一座未知的原始森林里藏着传说中的“神木”，寻宝队长带着一队队员进山。森林广阔无垠，没人知道神木的确切位置，只有走到附近才能闻到那独特的香气。如果一棵树一棵树地搜遍整个森林，时间根本不够用。队长想到了大自然已经使用几百万年的办法：让老队员的“家族经验”一代代传下去并不断优化；让侦察兵像蚂蚁一样沿途留下气味标记，把好走的路越踩越宽；让所有队员拿着对讲机，一发现高度可疑的地点就大声分享，整个队伍像候鸟一样快速向最值得去的地方汇聚。这三种做法，恰恰就是遗传算法、蚁群算法和粒子群优化背后的核心思想。它们不需要求导，不需要完美的数学模型，只需要一个评价“这个解有多好”的函数，就能在复杂搜索空间中不断逼近最优答案。这篇文章会沿着寻宝队的故事，把三种算法的原理、差异与融合方法一次讲透。

岗位关联

对 AI 从业者而言，掌握生物启发算法就等于拥有了一套面对黑盒、非线性、组合爆炸式优化问题的“备用引擎”，能显著拓宽你在实际工程中的解题边界。

目录
  1. 可视化演示
  2. 生物启发概述
  3. 遗传算法原理
  4. 蚁群算法原理
  5. 粒子群算法原理
  6. 行为对比分析
  7. 混合算法设计
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

对比遗传算法、蚁群算法和粒子群优化的搜索行为，展示选择交叉变异、信息素协作和群体智能的收敛过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

遗传算法进化搜索 选择-交叉-变异循环优化种群适应度 高适应度个体交叉产生后代 f(x)→max, P(sel)=f/Σf 轮盘赌选择使优秀基因保留

生物启发概述

探险队长在出发前给队员做了一次动员：森林比想象中大得多，地图不全、地形复杂，不可能每个角落都完整搜索，也不能像无头苍蝇一样乱跑。大自然早就在漫长的演化中回答了类似的问题——老鹰在空中盘旋时不断修正观察角度，蚂蚁发现食物后沿途留下化学标记引导同伴，候鸟根据群体的叫声调整飞行方向。这些行为背后有一个共同公式：不断尝试、保留更好的结果、舍弃更差的结果、重复循环。计算机科学家把这个公式变成可以在程序中运行的迭代流程，就得到了“生物启发算法”这个大家族。

生物启发算法是不依赖梯度信息的优化方法。传统梯度下降要求目标函数可导，而且很容易被局部极小值困住；但在很多真实问题里，目标函数是黑盒，甚至无法写出表达式。生物启发算法的思路是：维护一组候选解，通过模仿“优胜劣汰”“信息传递”“群体协作”等机制，让候选解一代代或一轮轮地改进。它只需要两样东西：一组初始候选解，以及一个能评价候选解优劣的适应度函数。

以最基础的优化问题为例，我们想在一个允许的空间里找到某个位置，使目标函数值最大化：

回到寻宝队的故事：队员的每次定位就是一个候选解，队员报出的“香气浓度”就是目标函数值，森林边界就是可行域。生物启发算法的任务，好像队长不断根据队员汇报调整队伍分布，让搜索重心逐渐移向香气最浓的位置。理解了这个框架，后面三种算法的差异就顺理成章了。

max⁡x∈Df(x)\displaystyle \max_{x \in \mathcal{D}} f(x)
这个公式表示：在可行域 \(\mathcal{D}\) 内，寻找一个候选解 \(x\)，让评价函数 \(f(x)\) 达到最大值。
  1. 目标函数衡量候选解好坏的标准，相当于探险队对神木香气的浓度读数。
    f(x)f(x)
  2. 候选解变量变量 x 是我们不断调整的候选解，相当于队员在地图上标识的一个位置。
    xx
  3. 可行域可行域划定变量 x 可以出现的范围，相当于森林允许搜索的区域边界。
    x∈Dx \in \mathcal{D}
  4. 取最大值优化的目标就是在可行域中找出让目标函数取值最大的那个 x。
    max⁡\max

