然的启发进化，如继承，变异，选择和交叉。

对于复杂的问题反复的适应度函数的评测往往是人工进化算法中最昂贵、最限制段的。寻找到复杂的高维，多模态问题的最佳解决方案往往需要非常昂贵的适应度函数评估。在现实世界中的问题，如结构优化问题，一个单一的功能的评测，可能需要几个小时来完成模拟数天。典型的优化方法无法处理这种类型的问题，有必要选择舍弃一个行之有效的评价，并使用一个近似适应度是计算有效的。显而易见的是近似模型的合并可能是最有前途的方法，文献综述更合乎人们的思维方法使用GA来解决较难的真实生活问题中的一个。