6）K-均值（K-means）算法

K-均值算法是輸入聚類個數k，以及包含 n個數據對象的數據庫，輸出滿足方差最小標準 k（k

k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心，而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的聚類，然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

從算法的表現上來說，它并不保證一定得到全局最優解，最終解的質量很大程度上取決于初始化的分組。由于該算法的速度快，因此常用的一種方法是多次運行k平均算法，選擇最優解。

機器學習是繼神經網絡系統之后人工智能應用的又一重要研究領域，也是人工智能和神經網絡計算的核心研究課題。對機器學習的研究及其進展，必將促使人工智能和整個科學技術的進一步發展。

遺傳算法

遺傳算法(Genetic Algorithms)，也有人把它叫作進化算法(Evolutionary Algorithms)，是基于生物進化的“物競天擇，適者生存”理論發展起來的一種應用廣泛且高效隨機搜索與優化并舉的智能算法，其主要特點是群體搜索策略和群體中個體之間的信息交換，不依賴于問題的梯度信息。遺傳算法最初被研究的出發點不是為專門解決最優化問題而設計的，它與進化策略、進化規劃共同構成了遺傳算法的主要框架，都是為當時人工智能的發展服務的。迄今為止，遺傳算法是智能計算中最廣為人知的一種算法。

遺傳算法就是模擬自然界進化論的基本思想，可以很好地用于優化問題，若把它看作對自然過程高度理想化的模擬，更能顯出它本身的優雅與應用的重要。該算法以一個群體中的所有個體為對象，并利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、雜交和變異構成了遺傳算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五要素組成了遺傳算法的核心內容。作為一種新的全局優化搜索算法，遺傳算法以其簡單通用、健壯性強、適于并行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，并逐漸成為重要的智能算法之一。

近幾年來，遺傳算法主要在復雜優化問題求解和工業工程領域應用等方面，取得了一些令人信服的結果，所以引起更多人的關注。

要想進一步的了解遺傳算法，當然要先了解遺傳、進化及其有關的一些概念和知識，下面就對其進行一些簡單介紹。作為遺傳算法生物背景的介紹，了解下面的一些概念及內容也就夠了。

個體：組成種群的單個生物；

種群：生物進化以群體的形式進行，這樣的一個群體稱為種群；

基因：DNA長鏈結構中占有一定位置的基本遺傳單位，也叫遺傳因子；

基因DNA、RNA片段(摘自互聯網)

染色體：是生物細胞中含有的一種微小的絲狀物，是遺傳物質的主要載體，由多個遺傳基因組成；

遺傳：新個體會遺傳父母雙方各自一部分的基因，承現出親子之間以及子代個體之間性狀相似性，表明性狀可以從親代傳遞給子代；

變異：親代和子代之間、子代和子代的不同個體之間總會存在一些差異，這種現象稱為變異；變異是隨機發生的，變異的選擇和積累是生命多樣性的根源；

進化：生物在其延續生命的過程中，逐漸適應其生存環境使得其品質不斷得到改良，這種生命現象稱為進化；生物的進化是以種群的形式進行的；

生存競爭，適者生存：生物的繁殖過程，會發生基因交叉、基因突變，適應度低的個體會被逐步淘汰，而適應度高的個體會越來越多；這樣經過多代的自然選擇后，保存下來的都是適應度很高的個體，其中很可能包含史上產生的適應度最高的那些個體。

遺傳算法是解決搜索問題的一種通用算法，各種各樣、類型不同的問題都可以使用。遺傳算法的共同特征有： ① 首先組成一組候選解； ② 依據某些適應性條件測算這些候選解的適應度； ③ 根據適應度保留某些優良候選解，放棄其中欠佳的部分候選解； ④ 對保留的候選解進行某些操作，生成新的候選解。在遺傳算法中，上述幾個特征以一種特殊的方式組合在一起，如基于染色體群的并行搜索，帶有猜測性質的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區別開來。

除上述共同特征外，遺傳算法還具有以下幾方面的特點：

(1) 遺傳算法從問題解的串集中開始搜索，而不是從單個解開始，這是遺傳算法與傳統優化算法的最大區別。傳統優化算法是從單個初始值迭代求最優解，容易誤入局部最優解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優。