遗传算法原理

队伍里有一个“寻宝世家”，老前辈积累了一本厚厚的家传地图册。每一代探险家只挑选路线最成功的人作为父母，把他们的地图片段交叉拼接成新地图传给后代；偶尔，个别地图上还会出现一条从未记录过的新路线，那可能是某个后辈天马行空的灵光一闪。就这样一代代迭代，地图越来越接近神木所在的位置。这个“世家传承”模式，正是遗传算法的真实写照。

遗传算法（Genetic Algorithm，GA）模拟达尔文进化论：若干候选解组成一个种群，每个候选解被编码成一条“染色体”；算法先评估种群中每个人的适应度，然后按适应度比例选择父母，让父母染色体通过交叉产生后代，再用一定概率让某些基因发生变异。如此循环，种群整体质量会逐步提升。值得一提的是，GA 的随机性并不是胡来——选择压力保证了优秀基因会被保留，交叉和变异则负责不断创造新的基因组合。

在“选择”这一环节，每个个体被选中进入下一代的概率，通常与其适应度占总适应度的比例挂钩：

在寻宝队眼中，这份“家传地图册”就是种群基因库。老队员路线被保留得越多，后代地图的起点就越好；偶尔出现的“新路线”（变异）可能看起来很离谱，却往往是发现神木新捷径的关键。正因为存在这些看似冒险的随机扰动，遗传算法才能在复杂地形中保持探索新鲜区域的能力。

Pi=fi∑j=1Nfj\displaystyle P_i = \frac{f_i}{\sum_{j=1}^{N} f_j}
这个公式把适应度转换成概率：适应度越高，被选中当作父母的概率越大，这正是“优胜劣汰”的数学表达。
  1. 个体适应度每个候选解的适应度分数代表它的生存能力，分数越高越值得被选中。
    fif_i
  2. 总适应度把种群中所有个体的适应度相加，作为归一化分母。
    ∑j=1Nfj\sum_{j=1}^{N} f_j
  3. 选择概率个体适应度除以总适应度，得到该个体被选中的概率。
    Pi=fi∑j=1NfjP_i = \frac{f_i}{\sum_{j=1}^{N} f_j}

蚁群算法原理

队长派出了一批侦察兵，采用“蚂蚁仿生”战术：每名侦察兵每走一段路，就在路边放一小罐气味标记——信息素。如果一条路离神木近、走起来顺畅，侦察兵就会多放几罐；后续队员看到气味浓的路更愿意走，走的人多了，气味就更浓。相反，没人走的路气味慢慢散去。最终队伍会自发锁定一条最优路径。

蚁群算法（Ant Colony Optimization，ACO）正是利用这种正反馈机制求解组合优化问题。在算法中，人工蚂蚁在图上按概率选择下一步路径，选择概率由信息素浓度与启发信息共同决定。每完成一轮搜索后，所有蚂蚁走过的路径都会更新信息素：优质解路径获得更多信息素，所有路径的信息素同时按一定比例挥发。这样，差的路径逐渐被遗忘，好的路径越来越突出，最终收敛到最优路线上。

信息素更新的标准形式是：

对寻宝队来说，信息素挥发机制尤其巧妙：如果有一条路曾经好走但后来因为山体滑坡变危险了，先前的浓信息素会被一次次挥发掉，后续队员就不会盲目拥挤过去。这条“气味地图”既保留历史经验，又给新路线留出机会，最后形成一笔团队共识般的路径记忆。

