第8章 8.1 鸽群优化及其新进展
自有人类社会以来，大自然中的许多自适应优化现象始终都是人类创造力的丰富源泉。人类通过模拟自然界中生物系统的功能和行为创造出了不计其数的方法、技术和工具，在实际生活中的各类问题中得到了广泛地应用。近 20 多年来，国内外众多学者受到自然界中许多自适应优化现象的启发，模拟生物群体机制设计出了蚁群优化（ACO，Ant Colony Optimization）、微粒群优化（PSO，Particle Swarm Optimization）和鸽群优化等多种仿生智能算法。
蚂蚁是一种渺小且平凡的昆虫，但蚂蚁通过分工合作形成了一个高度复杂化的社会组织，蚂蚁群体在许多情况下能完成蚂蚁个体所不能完成的复杂任务。1991 年，意大利学者 Marco Dorigo 等通过模拟自然界中的蚂蚁群体觅食行为创造性地提出了蚁群优化算法。蚁群优化算法具有极强的自学习能力，可以根据环境的改变对自身的数据库进行再组织，从而实现算法求解能力的进化。过去30 多年来，国内外众多学者对蚁群算法进行了深入研究，并将相关成果发表到很多顶级期刊，包括Nature、Science、PNAS、IEEE Transactions onEvolutionary Computation、IEEE Transactionson Cybernetics 等。Juang et al [1] 利用蚁群算法来解决冗余分配问题，并通过仿真实验验证了蚁群算法对于冗余分配问题具有极强的有效性和鲁棒性；Liang et al [2] 对连续蚁群算法进行了改进，提出了合作连续蚁群优化，并利用其提高模糊系统的精度。然而，蚁群算法一般需要较长的搜索时间，收敛速度慢，易陷入局部最优。
蚁群算法提出后，群体智能吸引了越来越多研究者的关注，各种各样的群体智能算法如雨后春笋般涌现，这其中最为成功的当属粒子群算法。1995年，美国学者 Kennedy 和 Eberhart [3-4] 通过研究自然界中的群体性现象提出了粒子群算法。粒子群算法模拟了空中鸟群和水中鱼群的运动，每一个粒子都具有两个必备属性——自身的位置与速度，通过群体中个体与个体、个体与群体之间多层次的信息交流分享，每一个粒子在个体层面不断地更新自身属性；与此同时，个体的量变导致群体的质变，宏观上就会体现出整个群体朝着目标方向的移动[4] 。正是由于粒子群由微观到宏观，同时宏观又指导着微观的搜索机制，粒子群算法在处理复杂的多峰优化问题时，体现出了较强的鲁棒性与较快的收敛速度。由于粒子群算法的这些优点，自提出后，很快就被广泛地研究挖掘，被应用于解决各种各样的实际问题。然而，经过近些年对粒子群算法的研究发现，它依然存在着传统仿生智能算法固有的缺点：易陷入局部最优解。Chen 和 Zhan [5-6] 将一系列机器学习的方法与粒子群算法相结合，提出了多个版本的改进算法，均取得不错的效果。但与标准的粒子群算法相比较，改进的算法在形式上变得十分复杂，大大增加了实际应用的难度，因此可推广性不是十分理想。
鸽子个体的归巢行为，在很长的一段时间里都是一个未解之谜，吸引了很多研究者去探寻鸽子究竟是如何做到远距离条件下的准确归巢。相关的研究成果多次发表在很多的高水平期刊上，包括Nature、Science 等每年都有大量关于鸽子和鸽群机制的报道。研究人员提出鸽子的远距离归巢行为其实借助了地磁场与地貌景观的双重帮助，通过地磁场判断大致的方向，再依据地貌景观对实际方向进行修正，从而准确锁定位置。2014 年， Duan etal [7] 受自然界中的鸽子归巢行为启发，提出了一种新的群体智能优化模型——鸽群优化。在算法提出后，Li et al [8] 通过模拟退火机制改进了鸽群优化，并将其应用到了基于轮廓匹配的航拍图像目标检测方法中，提高了目标检测的效率和精度；Duan etal [9] 将机器学习中的正交化方法与鸽群优化相结合，提出了 O-PIO 算法，并将其应用于回声状态神经网络的图像复原问题，降低了求解误差与时间复杂度。