(2) 許多傳統搜索算法都是單點搜索算法，容易陷入局部的最優解。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優解的風險，同時算法本身易于實現并行化。

(3) 遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，在此基礎上進行遺傳操作。適應度函數不僅不受連續、可微等的約束，而且其定義域可以任意設定。這一特點使得遺傳算法的應用范圍得到很大擴展。

(4) 遺傳算法不是采用確定性規則，而是采用概率的變遷規則來指導它的搜索方向。

(5) 具有自組織、自適應和自學習等特性。遺傳算法利用進化過程獲得的信息自行組織搜索時，硬度大的個體具有較高的生存概率，并獲得更適應環境的基因結構。

遺傳算法以一個群體中的所有個體為對象，利用隨機化技術對編碼參數空間進行高效搜索，把選擇、雜交和變異等遺傳現象構成遺傳操作。作為一種全局優化搜索算法，遺傳算法不考慮函數本身是否連續、是否可微等性質，以其簡單通用、健壯性強和高效、實用、隱含并行性、容易找到“全局最優解”等顯著特點，在許多領域得到成功應用，成為一種重要的智能算法。

上面的描述是簡單的遺傳算法模型，可由此給出下面的遺傳算法流程圖，再加延伸，可以在這一基本型上進行改進和發展，形成諸多不同類別的遺傳算法，使其在科學和工程領域得到更廣泛的應用。

遺傳算法流程圖

上面遺傳算法流程圖中有六個重要的環節：

（1）編碼和初始群體的生成：遺傳算法在進行搜索之前先將解空間的解數據表示成遺傳空間的基因型串結構數據，這些串結構數據的不同組合便構成了不同的點。然后隨機產生N個初始串結構數據，每個串結構數據稱為一個個體， N個體構成了一個群體。遺傳算法以這N個串結構數據作為初始點開始迭代。當然，初始群體應該選取適當，如果選取的過小則雜交優勢不明顯，算法性能很差，群體選取太大則計算量會過大。

（2）檢查算法收斂準則是否滿足，控制算法是否結束，也可以采用判斷與最優解的適配度或者選定一個迭代次數來結束計算。

（3）適應度評估選擇和檢測：適應性函數表明個體或解的優劣性，在程序的開始也應該評價適應性，以便和以后的做比較。不同的問題，適應性函數的定義方式也不同。根據適應性的好壞，進行選擇。選擇的目的是為了從當前群體中選出優良的個體，使它們有機會作為父代為下一代繁殖子孫。遺傳算法通過選擇過程體現這一思想，進行選擇的原則是適應性強的個體為下一代貢獻一個或多個后代的概率大。選擇實現了達爾文的適者生存原則。

（4）選擇:將選擇算子作用于群體。選擇的目的是把優化的個體直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的。

（5）雜交：按照雜交概率進行雜交。雜交操作是遺傳算法中最主要的遺傳操作。通過雜交操作可以得到新一代個體，新個體組合了其父輩個體的特性。雜交體現了信息交換的思想。

可以選定一個點對染色體串進行互換，插入，逆序等雜交，也可以隨機選取幾個點雜交。雜交概率如果太大，種群更新快，但是高適應性的個體很容易被淹沒，概率小了搜索會停滯。

（6）變異：按照變異概率進行變異。變異首先在群體中隨機選擇一個個體，對于選中的個體以一定的概率隨機地改變串結構數據中某個串的值。同生物界一樣，遺傳算法中變異發生的概率很低，但為新個體的產生提供了機會。

變異可以防止有效基因的缺損造成的進化停滯。比較低的變異概率就已經可以讓基因不斷變更，太大了會陷入隨機搜索。不難想象一下，生物界每一代都和上一代差距很大，會出現是怎樣一種可怕的情形。

就像自然界的變異適和任何物種一樣，對變量進行了編碼的遺傳算法沒有考慮函數本身是否可導，是否連續等性質，所以適用性很強；并且，它開始就對一個種群進行操作，隱含了并行性，也容易找到“全局最優解”。