τij(t+1)=(1−ρ)τij(t)+∑k=1mΔτijk\displaystyle \tau_{ij}(t+1) = (1-\rho)\tau_{ij}(t) + \sum_{k=1}^{m} \Delta \tau_{ij}^{k}
该公式描述路径 \((i,j)\) 上的信息素在新一轮后的总量：旧痕迹按比例残留，再加上本轮所有蚂蚁新留下的信息素。
  1. 挥发系数信息素会随时间蒸发，用 \(\rho\) 控制旧痕迹淡化的速度，避免信息素无限积累。
    (1−ρ)(1-\rho)
  2. 旧信息素残留上一轮迭代留下的信息素乘以残留比例后，仍是路径影响力的基础。
    τij(t)\tau_{ij}(t)
  3. 新增信息素总量本轮所有蚂蚁经过该路径时新留下的信息素加起来，路径越热门增量越大。
    ∑k=1mΔτijk\sum_{k=1}^{m} \Delta \tau_{ij}^{k}

粒子群算法原理

后来队长给每位队员发了一台对讲机，新的战术非常简单：每个人心里记住自己这辈子闻到过最香的三个地点（个体最佳）；同时，队长随时广播全队目前发现的最香位置（群体最佳）。下一步怎么走？队长说：第一，按自己当前的速度继续滑行；第二，朝自己记忆中最香的位置偏一点；第三，朝全队最香的位置多偏一些。三个方向叠加起来，就是每个人下一步的行动路线。

粒子群优化（Particle Swarm Optimization，PSO）正是这样一群“带记忆的鸟”。每个粒子代表一个候选解，有位置和速度；粒子不仅保存自己历史最优位置 \(p_i\)，还能共享整个群体历史最优位置 \(g\)。每次迭代时，粒子根据惯性、个体认知和社会信息共同更新速度，再更新位置。由于信息共享效率极高，粒子群往往能很快锁定一片有希望的区域。

速度更新公式是 PSO 的灵魂：

在寻宝队里，如果队员只靠自己记忆，每个人可能都困在曾经到过的小山包上；如果只靠队长广播，又会失去个人探索的多样性。PSO 的精妙之处在于用两个系数平衡“个人经验”和“群体智慧”，让队伍既不会散成一盘沙，也不会盲目从众。

vi(t+1)=ωvi(t)+c1r1(pi−xi)+c2r2(g−xi)\displaystyle v_i(t+1) = \omega v_i(t) + c_1 r_1 (p_i - x_i) + c_2 r_2 (g - x_i)
新速度 = 惯性项 + 个体认知项 + 社会学习项，三者共同决定粒子下一步往哪飞。
  1. 惯性项粒子保持上一时刻的趋势，相当于队员凭借当前速度继续前行。
    ωvi(t)\omega v_i(t)
  2. 认知项粒子被拉向自己历史最佳位置，相当于“我记得自己找到过的好地方”。
    c1r1(pi−xi)c_1 r_1 (p_i - x_i)
  3. 社会项粒子被拉向全局最佳位置，相当于“我听队长说那边更香”。
    c2r2(g−xi)c_2 r_2 (g - x_i)

行为对比分析

几轮任务下来，队长在作战室贴出了三张画像：遗传算法是耕读传家的世家，一代代积累优势；蚁群算法是擅长画气味地图的侦察兵，最适合在选择题型路径上找捷径；粒子群算法是抱团飞行的鸟群，启动快、沟通强，但也容易一头扎进错误的小山头。队长明白，选哪个方案不能拍脑袋，得对比它们的搜索行为和收敛特点。

从搜索行为看，遗传算法的强项是保持多样性：交叉产生新组合，变异引入随机扰动，因此全局探索能力强，但收敛速度通常较慢。蚁群算法依靠信息素正反馈，在离散路径类问题上表现稳定，但初期蚂蚁盲目试探，收敛较慢。粒子群算法共享信息直接，收敛速度最快，但也最容易出现“早熟”——所有粒子过早聚在一起，错过真正的神木。工程师经常用一个指标监控群体的搜索状态，那就是种群多样性：

寻宝队对这个指标深有体会：如果 D 值快速掉到零附近，说明所有队员都挤在同一个地方——如果那里不是神木，队伍就“早熟”了。所以优秀队长会像工程师一样，在探索与开发之间做动态平衡：前期让队伍分散，多样性高一些；后期再逐步缩小包围圈，集中开发有希望的区域。

