這是什麼？
🎯 模擬器提示
📚 術語表
🏆 關鍵人物
Marco Dorigo (1992)
在 1992 年的博士論文中發明了蟻群優化（ACO），創立了群體智慧最有影響力的分支之一。他的工作表明，使用類似信息素的通訊的人工螞蟻可以解決組合最佳化問題。
James Kennedy (1995)
受到鳥群和魚群社會行為的啟發，與 Russell Eberhart 共同發明了粒子群優化 (PSO)。 PSO 成為工程和科學領域中使用最廣泛的最佳化演算法之一。
Craig Reynolds (1986)
創建了 Boids 模擬，示範如何從三個簡單規則（分離、對齊、凝聚）產生複雜的聚集行為。這項基礎工作啟發了群體智慧演算法和電影中的 CGI 人群模擬。
Dervis Karaboga (2005)
開發了人工蜂群 (ABC) 演算法，這是一種群體優化方法，其靈感來自蜜蜂的智慧覓食行為以及僱傭蜂、旁觀蜂和偵察蜂之間的分工。
Russell Eberhart (1995)
與 James Kennedy 共同發明了粒子群優化，並在參數調整、收斂分析以及 PSO 在神經網路訓練和工程設計中的應用方面做出了廣泛的研究。
Thomas Seeley (1990s-present)
康乃爾大學的生物學家，他對蜜蜂決策的詳細研究為受蜜蜂啟發的演算法提供了科學基礎，特別是透過他描述集體巢址選擇的書《蜜蜂民主》。
Seyedali Mirjalili (2014)
開發了灰狼優化器（GWO）和其他幾種受自然啟發的元啟發式演算法，包括鯨魚優化演算法和飛蛾火焰優化，為群體智慧工具包的快速擴展做出了貢獻。
🎓 學習資源
- Ant Colony Optimization: A New Meta-Heuristic
基礎論文介紹了 ACO 作為一種計算優化技術，展示了人工螞蟻如何使用信息素通訊來有效解決旅行商問題。 - Particle Swarm Optimization
1995 年 IEEE 會議的原始論文介紹了 PSO，展示了受社會行為啟發而進行速度和位置更新的粒子群如何優化連續函數。 - Grey Wolf Optimizer
論文在Advances in Engineering Software (2014)中介紹了GWO，提出了一種受灰狼群的社會等級和狩獵策略啟發的演算法。 - Swarm Intelligence: From Natural to Artificial Systems
關於群體智慧的權威書籍，將社會性昆蟲的生物學研究與計算演算法連結起來，涵蓋了蟻群、蜂群和複雜系統中的突發行為。 - Nature-Inspired Optimization Algorithms
一本全面的教科書，涵蓋所有主要的群體和進化演算法，包括 PSO、ACO、螢火蟲演算法、蝙蝠演算法和布穀鳥搜索，具有數學基礎和實際應用。 - Honeybee Democracy
精彩地講述了蜂群如何透過偵察蜂探索、搖擺舞交流和群體感應的過程做出集體決策——ABC 演算法的生物學靈感。 - How Ants Solve the Traveling Salesman Problem - Kurzgesagt Style
動畫解釋了真實的螞蟻如何利用信息素踪跡來尋找最短路徑，以及這種行為如何激發全球航空公司和物流公司使用的 ACO 演算法。 - Particle Swarm Optimization Visualization
PSO 的視覺演示，展示粒子如何探索適應度景觀、收斂於最佳解決方案，以及參數選擇如何影響收斂行為。 - Starling Murmurations - Emergence in Nature
令人驚嘆的八哥低語鏡頭，並科學解釋了簡單的當地規則如何創造令人驚嘆的集體行為——boids 和 PSO 背後的現實世界靈感。 - Grey Wolf Optimizer Explained with Python Implementation
本教程解釋了 GWO 演算法的狼層次結構和狩獵階段，並提供了逐步的 Python 實現和優化過程的可視化。 - Honeybee Democracy - How Bees Make Decisions
影片根據 Thomas Seeley 的研究，解釋了蜂群非凡的民主決策過程，以及 ABC 演算法背後的生物學靈感。