因此，用启发式算法求解这类问题就成为近年来学术界各学者研究的一个重要方向。元启发式算法主要是受自然现象的启发而提出的，至今比较成熟的有模拟退火算法[1]，遗传算法[2]，禁忌搜索算法[3]，粒子群算法[4]、蚁群算法[5]等。遗传算法，粒子群算法、蚁群算法等是受生物现象或生物学原理的启发而提出，因此也称为仿生算法。元启发式算法是基于生物群体智慧[6]的基本原理，融合了许多貌似不相关的其他学科(如生物学、物理学、人工智能等)中的思想和方法，以其高效的优化性能、无需优化问题的具体信息、适用广泛等优点，已经逐渐成为解决NP难题的有效通用算法。近年来，在优化领域中出现了一种新的随机型搜索方法¬¬—蜂群算法。人工蜂群算法是模仿蜜蜂采蜜行为提出的一种优化方法，是集群体智能思想的一个具体应用，它的主要特点是不需要知道优化问题的特殊信息，只需对问题进行优劣的比较，通过各人工蜂智能体的局部寻优行为，最终使全局最优值突显出来，且算法收敛的速度较快。

1.1.1 群体智能

在广阔的自然界里，那些群居性低智能的生物种群表现出来复杂的令人叹为观止的群体智慧给予人类以深刻启迪，如：蚁群、鸟群、蜂群、鱼群等。在这些群居性生物中，单个个体的智慧是简单的，但由这些个体组成的群体表现出的和谐有序远远超出所有个体简单相加而成的智慧。在群体中，个体间相互合作、相互协调的自组织能力能够完成非常复杂的任务。群居性生物通过协同合作表现出的整体的宏观智能行为特征被称为群体智能。

群体智能（Swarm Intelligence）这个概念在1999年由Bonabeau、Dorigo等人正式提出。群体智能最重要的核心理念为：通过一个群体里的各个简单个体相互合作相互，协调产生出的整体宏观智能行为来解决一系列比较复杂的大规模分布式问题。因此群体智能在不存在集中控制并缺少局部信息和模型的情况下，为解决复杂分布式问题提供了一种新的思路。Millonas提出了群体智能应该遵循的五条基本原则[7]：

(1) 邻近原则( Proximity Principle) ，群体能够进行简单的空间和时间计算；

(2) 品质原则(Quality Principle) ，群体能够响应环境中的品质因子；

(3) 多样性反应原则( Principle of Diverse Response) ，群体的行动范围不应该太窄；

(4) 稳定性原则(Stability Principle) ，群体不应在每次环境变化时都改变自身的行为；

(5) 适应性原则(Adaptability Principle) ，在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为。

1.1.2 群体智能算法

群体智能算法(Swarm Intelligence Algorithm，SIA)是模拟自然界中各种群居性生物的社会性群体行为产生的随机搜索优化算法，是在群体智能领域中一种比较新颖的计算智能模式，它是群体智能行为模式研究中的一个重要分支。群体智能算法基于一些群居性生物表现出来的宏观性具有智慧的群体行为构建出适合这些行为的模型，并给这些群体行为制定规则，从而提出优化算法。群体智能算法将算法的搜索和优化过程模拟成群体中各个个体的进化或采食过程，形成了一种具有“生成+检验”特征的迭代搜索算法[8]。

群体智能算法很容易实现，算法中仅涉及一些简单的基本数学操作，数据处理过程对电脑的硬件要求也不高，且这种方法只需目标函数的输出值，而无需其梯度信息，因此，无论是从理论研究还是应用研究的方面来看，群体智能算法及和它的应用研究都是具有极其重要的学术意义和实际意义的。源:自/751~·论,文'网·www.751com.cn/ ABC蜂群算法在路径优化中的应用研究(2):http://www.751com.cn/zidonghua/lunwen_67604.html