D=1N∑i=1N∥xi−xˉ∥2\displaystyle D = \frac{1}{N} \sum_{i=1}^{N} \| x_i - \bar{x} \|_2
多样性 D 衡量所有个体到种群中心的平均距离，D 越大代表探索范围越广，D 越小组团越集中。
  1. 种群中心先求出所有个体的平均位置 \(\bar{x}\)，作为群体的重心。
    xˉ\bar{x}
  2. 个体到中心的距离用欧氏距离计算每个个体偏离中心的程度，偏离越大扩散越明显。
    ∥xi−xˉ∥2\| x_i - \bar{x} \|_2
  3. 平均多样性指标把距离求和再取平均，得到反映群体分散程度的单一数值。
    D=1N∑i=1N∥xi−xˉ∥2D = \frac{1}{N} \sum_{i=1}^{N} \| x_i - \bar{x} \|_2

混合算法设计

经过一番对比，队长冷静地指出：“单一方案各有软肋，那就不打单挑了，打组合拳！”先派对讲机部队（PSO）快速扫描整片森林，锁定几个香气可疑的大区域；再让信息素侦察兵（ACO）在这些大区域之间建立路线连接，评估区域之间的性价比；最后让世家子弟（GA）进入每个可疑区域做精细代际搜索。三个方案各管一段，配合得天衣无缝。

这种设计思路在真实工程中就是混合算法。混合算法把不同元启发式按串行或并行方式组合起来，让它们优势互补。常见做法有很多：例如用 PSO 快速生成高质量初始解，再交给 GA 进行精细优化；或者在 GA 每一代结束后，对最优个体做一次局部搜索（爬山法），相当于在“进化”之后再“打磨”。混合算法的目标函数也可以写成加权组合形式：

寻宝队最后的总结很实用：混合并不等于“越复杂越好”。如果没有严格的性能评估——例如在相同迭代预算下比较多次运行的最佳解、平均值、方差和耗时——就无法判断组合拳到底有没有提升。只有像考核队员一样用统一标准衡量算法，混合策略才能真正成为可靠的工程选择。

fhybrid(x)=λfglobal(x)+(1−λ)flocal(x)\displaystyle f_{\text{hybrid}}(x) = \lambda f_{\text{global}}(x) + (1-\lambda) f_{\text{local}}(x)
混合后的评价函数由全局搜索项和局部搜索项加权相加，\(\lambda\) 控制两者的优先级。
  1. 全局搜索项负责大面积扫描与探索，擅长跳出局部区域，发现新的高价值地带。
    fglobal(x)f_{\text{global}}(x)
  2. 局部搜索项负责在已有范围内精细打磨，让解的质量从“差不多”变成“很精确”。
    flocal(x)f_{\text{local}}(x)
  3. 加权组合用权重 \(\lambda\) 调节二者比重，\(\lambda\) 接近 1 时偏重探索，接近 0 时偏重开发。
    λfglobal(x)+(1−λ)flocal(x)\lambda f_{\text{global}}(x) + (1-\lambda) f_{\text{local}}(x)

AI 应用场景

无人机集群搜救

阶段：路径规划与群体决策

解决的问题：传统搜救无人机多按预设航线飞行，遇到动态障碍或新情报时反应慢；AI 驱动的粒子群优化让每架无人机像“带对讲机的鸟”一样实时交换目标点，快速聚焦到受困者概率最高的区域。

具体案例：某山区救援队派出 20 架无人机，以 PSO 算法动态更新每架飞机的目标坐标：每架飞机既保留自己扫描到的最可疑点，也参考机群共享的全局热点。当一架无人机发现热源信号，整个机群会迅速转移搜索重心，覆盖效率比固定航线提升约 30%。

城市物流路径优化

阶段：组合优化决策

解决的问题：快递公司每天要为数百个配送点规划路线，精确算法随网点数量爆炸式增长；蚁群算法用“信息素”记住优质路径的历史表现，再结合实时拥堵数据动态调整路线。

具体案例：某同城配送平台在配送网络图上运行 ACO 算法，每条路段的信息素浓度代表过去一段时间该路段的通行质量。结果系统不仅能避开拥堵路段，还能在新增订单时快速重新规划。试点城市每车日行驶里程减少了约 15%。

