（4）稳定性原则(Stability Principle) ,种群不该随环境的变化而改变自己的行为；
（5） 适应性原则(Adaptability Principle) ,种群理应适当而合理地改变自己的行为。
群体智能的特点[5]：
（1）简洁明了。单个个体一般不具备高级智慧，无法统筹全局，不能快速做出正
确有效的决定，因此针对个体行为方式的算法比较好实现。此外该算法只需要计算目
标函数值，对电脑配置要求不高，简单易操作。
（2）分布搜索。初始个体是完全随机分布的，无领导，完全自组织，体现了群体
的智能性。
（3）稳定性好。由于所有的工作都依靠个体之间合同协作完成，单个个体如果出
了问题，对整体影响极小。
（4）可扩展性。不但可以直接交流，还可以间接交流，也就是个体之间以各自所
处的小环境为媒介进行沟通。 （5）适应性广。不管是连续性的数值优化还是离散性的组合优化都适应。
1.3  常见的群智能优化算法
（1） 粒子群优化算法(Particle Swarm Optimization，PSO)
Kennedy 在 1995 年提出了用于模拟鸟群觅食的粒子群优化算法， 在之后的进一步
研究中发觉此算法在优化问题的应用上有很优秀的表现。在这种算法中，搜索范畴中
的每只鸟（即“粒子”）都是优化问题的一个解。初始化时随机确定每个粒子的位置
和速度，之后粒子速度就趋近整体最优和局部最优。每个粒子的适应度大小取决于目
标函数，粒子自身还有另一个速度用来明确向哪儿飞和飞多远，即方向和距离。粒子
们朝着最优粒子的方向搜索周围环境。该算法内容新颖， 具有较高的可行性和有效性，
应用到实际问题中时也比较方便。
（2） 蚁群优化算法（Ant Colony Optimization，ACO） 
Dorigo 等人提出的蚁群优化算法是一种模拟蚂蚁觅食行为的优化算法。该算法模
拟蚂蚁觅食的过程，学习蚁群的寻优能力，来解决一些复杂的优化问题。此外，蚁群
算法自学习能力很强，自身结构会根据环境变化和之前行为造成的结果进行有效调整，
进一步提高自身的优化能力。
（3） 人工鱼群算法（Artificial Fish School，AF）
人工鱼群算法的基本思想是在一片水域中（鱼群所在的水域富含营养物质），模
仿鱼群觅食等行为，解决优化问题。于是人类依靠虚拟人工鱼的视觉来实施搜索，使
之更加简便。在搜寻最优解的过程中，人类通过解空间中人工鱼最终的分布情况来确
定全局最优，即鱼最多的地方就是水域营养最丰富的地方，另外个体状态最优的也要
记录下来。
（4） 细菌觅食优化算法（Bacteria Foraging Optimization，BFO）
Kevin M.Passino 提出的一种可以进行随机搜索的仿生算法——细菌觅食优化算
法，是模拟人类肠道中大肠杆菌在觅食过程中体现的智能行为。大肠杆菌觅食主要有
以下几个步骤：寻找可能存在食物的区域—判断是否应该进入该区域—搜索该区域寻
觅食物源—补充了食物之后，判断是继续留在该区域还是寻找更好的区域。
1.4  研究现状
人工蜂群算法是群体智能思想的应用，目前还处于初级阶段，但由于可控参量少，计算简便，已经在路径优化、数值优化、组合优化、非线性方程求解等方面得到了广
泛的应用。将 ABC 算法与神经网络、遗传算法及其他仿生智能算法结合起来，能够更
好地解决多目标优化、模式识别等问题[5]。
由于人工蜂群算法尚不成熟，考虑到复杂的计算和不断扩大的规模，该算法易陷 人工蜂群算法在旅行商问题中的应用研究 (3):http://www.751com.cn/zidonghua/lunwen_12807.html