本书以人工鱼群算法、烟花爆炸优化算法两个典型的群体智能算法为主，系统介绍了算法的原理，建立了基于协作、竞争机制的群体智能算法的数学模型。全书着重分析了人工鱼群算法和烟花爆炸优化算法的弱点，并提出了多种新颖的改进机制，给出了算法的详细实现步骤。本书还详细探讨了部分群体智能算法在VRP问题、图像边缘检测、SVM反问题、网络态势预测、数据聚类、特征选择等领域内的应用，并介绍了近年来出现的两个比较新颖的群体智能算法，顾问引导搜索算法和教—学优化算法。

前 言 大自然的奇妙不仅在于提供了我们赖以生存的物质基础，更在于它所蕴含的协作、竞争的进化之道。在这个蓝色的星球上，多个物种、多个种群之间通过彼此协作和竞争，推动地球上生命的繁衍。经过千百万年的发展，人类逐渐成为了地球上的主宰。为了谋求更好的生存与发展，人类通过向大自然学习，探索自然界的特定现象或隐藏的规律。20世纪70年代，John Holland教授提出的遗传算法，就是向大自然学习的成功典范。 随着遗传算法的成功，群体智能算法的研究在学术界出现了一个高潮，粒子群算法、蚁群优化算法等相继被提出。粒子群算法通过模拟鸟群的觅食等行为、蚁群优化算法通过模拟蚂蚁群体的协作，完成对于问题的最终求解。两种算法均巧妙地处理了群体智能算法的协作、竞争机制，并表现出了优越的求解能力。经过近几十年的发展，群体智能算法的家族已经愈发壮大，先后出现了以遗传算法为基础演化而来的差异演化算法、模拟蜜蜂采蜜行为的人工蜂群算法、模拟群体动物觅食行为的群搜索优化算法、模拟教师与学生教学的教—学优化算法，以及以人类思考解决问题为基础演化而来的顾问引导搜索算法等。这些群体智能算法无一不是利用种群内个体间的协作、竞争进行算法演化，并融入人工智能机制来完成对问题的最终求解，算法设计巧妙，原理简单，鲁棒性较佳。它们的出现，为求解某些复杂问题提供了广阔的思路。 群体智能算法具有以下几个特点： （1）系统中的单个个体能力简单，但是整个群体却具有非常优秀的求解能力。 （2）对问题的定义的连续性没有特殊要求。 （3）群体内的个体通过自学习机制，能够不断改变自身的状态以适应种群的内部环境。 （4）群体内的个体具有分布式特点，隐含并行性，适合用于设计分布式程序。 （5）一般采用概率性的搜索算法，而较少采用梯度或爬山法淘汰种群个体。 （6）个体之间具有互相感知性。 目前，群体智能算法已经成为优化领域内的重要研究方向。在该方向的论文数量、网络上的资源数目、算法的应用等方面均发展较快，从事该研究的团队规模也众多。群体智能算法在电气工程、网络通信、图形图像处理、数据挖掘、物流配送路线优化、调度任务优化等领域取得了广泛而成功的应用。 在群体智能算法的发展中，我国学者提出的人工鱼群算法，是众多优秀群体智能算法之一，该算法受到鱼群觅食、追尾、聚集等行为的启发，融入人工智能技术设计而得，具有快速、原理简单等优点，一经提出便受到国内外专家、学者的重视。经过十多年的发展，该算法取得了许多的研究成果，已经成为群体智能算法中一个重要的分支。近年来出现的烟花爆炸优化算法亦得到了相当多学者的关注。 本书是作者对自己多年来所从事相关研究工作的提炼和总结，在作者攻读博士期间和从事博士后研究工作的基础上撰写而成。全书通过大量的算法改进实例和应用实例向读者展现人工鱼群算法、烟花爆炸优化算法等群体智能算法的基本原理和研究进展；同时也介绍了国内外部分群体智能算法具有代表性的研究成果，有助于读者快速了解并掌握群体智能算法。本书提出了多种对于群体智能算法的改进机制，详细阐明了设计思想和改进原理，并与其他相关算法进行了全面比较，使读者易于了解算法的优、劣势。 全书内容详实、深入浅出，通过理论联系实际的方式，向读者展现了两种主要的群体智能算法的原理、思想和实现方式，有助于推动群体智能算法更加深入的研究和广泛的应用。 全书共6章。第1章为群体智能算法概述，介绍了群体智能算法的数学模型，详细讲解了遗传算法、粒子群算法、差异演化算法三个经典的群体智能算法，并介绍了近几年出现的“教—学优化算法”和“顾问引导搜索算法”。第2章主要介绍人工鱼群算法的基本原理、收敛性证明方法，详述了人工鱼群算法近年来具有代表性的研究成果。第3章首先分析了人工鱼群算法的弱点，在此基础上介绍了作者所提出的多种改进方案，并在部分测试函数进行实验，与其他相关算法进行对比。第4章主要介绍烟花爆炸优化算法的基本原理和作者所提出的改进机制。第5章主要探讨群体智能算法在多个相关领域内的应用研究，给出了相关的应用实例、算法设计步骤、求解结果等。第6章总结了全书所研究内容和所得出的结论，并对群体智能算法研究中存在的问题及进一步的研究方向进行了说明。 本书的出版受到了石家庄经济学院学术专著出版基金的资助，在此谨表示衷心感谢。石家庄经济学院刘坤起教授在本书的出版过程中提供了大力支持和帮助，在此谨致以最崇高的谢意和敬意！ 由于作者水平和可以获得的资料有限，书中难免存在疏漏及不妥之处，敬请同行和专家批评指正，不胜感激。 编 者 于石家庄