神经网络超参数自动搜索

阶段：模型训练与调优

解决的问题：深度学习模型的学习率、层数、隐藏单元数等组合空间巨大，人工调参依赖经验且耗时；遗传算法把每组超参数当成一条“染色体”，通过选择、交叉、变异自动搜索优秀配置。

具体案例：某机器学习平台用 GA 自动搜索小型 Transformer 的超参数：初始种群包含 50 组随机配置，每组在验证集上训练 5 个 epoch 得到适应度；经过 20 代演化，找到的超参数组合比基线网格搜索节省约 60% 的评估预算，同时准确率更高。

Python 演示

python54 行
import randomimport math def eval_fn(x, y):    # 多峰函数, 全局最优大约在 (0, 0) 附近    return math.sin(x) * math.cos(y) - 0.05 * (x * x + y * y) def pso(pop_size=40, steps=60):    swarm = []    for _ in range(pop_size):        x, y = random.uniform(-4, 4), random.uniform(-4, 4)        swarm.append({            "x": x, "y": y,            "vx": random.uniform(-1, 1), "vy": random.uniform(-1, 1),            "px": x, "py": y, "pf": eval_fn(x, y),        })    gx, gy, gf = swarm[0]["px"], swarm[0]["py"], swarm[0]["pf"]    for p in swarm:        if p["pf"] > gf:            gx, gy, gf = p["px"], p["py"], p["pf"]    for _ in range(steps):        for p in swarm:            p["x"] += p["vx"]            p["y"] += p["vy"]            p["vx"] = 0.7 * p["vx"] + 0.5 * random.random() * (p["px"] - p["x"]) + 0.9 * random.random() * (gx - p["x"])            p["vy"] = 0.7 * p["vy"] + 0.5 * random.random() * (p["py"] - p["y"]) + 0.9 * random.random() * (gy - p["y"])            f = eval_fn(p["x"], p["y"])            if f > p["pf"]:                p["pf"] = f                p["px"], p["py"] = p["x"], p["y"]            if f > gf:                gf = f                gx, gy = p["x"], p["y"]    return round(gf, 4), round(gx, 4), round(gy, 4) def ga(pop_size=40, steps=60):    pop = [[random.uniform(-4, 4), random.uniform(-4, 4)] for _ in range(pop_size)]    for _ in range(steps):        scored = sorted(pop, key=lambda c: eval_fn(c[0], c[1]), reverse=True)        new_pop = scored[:2]        while len(new_pop) < pop_size:            p1 = random.choice(scored[:10])            p2 = random.choice(scored[:10])            child = [(p1[0] + p2[0]) / 2, (p1[1] + p2[1]) / 2]            child[0] += random.gauss(0, 0.2)            child[1] += random.gauss(0, 0.2)            new_pop.append(child)        pop = new_pop    best = max(pop, key=lambda c: eval_fn(c[0], c[1]))    return round(eval_fn(best[0], best[1]), 4), round(best[0], 4), round(best[1], 4) if __name__ == "__main__":    print("PSO:", pso())    print("GA:", ga())
目的：在一个多峰连续函数上分别运行粒子群优化和遗传算法，比较两种生物启发算法的搜索效果。
  1. def eval_fn(x, y):定义目标函数，对应寻宝队“闻到的神木香气浓度”。
  2. swarm.append({...})初始化粒子群，每个粒子保存位置、速度和个体最佳信息。
  3. p["vx"] = 0.7 * p["vx"] + ...PSO 速度更新公式，综合惯性、认知项和社会项。
  4. if f > p["pf"]:若当前位置比历史最佳更好，就更新个体最佳。
  5. if f > gf:若当前适应度超过全局最佳，就更新群体共享的最佳位置。
  6. scored = sorted(pop, key=lambda c: eval_fn(c[0], c[1]), reverse=True)按适应度从高到低排序种群，模拟“选择”。
  7. child = [(p1[0] + p2[0]) / 2, (p1[1] + p2[1]) / 2]对两个父代做算术交叉，生成一个子代。
  8. child[0] += random.gauss(0, 0.2)对子代施加高斯变异，保持种群探索能力。
  9. if __name__ == "__main__":使模块可被直接运行，也可被其他脚本导入调用。

