由浅入深介绍智能之群智能

董垚

近年来，在计算智能领域里，有一类主要针对模拟自然界生物群体智能行为的群智能算法备受国内外学者关注。创立于20世纪60年代的仿生学，为模仿生物特性和功能，发展和创立了很多理论和实用工具，在这样的背景下，一些学者开始关注社会性动物的自组织行为，研究发现，行为非常简单、能力非常有限、几乎没有意识和智能的个体，当他们一起协同工作的时候，却能够“涌现”出非常复杂的行为特征，并且这种行为特征并非是一种简单的个体行为能力的叠加。人们从这些现象得到启发，通过研究群体生活的昆虫等动物的社会行为，提出了模拟生物系统中群体生活习性的群智能算法。在群智能算法中，每个个体不具有或仅具有简单的智能，在没有集中控制和全局模型的前提下，个体之间能够通过局部信息交互，表现出群体智慧，实现复杂分不是问题的求解。

“群智能”这个专业术语最早出现在1989年，由Beni等再研究元胞机器人系统中提出。典型的群智能由一群有局部影响的简单的单元和他们所在的环境构成。尽管群智能系统中没有集中的控制结构来指导这些单元的行为，但是他们之间的局部影响往往能产生全局的涌现行为。1999年群智能的一个相对全面的定义被Bonabeau首次提出：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均属于群智能。群智能中的“群”可以被看做是一些相互之间会有影响和作用的相邻个体的集合，如生物群落中的蚁群、鸟群、鱼群、蜂群等。这些群体中的个体不仅可以通过自身气管获取信息，还可以通过与群体中其他个体的信息交互获取群体所处环境和其他个体的信息，并根据这些信息对自身的一些行为和规范进行调整，实现群体对环境的较强适应能力。
目前，群智能的算法主要有以下几种：模拟蚂蚁觅食行为的蚁群算法（ant colony optimization，ACO）；模拟鸟类飞行行为的粒子群算法（particle swarm optimization，PSO）；模拟鱼类生存习性的人工鱼群算法（artificial fish schooling algorithm，AFSA）；模拟青蛙迷失的混合蛙跳算法（shuffled frog leaping algorithm，SFLA）；模拟蜂群生活习性的蜂群算法（bee system algorithm，BSA）等。
群智能算法具有以下特点：（1）群体中相互作用的个体是分布式的，不存在直接的中心控制，不会因为个别个体出现故障而影响群体对问题的求解，具有较强的鲁棒性；（2）每个个体智能感知局部信息，个体的能力或遵循规则非常简单，能够对环境变化有自适应性和快速反应性；（3）系统用于通信的开销较少，易于扩充；（4）自组织性，即群体表现出来的复杂行为是通过简单个体的交互表现出哥都的智能。