目 录 第1章 群体智能算法概述 1 1.1 群体智能算法的特点 1 1.1.1 智能性 1 1.1.2 隐含本质并行性 2 1.1.3 解的近似性 2 1.2 群体智能算法的计算模式 2 1.2.1 社会协作机制 3 1.2.2 自我适应机制 3 1.2.3 竞争机制 4 1.3 遗传算法 4 1.3.1 标准遗传算法原理 5 1.3.2 编码机制与主要算子 7 1.4 差异演化算法 8 1.5 粒子群算法 10 1.5.1 粒子群算法的原理 10 1.5.2 PSO算法的计算模型 11 1.6 教—学优化算法 13 1.7 顾问引导搜索算法 13 1.8 本章小结 15 参考文献 16 第2章 人工鱼群算法 18 2.1 人工鱼群算法的数学模型 18 2.2 人工鱼群算法的收敛性分析 21 2.2.1 常用距离 21 2.2.2 基于Markfov链技术的收敛性分析 22 2.2.3 基于压缩映射定理的收敛性分析 25 2.3 人工鱼群算法的相关研究 26 2.3.1 参数的改进 27 2.3.2 与其他智能算法的融合 28 2.3.3 其他的改进方法 29 2.4 本章小结 32 参考文献 32 第3章 人工鱼群算法的改进研究 34 3.1 小生境人工鱼群算法 34 3.1.1 小生境技术 34 3.1.2 算法实现 36 3.1.3 算法的收敛性 36 3.1.4 仿真实验与分析 38 3.1.5 结论 40 3.2 自适应人工鱼群算法 40 3.2.1 参数自适应机制 40 3.2.2 算法实现 42 3.2.3 仿真实验与分析 42 3.2.4 结论 44 3.3 基于种群分类的人工鱼群算法 44 3.3.1 种群分类思想及设置 45 3.3.2 算法实现 46 3.3.3 仿真实验与分析 47 3.3.4 结论 50 3.4 混和反向学习人工鱼群算法 50 3.4.1 反向学习 50 3.4.2 佳点集 51 3.4.3 人工鱼群算法的改进机制 51 3.4.4 仿真实验与分析 54 3.4.5 结论 59 3.5 精英竞争人工鱼群算法 59 3.5.1 基于动态随机搜索的精英训练 59 3.5.2 算法实现 60 3.5.3 仿真实验与分析 61 3.5.4 结论 67 3.6 随机游走人工鱼群算法 67 3.6.1 Lévy Flight机制 67 3.6.2 算法改进思想 68 3.6.3 算法实现 69 3.6.4 仿真实验与分析 70 3.6.5 结论 72 3.7 混合群搜索人工鱼群算法 73 3.7.1 标准群搜索优化算法 73 3.7.2 群搜索优化算法的改进 75 3.7.3 混合群搜索人工鱼群算法 77 3.7.4 仿真实验与分析 78 3.7.5 结论 81 3.8 本章小结 81 参考文献 82 第4章 烟花爆炸优化算法及改进 83 4.1 烟花爆炸优化算法 83 4.2 混沌烟花爆炸优化算法 86 4.2.1 混沌搜索算法 86 4.2.2 算法实现 87 4.2.3 仿真实验与分析 87 4.2.4 结论 91 4.3 混合动态搜索烟花爆炸优化算法 91 4.3.1 算法实现 91 4.3.2 仿真实验与分析 92 4.3.3 结论 96 4.4 混合反向学习烟花爆炸优化算法 96 4.4.1 精英反向学习 96 4.4.2 基于模拟退火机制的种群选择 97 4.4.3 算法实现 97 4.4.4 仿真实验与分析 98 4.4.5 结论 102 4.5 随机游走烟花爆炸优化算法 102 4.5.1 基于随机游走机制的变异算子 103 4.5.2 基于Boltzmann 子个体选择 103 4.5.3 算法实现 104 4.5.4 仿真实验与分析 105 4.5.5 结论 109 4.6 本章小结 109 参考文献 109 第5章 群体智能算法的应用 110 5.1 物流配送中的车辆调度问题 110 5.1.1 问题的提出 110 5.1.2 组合优化 111 5.1.3 车辆调度问题的数学模型 111 5.1.4 求解VRP的混合人工鱼群遗传算法 112 5.1.5 仿真实验结果 113 5.2 求解SVM反问题的差异演化算法 113 5.2.1 问题的提出 113 5.2.2 差异演化算法的设计 114 5.2.3 差异演化算法的改进 114 5.2.4 仿真实验结果 116 5.3 求解聚类问题的人工鱼群算法 118 5.3.1 聚类模型 118 5.3.2 算法的设计 119 5.3.3 算法实现 120 5.3.4 仿真实验结果 121 5.4 求解测试用例自动化问题的人工鱼群算法 123 5.4.1 路径测试模型 123 5.4.2 混沌搜索 125 5.4.3 算法的设计 125 5.4.4 仿真实验结果 127 5.5 求解关联规则挖掘的差异演化算法 129 5.5.1 规则挖掘 129 5.5.2 算法的设计 131 5.5.3 仿真实验结果 133 5.6 求解特征选择的人工鱼群算法 136 5.6.1 特征选择 136 5.6.2 算法的设计 136 5.6.3 仿真实验结果 137 5.7 求解网络安全态势预测的人工鱼群算法 139 5.7.1 网络安全态势预测模型 140 5.7.2 算法的设计 141 5.7.3 仿真实验结果 143 5.8 求解图像边缘检测的遗传算法 146 5.8.1 数字图像边缘 146 5.8.2 Sobel边缘检测算子 148 5.8.3 面向图像边缘检测的遗传算法 149 5.8.4 仿真实验结果 151 5.8.5 结论 155 5.9 本章小结 155 参考文献 157 第6章 总结与展望 159