常见误区

误区很多人认为遗传算法就是一次次随机生成答案，碰运气找最优解，跟瞎猜差不多。

正解遗传算法中的随机性只集中在初始化和变异环节，真正的方向盘是选择机制——适应度高的个体以更大概率留下后代，交叉重组信息让优势基因累积，逐步把搜索推向高质量区域。随机是引擎，选择才是导航，就像寻宝队虽然允许队员走新路，但只有表现优秀的老队员才能决定后代的路线。

为何常见：初学者看到交叉和变异都带随机性，容易忽视选择压力才是推动种群进化的核心力量。

误区教科书总用旅行商问题举例，导致很多人认为 ACO 只适合做路径规划，无法用于连续优化。

正解ACO 是一类基于信息素正反馈的元启发式算法，只要能把搜索空间映射成图结构，就可以使用。研究者还提出连续 ACO（如 ACOR），用概率分布替代离散路径表示，使其能处理连续参数优化。“信息素”本质是一种记忆机制，并不局限于路线。

为何常见：典型示例往往是离散路径问题，容易让人把“经典应用”误认为“能力边界”。

误区PSO 经常被归类为“全局优化算法”，于是有人认为它每次都能找到全局最优，不会陷入局部最优。

正解PSO 的“全局优化”是一个设计目标，不是性能保证。当群体参数设置不当或问题误导性太强时，粒子可能过早聚集到局部最优，这种现象叫“早熟收敛”。实际使用中需要监控种群多样性，必要时增大惯性权重或变异扰动。

为何常见：“全局最优”这个词听起来像承诺，很多新手把算法名称中的“全局”当成了结果保证。

误区看到迭代曲线快速下降就认为算法很优秀，直接照搬到生产环境。

正解快速收敛通常意味着探索不足，群体可能还没看清整个搜索空间就匆匆聚集。真正评估一个算法要看多次运行的最佳解质量、解的平均水平、方差和运行时间；有时“慢一点”的算法反而能找到更稳定的更优解。

为何常见：演示时最先吸引眼球的往往是最速曲线，但收敛曲线的陡峭程度并不能代表解的最终质量。

误区教材按 GA、ACO、PSO 分章讲解，让人以为这些算法互相独立，不能组合。

正解工业界非常流行混合算法：GA 负责全局探索，局部搜索负责精细打磨；或用 PSO 快速生成好初始解，再交给 ACO 处理路径细节。混合的关键是评估计算开销与收益，合理地组合常常比单一算法更稳健。

为何常见：教学单元割裂导致思维定式，但工程中的算法库更像是工具箱，组合工具才是常态。

面试题

Q1. 生物启发算法的共同优点是下列哪一项？

单选题 · easy

  • A.无需梯度即可搜索← 正确答案
  • B.必须使用解析公式
  • C.只能解决连续问题
  • D.一定找到全局最优

答案：A。生物启发算法通过评价候选解的适应度进行迭代，不依赖目标函数导数，因此适合黑盒、不可导问题。B、C、D 都不符合事实：解析公式不是前提，离散问题同样可解，且它们都不保证全局最优。