由上面遺傳算法流程圖不難看出，遺傳算法提供了一種求解復雜系統優化問題的通用框架，計算時不依賴于梯度信息或其它輔助知識，而只需要影響搜索方向的目標函數和相應的適應度函數，不依賴于問題的具體領域，對問題的種類有很強的穩健性，可廣泛應用于很多學科。下面是遺傳算法的一些主要應用領域。

（1）函數優化：函數優化是遺傳算法的經典應用領域，也是對遺傳算法進行性能評價的常用算例，特別是對于一些非線性、多模型、多目標的函數優化問題，用其他優化方法較難求解，而遺傳算法卻可以方便地得到較好的結果；（2）組合優化：隨著問題規模的增大，組合優化問題的搜索空間也急劇擴大，實踐證明，遺傳算法已經在求解旅行商問題、背包問題、裝箱問題、布局優化、圖形劃分問題等各種具有NP難度的問題中得到成功的應用；（3）生產調度問題：車間調度問題是一個典型的NP問題,從最初的傳統車間調度問題到柔性作業車間調度問題，遺傳算法都有優異的結果顯示，在很多算例中都得到了最優解或近優解；（4）自動控制；（5） 機器人學；（6） 圖像處理；（7）人工生命；（8）遺傳編程；（9）機器學習；（10）數據挖掘等。

隨著應用領域的擴展，遺傳算法的研究出現了幾個引人注目的新動向：（1）基于遺傳算法機器學習，這一新的研究課題把遺傳算法從歷來離散的搜索空間的優化搜索算法擴展到具有獨特的規則生成功能的機器學習算法。這一新的學習機制對于解決人工智能中知識獲取和知識優化精煉的瓶頸難題帶來了希望。（2）遺傳算法正日益和神經網絡、模糊推理以及混沌理論等其它智能計算方法相互滲透和結合，這對開拓21世紀中新的智能計算技術將具有重要的意義。（3）并行處理的遺傳算法的研究十分活躍。這一研究不僅對遺傳算法本身的發展，而且對于新一代智能計算機體系結構的研究都是十分重要的。（4）遺傳算法和另一個稱為人工生命的嶄新研究領域正不斷滲透。所謂人工生命即是用計算機模擬自然界豐富多彩的生命現象，其中生物的自適應、進化和免疫等現象是人工生命的重要研究對象，而遺傳算法在這方面將會發揮一定的作用，（5）遺傳算法和進化規劃以及進化策略等進化計算理論日益結合。它們幾乎是和遺傳算法同時獨立發展起來的，同遺傳算法一樣，它們也是模擬自然界生物進化機制的智能算法，即同遺傳算法具有相同之處，也有各自的特點。目前，這三者之間的比較研究和彼此結合的探討正形成熱點。

進入二十一世紀，遺傳算法迎來了興盛發展時期，無論是數學理論研究、計算機硬件研發還是應用研究都成了十分熱門的課題，尤其是遺傳算法的應用研究顯得格外活躍，不但它的應用領域擴大，而且利用遺傳算法進行優化和規則學習的能力也顯著提高。此外一些新的理論和方法在應用研究中亦得到了迅速的發展，這些無疑均給遺傳算法增添了新的活力。遺傳算法的應用研究已從初期的組合優化求解擴展到了許多更新、更工程化的應用方面，同樣也會取得更多新的突破，使得遺傳算法的研究更上一層樓。

模糊計算

人們常用“模糊計算”（Fuzzy Computing）籠統地代表諸如模糊系統、模糊語言、模糊推理、模糊邏輯、模糊控制、模糊遺傳和模糊聚類等模糊應用領域中所用到的諸多算法及其理論。在這些應用系統中，廣泛地應用了模糊集理論，并揉和了人工智能的其他手段，因此模糊計算也常常與人工智能相聯系。由于模糊計算可以表現事物本身性質的內在不確定性，因此它可以模擬人腦認識客觀世界的非精確、非線性的信息處理能力和亦此亦彼的模糊概念和模糊邏輯。

