这是什么？
🎯 模拟器提示
📚 术语表
🏆 关键人物
Marco Dorigo (1992)
在 1992 年的博士论文中发明了蚁群优化（ACO），创立了群体智能最有影响力的分支之一。他的工作表明，使用类似信息素的通信的人工蚂蚁可以解决组合优化问题。
James Kennedy (1995)
受到鸟群和鱼群社会行为的启发，与 Russell Eberhart 共同发明了粒子群优化 (PSO)。 PSO 成为工程和科学领域使用最广泛的优化算法之一。
Craig Reynolds (1986)
创建了 Boids 模拟，演示了如何从三个简单规则（分离、对齐、凝聚）中产生复杂的聚集行为。这项基础工作启发了群体智能算法和电影中的 CGI 人群模拟。
Dervis Karaboga (2005)
开发了人工蜂群 (ABC) 算法，这是一种群体优化方法，其灵感来自蜜蜂的智能觅食行为以及雇佣蜂、旁观蜂和侦察蜂之间的分工。
Russell Eberhart (1995)
与 James Kennedy 共同发明了粒子群优化，并在参数调整、收敛分析以及 PSO 在神经网络训练和工程设计中的应用方面做出了广泛的研究。
Thomas Seeley (1990s-present)
康奈尔大学的一位生物学家，他对蜜蜂决策的详细研究为受蜜蜂启发的算法提供了科学基础，特别是通过他描述集体巢址选择的书《蜜蜂民主》。
Seyedali Mirjalili (2014)
开发了灰狼优化器（GWO）和其他几种受自然启发的元启发式算法，包括鲸鱼优化算法和飞蛾火焰优化，为群体智能工具包的快速扩展做出了贡献。
🎓 学习资源
- Ant Colony Optimization: A New Meta-Heuristic
基础论文介绍了 ACO 作为一种计算优化技术，展示了人工蚂蚁如何使用信息素通信来有效解决旅行商问题。 - Particle Swarm Optimization
1995 年 IEEE 会议的原始论文介绍了 PSO，展示了受社会行为启发而进行速度和位置更新的粒子群如何优化连续函数。 - Grey Wolf Optimizer
论文在Advances in Engineering Software (2014)中介绍了GWO，提出了一种受灰狼群的社会等级和狩猎策略启发的算法。 - Swarm Intelligence: From Natural to Artificial Systems
关于群体智能的权威书籍，将社会性昆虫的生物学研究与计算算法联系起来，涵盖了蚁群、蜂群和复杂系统中的突发行为。 - Nature-Inspired Optimization Algorithms
一本全面的教科书，涵盖所有主要的群体和进化算法，包括 PSO、ACO、萤火虫算法、蝙蝠算法和布谷鸟搜索，具有数学基础和实际应用。 - Honeybee Democracy
精彩地讲述了蜂群如何通过侦察蜂探索、摇摆舞交流和群体感应的过程做出集体决策——ABC 算法的生物学灵感。 - How Ants Solve the Traveling Salesman Problem - Kurzgesagt Style
动画解释了真实的蚂蚁如何利用信息素踪迹来寻找最短路径，以及这种行为如何激发全球航空公司和物流公司使用的 ACO 算法。 - Particle Swarm Optimization Visualization
PSO 的视觉演示，展示粒子如何探索适应度景观、收敛于最佳解决方案，以及参数选择如何影响收敛行为。 - Starling Murmurations - Emergence in Nature
令人惊叹的八哥低语镜头，并科学解释了简单的当地规则如何创造令人惊叹的集体行为——boids 和 PSO 背后的现实世界灵感。 - Grey Wolf Optimizer Explained with Python Implementation
本教程解释了 GWO 算法的狼层次结构和狩猎阶段，并提供了逐步的 Python 实现和优化过程的可视化。 - Honeybee Democracy - How Bees Make Decisions
该视频根据 Thomas Seeley 的研究，解释了蜂群非凡的民主决策过程，以及 ABC 算法背后的生物学灵感。