1.1　生物启发式计算研究背景

优化问题普遍存在于人类生活与社会生产的各个方面，随着求解规模越来越庞大、问题日益复杂，人们对优化方法不断地探讨和研究，寄希望于找到更加高效的寻优方案。早在17世纪，欧洲研究者基于运筹学理论，提出了单纯形法、最快梯度下降法、线性规划法等优化方法，并给出了一些求解法则，但是这些算法复杂度大且只适用于求解小规模问题，不适合在实际工程中进行大规模的应用。

随着生物科学的不断发展，人们从大自然中获得了灵感，尝试着从生物学角度，建立系统模型解决复杂优化问题。自20世纪60年代开始，研究者受到生物进化模式的启发，尝试设计一种新型的智能计算理论与方法解决优化问题，从而为解决大规模的复杂优化问题提供新的思路及方法。智能优化算法根据求解类型的不同，可以分为全局搜索算法和局部搜索算法。全局搜索算法探索整个搜索空间的所有信息并产生全局最优解，而局部搜索利用当前解邻近的搜索空间的局部信息产生新解，对应的是局部最优值。与传统的优化方法相比，生物启发式算法因具有高效的优化性能，无须等待优化问题的特殊信息，稳定性强，能够实现渐进式寻优，体现"适者生存，优胜劣汰"的自然选择规律。表1-1给出了当前典型生物启发式计算模式、提出时间、提出者与基本思想。

在生物启发式计算研究领域，借鉴群体行为的智能优化方法是一个重要的分析方法。虽然简单的社会型生物个体觅食行为在结构上相对简单，但当它们一起协同工作时，不仅体现个体的性能，而且表现出非常复杂的行为特征。一个群体的复杂行为是群体中的每一个个体相互作用模式下的结果，这种现象被称作"涌现（emergence）"。例如，蜂群能够通过摆动跳舞的方式招募更多的蜜蜂，进而实现协同工作，完成最佳的蜜源搜索行为；个体能力有限的蚂蚁在没有任何协调的情况下能够完成动态觅食等复杂行为；鸟群和鱼群在没有集中控制的情况下组织成最佳的空间模式，得以协同共生。1999年，Bonabeau、Dorigo和Theraulaz在Swarm intelligence：from natural to artificial system一书中提出：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，均属于群体智能。群体智能优化算法的目标是在没有集中控制并且不提供全局模型的前提下，建立个体的简单行为，利用群体的优势，分布搜索，与邻近个体的局部相互作用，得到更为复杂的行为，从而求解复杂优化问题，实现解决复杂问题的最佳方案。

群体智能算法大多基于生物觅食行为而设计，比如1995年，心理学家Kennedy和电气工程师Eberhart提出了微粒子群优化算法，是一种鸟类群体觅食行为的仿生智能算法，在其优化过程中，将搜索空间的一只鸟，也就是"粒子"看成优化问题的解；1991年，意大利学者Dorigo等通过模拟自然界中蚂蚁群体的觅食行为提出了蚁群算法，蚂蚁将信息素作为选择后续如何行动的一项依据，整个寻优过程是通过多只蚂蚁的协同合作来完成的；1996年，德国生物学家Frisch等提出了人工蜂群算法，通过模拟自然界中蜜蜂群体觅食行为，认为包含有关食物及地点的相关信息蕴含在蜜蜂采蜜时的跳舞表现中，同样地，最终解的寻优过程是通过蜜蜂群体协作实现的；2002年，浙江大学李晓磊博士提出了人工鱼群算法，是通过模拟鱼群觅食行为，将少量的邻近个体游动的方向和速度作为依据，通过群体协同完成；2003年，Eusuff和Lansey提出了混合蛙跳算法，是通过模拟现实自然环境中青蛙群体在觅食过程中所体现的协同合作和信息交互行为，来完成对问题的求解过程；Shu Chuan Chu最早提出的猫群算法是模拟猫群觅食行为；细菌觅食算法是细菌利用分子通信，协同保持对环境变化的跟踪。

非生物系统中时常有涌现行为出现，例如证券市场，其复杂性由各个投资者的相互作用所涌现；交通模式，虽然没有任何的规划，在许多城市均涌现出自组织行为。同样地，将上述这些生物觅食优化算法广泛应用于工业生产中的各个领域：无人机航路规划、控制参数设定、滤波器控制、量子计算、数据挖掘、图像处理、函数优化、编队重构、航迹规划、布局优化、神经网络训练、电器工程与控制、机器视觉、车间作业调度等各个方面。