概念是人類思維的基本形式之一，它反映了客觀事物的本質特征。一個概念有它的內涵和外延，內涵是指該概念所反映的事物本質屬性的總和，也就是概念的內容；外延是指一個概念所確指的對象的范圍。例如“人”這個概念的內涵是指能制造工具，并使用工具進行勞動的動物，外延是指古今中外一切的人。在生產實踐、科學實驗以及日常生活中，人們經常會遇到諸多模糊概念，如大與小、輕與重、快與慢、動與靜、深與淺、美與丑等都包含著一些模糊概念。

美國數學家、控制論專家L.A.Zadeh博士于1965年發表了關于模糊集的論文，首次提出了表達事物模糊性的重要概念——隸屬函數(Membership Function)。這篇論文把元素對集的隸屬度從原來的非0即1推廣到可以取區間[0，1]的任何值，這樣用隸屬度定量的描述論域中元素符合論域概念的程度，實現了對普通集合的擴展，從而可以用隸屬函數表示模糊集。模糊集理論構成了模糊計算系統的基礎，人們在此基礎上把人工智能中關于知識表示和推理的方法引入進來，或者說把模糊集理論用到知識工程中去就形成了模糊邏輯和模糊推理。為了克服這些模糊系統知識獲取的不足及學習能力低下的缺點，又把神經網絡計算加入到這些模糊系統中，形成了模糊神經系統。這些研究都成為人工智能研究的熱點，因為它們表現出了許多領域專家才具有的能力。同時，這些模糊系統在計算形式上一般多以數值計算為主，也通常被人們歸為軟計算、智能計算的范疇。

模糊計算在應用上可一點都不模糊，其應用范圍非常廣泛，它在家電產品中的應用已被人們所接受，如模糊洗衣機、模糊冰箱、模糊相機等。另外，在專家系統、智能控制等許多系統中，模糊計算也都能大顯身手，其原因就在于它的工作方式與人類的認知過程有著極大的相似性。

模糊數學（Fuzzy Mathematics），研究現實中許多界限不分明問題的一種數學工具，已廣泛應用于模糊控制、模糊識別、模糊聚類分析、模糊決策、模糊評判、系統理論、信息檢索、醫學、生物學等各個方面。然而模糊數學最重要的應用領域是計算機智能，不少人認為它與新一代計算機的研發有著極其密切的聯系。模糊數學基本概念之一是模糊集合，利用模糊集合、模糊矩陣、模糊運算和模糊邏輯等，能很好地處理各個不同領域應用中的模糊問題。

按照經典集合的理論，每一個集合必須由確定的元素構成，元素之于集合的隸屬關系是明確的，這一性質可以用特征函數μA(x)來表示，即有：

模糊數學把特征函數改寫成所謂的“隸屬函數μA(x)：0≤μA(x)≤1”，在這里A被稱為模糊集合，μA(x)為隸屬度。經典集合論要求μA(x)取0或1兩個值，模糊集合則突破了這一限制，μA(x)=1表示百分之百隸屬于模糊集合A，μA(x)=0表示完全不屬于模糊集合A，還可以有20%隸屬于模糊集合A，80%隸屬于模糊集合A，等等，即可取[0，1]區間內的任意值。由于人腦的思維包括精確的和模糊的兩個方面，因此模糊數學在人工智能系統模擬人類思維的過程中起到了重要作用，它與新型的計算機設計和許多模糊計算密切相關。

模糊數學的基本思想是隸屬度，應用模糊數學建立數學模型的關鍵是建立符合實際的隸屬函數。如何確定一個模糊集的隸屬函數至今還是尚未得到很好解決的問題。常用的確定隸屬函數的方法有模糊統計法、指派法、專家經驗法、二元對比排序法及根據問題的實際意義來確定的方法等。模糊統計方法是一種客觀方法，主要是在模糊統計試驗的基礎上根據隸屬度的客觀存在性來確定的；指派方法主要依據人們的實踐經驗來確定某些模糊集隸屬函數的一種方法；在實際應用中，用來確定模糊集的隸屬函數的方法是多種多樣的，主要根據問題的實際意義來確定。譬如，在經濟管理、社會管理中，可以借助于已有的“客觀尺度”作為模糊集的隸屬度。

