群体智能算法是一类源于自然现象与社会规律启发的智能算法，是当前人工智能方法的重要组成部分。本书从群体智能算法的基本特征入手，介绍了常见的群体智能算法及其理论基础研究的三大内容：数学模型、收敛性与时间复杂度，详细阐述了粒子群优化算法、蚁群优化算法、鸽群优化算法、头脑风暴算法与烟花算法的数学模型、收敛性分析与时间复杂度分析等研究结果。为了方便读者开展算法理论分析的实践，部分章节提供了配套实用软件工具的使用案例。本书适合从事智能优化、进化计算、计算智能、智能优化、管理科学与应用数学领域研究的学者与研究生阅读，也可以作为智能算法应用工程师的辅助工具书。

黄翰，华南理工大学软件学院教授、博导，国家级青年人才项目入选者，兼任国际学术期刊IEEE TEVC等副编、大数据与智能机器人教育部重点实验室副主任、广东省本科高校软件工程专业指导委员会主任委员等；主持科技部重点研发项目、国家自然科学基金等近20项；在IEEE TCYB、IEEE TSE等专业学术期刊发表论文60多篇；长期致力于智能算法理论、应用与产业生态的研究，完成落地应用案例70多项。

前言 群体智能算法是一类非常有趣且实用的人工智能方法。有趣，是因为它的设计思想多来源于自然界动物的种群行为现象或者人类社会的群体行为规律；实用，是因为它的设计思路比较符合人的计算思维，容易被工程师掌握并应用于实际。因此，群体智能算法自 1989年提出至今历经 30多年仍吸引着学术界和工业界的广泛关注，连续多年成为研究与应用的潮流热点。 虽然针对群体智能算法的设计与应用的研究不少，但是针对其理论基础的研究却还是凤毛麟角。这一点和进化算法的情况非常类似。针对进化算法的理论基础研究工作主要是缺少算法时间复杂度方面的研究，而针对群体智能算法的理论基础研究工作则是全方位的欠缺，包括数学模型、收敛性分析与时间复杂度三个方面。本书针对理论基础而阐述的内容主要包括了群体智能算法的数学模型、收敛性分析与时间复杂度。人工智能的本质是知识表示，而数学模型是理论基础研究的知识表示方式。因此，我们对于每一类算法理论基础的介绍都是从其数学模型开始的。收敛性则是评价群体智能算法是否最终可以停机并达到最优解的标准，然而它是一种基于迭代次数趋于无穷的分析结果，我们还需要另一个标准来评价算法的性能与效率。这个标准就是时间复杂度，它可以度量群体智能算法在平均意义下需要多少次迭代达到最优解。 与进化算法类似，群体智能算法的种类很多。本书仅仅选择了五类相对有代表性的群体智能算法作为主要的介绍对象。其中，粒子群优化算法和蚁群优化算法是国外学者原创的算法，曾是学术界的高被引研究主题；鸽群优化算法与烟花算法则是国内学者原创的算法；而头脑风暴优化算法是美籍华人学者在国内工作时提出的算法。每一种算法都有比较重要的学术研...