天择，适者生存”的原则[1]
，经过漫长的进化过程之后，在择优方面自然比人类要高
明。自然界历经千万年的演化，为我们创造了一个多姿多彩的世界，如此丰富的物种
使我们不得不惊叹大自然的鬼斧神工。种类繁多的物种经过长期的“优胜劣汰”，逐
渐适应了各种复杂的环境，得以生存和发展。自然界自古以来就是我们人类创造发明
的不竭源泉，人们会从大自然中获得许许多多有益处的启发：动物的进化，免疫系统，
神经系统，DNA 信息和生物群体协作，许多本来很复杂的问题一旦与仿生智能相结合
就变得容易应对了。
许多群居生活的昆虫个体看上去都有自身的行为方式，单独行动均不用专门引导，
但整个群体却表现得很有组织很讲纪律[1]
。科学家研究发现，社会性昆虫的合作行为
是一种高度的自组织。它们是通过个体间的交互行为直接协调工作的，或者是个体与
环境间接交互。这一个个简单的交互行为，单独拿出来毫无优越性，但放在一个种群
里就显得很有必要，能完成很多单个个体做不到的任务。人们已经开始认识到群体智
能的潜力及在各领域的应用前景。
1.2  群体智能优化算法
人类日常生活当中的许许多多重要问题都可能会有N 多种解决方案，我们往往希
望从中选取一个最省事最好用的。能在不改变前提条件的情况下提高生产效率的一类
问题，我们将其归结为优化问题。在科学技术日新月异的发展过程中，优化问题在人
类生产生活的各个方面都有所涉及，已经成为现代科学的重要基石。所以说，我们很
有必要认真地研究优化问题。
欧洲早在十七世纪就有人提出求解最值的问题，也给出了一些求解方法，但并未
形成系统理论。针对小规模的优化问题，用传统的线性规划、非线性规划、整体规划
以及动态规划等算法就可以解决，但一到实际工程中，这些方法就显得力不从心了[2]。
于是，聪明的人类尝试从生物学角度出发，利用高速发展的生物技术来解决组合优化
问题。直至 20 世纪50 年代，人们终于创立了仿生学，通过模拟人或自然生物的行为方式、思文结构等，直观地构造算法模型，解决优化问题。
人们发觉，自然界生物单个个体的能力实际上不算高，但是一个种群就不同了，
不仅仅是个体能力的重复叠加那么简单，而是能够完成对单个个体来说非常困难的工
作，例子有很多，比如说蜂群的采蜜、防御，蚁群的觅食、筑巢等。我们谈群体智能，
实质上就是讲一群可以相互通信（直接或间接）的个体，通过协同合作对问题进行求解[2]
。简单点说，群体智能就是单个低智能个体群聚在一起通过交流协作来完成一些
高级复杂的工作。群体智能优化算法的基本思想就是随机分散搜寻优化空间里的点，
以此模拟生物单个个体，将个体觅食、搬家或者进化等行为类比为求最优解的过程，
再以一个适当的目标函数评估个体之于周围环境的适应程度，然后根据适应度值的大
小选取更好的解代替原先的解，从而令整个群体渐渐地向最优解靠近。
1994 年，科学家Millonas提出了群智能必须依照的 5条基本原则：
（1）相似性原则( Proximity Principle)，由单个个体组成的种群可对时空作简单计算；
（2）品质响应原则(Quality Principle)，种群可响应环境里的品质因子；
（3）多样性反应原则( Principle of Diverse Response)，种群的活动和响应范围不可太狭小； 人工蜂群算法在旅行商问题中的应用研究 (2):http://www.youerw.com/zidonghua/lunwen_12807.html