由于模糊性概念已經找到了模糊集的描述方式，人們運用概念進行判斷、評價、推理、決策和控制的過程也可以用模糊性數學的方法來描述。這些方法構成了一種模糊性系統理論，構成了一種思辨數學的雛形，已經在醫學、氣象、心理、經濟管理、石油、地質、環境、生物、農業、林業、化工、語言、控制、遙感、教育、體育等方面取得多方面具體的研究和應用成果。

模糊理論（Fuzzy Theory）是指用到了模糊集合的基本概念或連續隸屬度函數的理論，可分為模糊數學，模糊系統，不確定性和信息，模糊決策，模糊邏輯與人工智能眾多分支，它們并不是完全獨立的，之間存在著緊密的聯系，例如，模糊控制就會用到模糊數學和模糊邏輯中的概念。從實際應用的觀點來看，模糊理論的應用大部分集中在模糊系統上，尤其集中在模糊控制上，也有一些模糊專家系統應用于醫療診斷和決策支持。

模糊概念(Fuzzy Concept)是指這個概念的外延具有不確定性，或者說它的外延是不清晰的，是模糊的。例如“青年”這個概念，它的內涵我們是清楚的，但是它的外延，即什么樣的年齡階段內的人是青年，恐怕就很難說情楚，因為在“年輕”和“不年輕”之間沒有一個確定的邊界，這就是一個模糊概念。需要注意的幾點：首先，人們在認識模糊性時，是允許有主觀性的，也就是說每個人對模糊事物的界限不完全一樣，承認一定的主觀性是認識模糊性的一個特點。例如，我們讓100個人說出“年輕人”的年齡范圍，那么我們將會得到數十個不同的答案。盡管如此，當我們用模糊統計的方法進行分析時，年輕人的年齡界限分布又具有一定的規律性；其次，模糊性是精確性的對立面，但不能消極地理解模糊性代表的是落后的事物，恰恰相反，我們在處理客觀事物時，經常借助于模糊性。例如，在一個有許多人的房間里，找一位“年老的高個子男人”，這是不難辦到的。這里所說的“年老”、“高個子”都是模糊概念，然而我們只要將這些模糊概念經過頭腦的分析判斷，很快就可以在人群中找到此人。如果我們要求用計算機查詢，那么就要把所有人的年齡，身高的具體數據輸入計算機，然后我們才可以從人群中找這樣的人。最后，人們對模糊性的認識往往同隨機性混淆起來，其實它們之間有著根本的區別。隨機性是其本身具有明確的含義，只是由于發生的條件不充分，而使得在條件與事件之間不能出現確定的因果關系，從而事件的出現與否表現出一種隨機性。而事物的模糊性是指我們要處理的事物的概念本身就是模糊的，即一個對象是否符合這個概念難以確定，也就是由于概念外延模糊而帶來的不確定性。

模糊邏輯(Fuzzy Logic)不是二元邏輯——非此即彼的推理，也不是傳統意義的多值邏輯，而是在承認事物隸屬真值中間過渡性的同時，還認為事物在形態和類屬方面具有亦此亦彼性、模棱兩可性——模糊性。模糊邏輯善于表達界限不清晰的定性知識與經驗，它借助于隸屬度函數概念，區分模糊集合，處理模糊關系，模擬人腦實施規則型推理，解決因“排中律”的邏輯破缺產生的種種不確定問題。模糊邏輯模仿人腦的不確定性概念判斷、推理思維方式，對于模型未知或不能確定的描述系統，以及強非線性、大滯后的控制對象，應用模糊集合和模糊規則進行推理，表達過渡性界限或定性知識經驗，模擬人腦方式，實行模糊綜合判斷，推理解決常規方法難于對付的規則型模糊信息問題。

