第1章
CHAPTER 1
智能优化算法概述

自然界一直是人类创造力的丰富源泉，在计算智能领域，生物界某些个体或群体的行为特征、演化特性给予研究人员很多启示，因此许多模拟自然现象及生物行为和现象的优化算法应运而生。例如，模拟人脑结构和信息处理方式的人工神经网络（artificial neural network）、模拟生物群体进化和达尔文自然选择过程的进化算法（evolutionary algorithms）、模拟种群协作的群体智能（swarm intelligence）等生物启发式计算方法。

通过对这些生物行为开展的大量研究表明，自然界中生物的觅食行为存在着一定的优化特性。为了使生物的觅食效率达到最大化，个体根据环境选择相应的措施，以不同的方式对觅食对象采用不同的选择策略，包括生物个体间的信息交换，个体间的劳动分工和相互合作的搜索。生物觅食优化方法依赖于生物体自身的本能，通过优化无意识的行为适应环境。生物觅食优化方法与其他方法的不同之处在于它不需要根据问题本身严格的数学性质进行建模，所研究的问题性质是否连续、是否可求导也不重要，并且不需要先验知识，适合解决那些难以有效地建立一个正式的模型、用传统的方法不能解决的问题。

自20世纪末以来，基于生物觅食理论的启发式智能计算方法引起学术界的关注，国内外学者模拟自然界的生物智能觅食行为的规律，设计提出了各种启发式智能觅食优化方法，用于解决现实社会中存在的优化问题，特别是复杂系统与复杂性行为的问题。本章首先阐述生物启发式计算领域的研究背景，总结和分析现有生物启发式智能计算方法，在此基础上提出开展的主要研究工作。