Q2. 遗传算法中，交叉操作的主要作用是什么？

单选题 · easy

  • A.减少种群多样性
  • B.重组基因产生新个体← 正确答案
  • C.替代适应度评价
  • D.直接选择父代复制

答案：B。交叉将两个父代染色体的基因片段重新组合，生成携带双方特点的新个体。它不是评估、不是选择，也不是减少多样性，相反它能创造新的基因组合并推动搜索前进。

Q3. 蚁群算法信息素更新中的挥发系数 \(\rho\) 的主要作用是什么？

单选题 · mid

  • A.防止信息素无限积累← 正确答案
  • B.提高初始化随机速度
  • C.直接消除蚂蚁个体记忆
  • D.强制生成局部最优解

答案：A。信息素挥发机制让旧痕迹逐渐淡化，避免历史信息无限堆积掩盖新路径的机会，同时也让差路径能被逐渐遗忘。它不直接干预蚂蚁记忆，也不负责生成局部最优解。

Q4. 粒子群速度更新公式中 \(c_2 r_2 (g - x_i)\) 代表哪一项？

单选题 · mid

  • A.惯性项保持原有趋势
  • B.认知项靠近个体最优
  • C.社会项靠近全局最优← 正确答案
  • D.变异项随机扰动位置

答案：C。公式中 \(g\) 是群体历史最佳位置，\(x_i\) 是当前粒子位置，这一项将粒子拉向群体最佳，因此叫社会项。惯性项是 \(\omega v_i\)，认知项是 \(c_1 r_1 (p_i - x_i)\)。

Q5. TSP（旅行商问题）这类离散组合优化问题最常用哪类算法求解？

单选题 · mid

  • A.蚁群算法← 正确答案
  • B.牛顿法
  • C.单纯形法
  • D.梯度下降

答案：A。TSP 是离散路径组合优化问题，ACO 的信息素正反馈机制和路径构建过程天然契合该类问题。牛顿法、单纯形法和梯度下降主要面向连续可导优化场景。

Q6. 下列哪些属于生物启发算法？

多选题 · mid

  • A.遗传算法← 正确答案
  • B.蚁群优化← 正确答案
  • C.快速排序
  • D.粒子群优化← 正确答案

答案：ABD。遗传算法、蚁群优化、粒子群优化分别从进化论、蚂蚁觅食和鸟群行为获得灵感，属于生物启发算法。快速排序是传统比较排序算法，与生物启发无关。

Q7. 粒子群优化中“个体最佳位置”记录的是什么？

单选题 · easy

  • A.粒子自身历史最优位置← 正确答案
  • B.全局所有粒子的最优位置
  • C.当前迭代的种群平均位置
  • D.初始化时随机选出的位置

答案：A。每个粒子在飞行过程中不断比较自己当前位置与历史位置，记录下自己见过的最优解，即个体最佳 \(p_i\)。全局最佳 \(g\) 则由整个群体共享，二者经常被初学者混淆。

Q8. 关于混合生物启发算法的说法，下列哪些正确？

多选题 · hard

  • A.可结合全局与局部搜索← 正确答案
  • B.一定优于任何单一算法
  • C.需要评估计算开销与增益← 正确答案
  • D.只适用于离散优化场景

答案：AC。混合算法把全局探索型算法和局部精调型算法组合，优势互补，因此需要评估增加的计算开销是否换来了解质量的提升。它并不保证一定更好，也不只适用于离散问题。

Q9. 当遗传算法种群多样性快速下降并陷入局部最优时，哪个调整方向最合理？

单选题 · mid

  • A.提高变异概率并保持多样性← 正确答案
  • B.降低收敛速度并完全删除选择
  • C.固定惯性权重且不做任何改变
  • D.移除或禁用全部交叉算子

答案：A。变异能引入新鲜基因，是抵抗早熟收敛的重要手段；同时保留选择压力才能确保优化方向。完全删除选择或交叉都会破坏算法基本机制，固定参数通常也无法解决问题。

Q10. 在三种算法中，哪种算法的收敛速度通常最快，但也最需要警惕早熟风险？

单选题 · hard

  • A.粒子群优化← 正确答案
  • B.遗传算法
  • C.蚁群优化
  • D.随机搜索

答案：A。PSO 通过共享全局最佳位置快速传递信息，迭代初期收敛速度在三种算法中通常最快。但正因为信息传递高效，粒子容易过早聚集到局部最优，需要监控多样性并考虑混合策略来规避早熟。