模糊系統(Fuzzy System)基于模糊數學理論,能夠對事物進行模糊處理。在模糊系統中,元素與模糊集合之間的關系是不確定的,即在傳統集合論中元素與集合“非此即彼”的關系不適合模糊邏輯。元素與模糊集合的隸屬關系是通過隸屬度函數來度量的。當一個元素確定屬于某個模糊集合,則這個元素對該模糊集合的隸屬度為1;當這個元素確定不屬于該模糊集合時,則此時的隸屬度值為0;當無法確定該元素是否屬于該模糊集合時,隸屬度值為一個屬于0到1之間的連續數值。模糊系統能夠很好處理人們生活中的模糊概念,清晰地表達知識,而且善于利用學科領域的知識,具有很強的推理能力。模糊系統主要應用在自動控制、模式識別和故障診斷等領域并且取得了令人振奮的成果,但是大多數模糊系統都是利用已有的專家知識,缺乏自學習能力,無法對自動提取模糊規則和生成隸屬度函數。針對這一問題,可以通過與神經網絡算法、遺傳算法等自學習能力強的算法融合來解決。目前,很多學者正在研究模糊神經網絡和神經模糊系統,這是對傳統算法研究和應用的創新。

把模糊概念和一些傳統算法及智能算法結合起來，形成了一大批的模糊算法，下面簡舉幾例。

模糊遺傳算法(Fuzzy Genetic Algorithm)是指基于模糊邏輯的遺傳算法，是當前遺傳算法發展的一個新方向。它充分利用了人們對遺傳算法已有的知識和經驗，并且修正和完善了這些經驗，有助于對遺傳算法的遺傳算子及參數設置與遺傳算法性能關系的理解；同時在遺傳算法運行過程中，實現了對遺傳算法參數或算子的動態調整，保證了整個遺傳算法搜索過程中合理的利用性和探索性關系。把模糊邏輯用于遺傳算法，是從兩個方面著手的：一方面，把已有的關于遺傳算法的知識和經驗用模糊語言來描述，并用于在線控制遺傳操作和參數設置，形成動態遺傳算法；另一方面，借鑒模糊邏輯及模糊集合運算的思想，得到模糊編碼和相應模糊遺傳操作，以改進遺傳算法的性能。

模糊聚類算法(Fuzzy Cluster Algorithm)是一種采用模糊數學語言對事物按一定的要求進行描述和分類的數學方法，一般是指根據研究對象本身的屬性來構造模糊矩陣，并在此基礎上根據一定的隸屬度來確定聚類關系，即用模糊數學的方法把樣本之間的模糊關系定量的確定，從而客觀且準確地進行聚類。聚類就是將數據集分成多個類或簇，使得各個類之間的數據差別應盡可能大，類內之間的數據差別應盡可能小，即為“最小化類間相似性，最大化類內相似性”原則。聚類分析是數理統計中的一種多元分析方法，它是用數學方法定量地確定樣本的親疏關系，從而客觀地劃分類型。事物之間的界限，有些是確切的，有些則是模糊的。例人群中的面貌相像程度之間的界限是模糊的，天氣陰、晴之間的界限也是模糊的。當聚類涉及事物之間的模糊界限時，需運用模糊聚類分析方法。模糊聚類分析廣泛應用在氣象預報、地質、農業、林業等方面。通常把被聚類的事物稱為樣本，將被聚類的一組事物稱為樣本集。模糊聚類分析有兩種基本方法：系統聚類法和逐步聚類法。

模糊數學及其計算的產生不僅拓廣了經典數學的基礎，而且也是計算機科學向人們的自然機理方面發展的重大突破。它在科學技術、經濟發展和社會學等問題的廣泛應用領域中顯示了巨大的力量，雖然發展的歷史并不很長，但已被國內外數學界以及信息、系統、計算機和自動控制科技界人員的普遍關注，具有極其廣闊應用前景。

群智能計算

群智能計算(Swarm Intelligence Computing)，又稱群體智能計算或群集智能計算，是指一類受昆蟲、獸群、鳥群和魚群等的群體行為啟發而設計出來的具有分布式智能行為特征的一些智能算法。群智能中的“群”指的是一組相互之間可以進行直接或間接通信的群體；“群智能”指的是無智能的群體通過合作表現出智能行為的特性。智能計算作為一種新興的計算技術，受到越來越多研究者的關注，并和人工生命、進化策略以及遺傳算法等有著極為特殊的聯系，已經得到廣泛的應用。群智能計算在沒有集中控制并且不提供全局模型的前提下，為尋找復雜的分布式問題的解決方案提供了基礎。