智能优化算法（群智能）是否还有深入研究的必要？
目前越来越的类似于蚁群，蜂群等群体智能优化算法越来越多，相关学者也在不断地撰写相关论文来充实这个领域的研究。但基于“No Free Lunch”这一观点，是否有深入下去基于已有算法不断进行创新甚至微小的变动的必要？ 还是有必要的，你永远不知道下最佳的优化算法是哪个，比如现在大多数深度学习优化算法是梯度下降，对于可微目标函数来说是个不错的选择，但是群智能的算法完全不是基于显式推导出来的，是仿生学原理的启发，但是它在自然界中就是work这点不容置疑，现在也有很多研究群智能算法倒退数学原理的，总体来说群智能算法是优化算法解决NP hard problem的选择之一，并不是全部，但是多一种方法多一条路，以后的群智能算法会更加成熟和规范，比如神经网络的早期模型感知机不也是受仿生学原理人的脑神经而来的么？所以说不要放弃任何一条可行的路子才是科学探索的精神 有必要私以为，群智能是因为理念发展太快，与实际硬件水平脱轨，才会有很多人认为群智能没有现实意义。
多智能体算法的优点是，在多维度空间内，解决非线性问题，解决黑箱模型问题，全剧搜索能力，多维度多目标优化等等，这样的思想理念其实就是针对于现实问题，优化火焰喷嘴，变量是喷嘴的长度，直径，喷口的直径，低压舱中压舱高压舱的压力大小，三个舱的长度直径等等几十个变量，通过传统的建模方式，是很难获得变量之间的关系，因为里面的耦合情况太过严重。而如果能够获得不同情况下输出的情况，设置一些评价函数，可以获得每个维度对系统的影响(用机器学习的说法就是网格搜索法)，之后，通过群智能算法，设置不同的权重，就可以得到自己所希望的参数组合。
多智能体的缺点也很明显，每一次寻优需要遍历所有的智能体后才能完成一次迭代，对于每个智能体而言，在完成一次迭代的过程中只能运动一小步，然而如果要求系统稳定，需要所有的智能体最后位于同一个极值点处，对于初始位置离该点非常远的智能体而言，需要的时间也会很长，然而，这个智能体对于整个算法就像是一块短板，什么时候最远的智能体找到最优值，什么时候系统才算寻优完成，也正因为如此，导致这种多智能体协作的方式寻优速度较慢。
另外一个缺点是这种算法目前很少有数学理论支撑，这也是工程上人们不敢使用他的原因，如果是前文所提到的静态模型寻优还可以使用，但是，如果用智能算法实现控制，不能保证最后系统能够收敛到全局最优点，进而导致算法失效。
现在的处理器，控制器的控制周期越来越短，能够处理的数据量也越来越大，如果未来的处理器速度足够大时，这种算法需要时间长的问题也会被解决。而收敛到局部最优点的问题，随着各个行业的数据量越来越大，当可供学习的数据量足够大时，就可以和机器学习相结合，通过学习到的经验来获得评价函数，进一步判断是否工作在全局最优点。
总的来说，这种算法是一种比较超前的算法，很多人都在说这个是灌水算法，怎么说呢，电刚刚被研发出来的时候，也没有人认可，所以没必要一棒子打死，从1980年这些算法才逐步显现出来，到现在不过四十年，能进步到现在的情况还是值得庆幸的。
以上 泻药，当然有必要，个人私以为，这是机器智能靠近生物智能最可能的方式 个人群智能体算法不是不能奇效，而是需要足够大的群和足够长的计算时间才能起效。
举个例子，一个凸函数，梯度下降法1分钟迭代到最优值附近。一个随机算法暴力求解，产生大量的个体枚举几乎所有可能，并挨个验证，花一周时间到达相同位置。
工程上说梯度下降肯定更优，但自然界里面最不缺的就是时间和个体，每个生物都会过度繁殖，可能的生命体组合也是数不过来，就是拼数量也拼得过了 还有很多可以搞的。
昆虫类有蚁群，鸟类有粒子群，哺乳类有狼群，咱们可以搞一个鱼类的，鱼群算法。至于鱼群算法，咱可以多分出几个，沙丁鱼群算法，金枪鱼群算法。。。
其他的，有模仿树根寻找水源的树根算法，树枝寻找最大光照的树枝算法，模仿冷却结晶的结晶算法。。。。。。 如果身份是高校老师的话有必要，这玩意发论文多申请经费简单，如果是读研导师做这个，赶紧退学吧，别浪费时间 在组合优化问题里花里胡哨的群智能个人感觉真的没啥必要，扯了一堆和原本的粒子群，遗传算法压根就没多大差距，利用启发式的特性找出几组还行的数据，编一个还行的机制就硬往仿生学上套...
遗传算法这种很精妙的想法确实令人佩服，但现在大多数情况是先找一种传递信息方式，然后通过编故事的方式找一种可行的解释，我个人的看法是没啥参考价值...
页:
[1]