Nature-Inspired 元启发式算法综述：群智 / 生物 / 物理 / 化学四条启发源

  • 关联论文：1307.4186
  • 作者：flyP
  • 更新：2026-08-13

一句话结论

这篇 2013 年的短综述把"自然启发的元启发式算法"按灵感来源（swarm intelligence / bio-inspired / physics-based / chemistry-based）切成四大类，用一张相对完整的清单把当时散落在各处的算法收编进同一框架——它本身不发明新算法，而是一张地图，后续二十多年优化领域几乎都从这张地图出发。

解决什么真问题

优化领域长期存在一个结构性混乱：每年都有几十种"新元启发式算法"被提出，名字各异（PSO、GA、ACO、ABC、CS、Firefly、TLBO、Krill Herd、Grey Wolf…），各自挂上不同的生物/物理隐喻，但对算法之间关系、彼此性能边界、共同设计原则始终缺乏统一索引。

研究者真正想要的回答是：当面对一个新问题时，该选哪个族、用哪个变体、调哪些参数？综述给的不是"答案"，而是"候选清单 + 分类法"——这恰恰是后续 benchmark 论文（如 CEC 竞赛、Niching benchmark）和"算法组件统一框架"（如同年后的自动算法选择 metalearning）能站住脚的底座。

核心方法（机制）

论文结构非常工程化——按灵感源分类 + 简要描述每个算法的更新规则。核心机制可以归纳为四族：

1. Swarm Intelligence（群智能）

  • 灵感来源：群体行为（鸟群、鱼群、蜂群、蚁群）。
  • 典型算法：PSO（粒子群，Kennedy & Eberhart 1995）、ACO（蚁群，Dorigo 1992）、ABC（人工蜂群，Karaboga 2005）、Firefly（萤火虫，Yang 2008）、CS（布谷鸟，Yang & Deb 2009）、BA（蝙蝠，Yang 2010）、Krill Herd（磷虾，Gandomi & Alavi 2012）。
  • 共同机制：候选解 = "粒子 / 蚂蚁 / 蜜蜂 / 萤火虫"，通过局部信息素 / 距离 / 亮度交互产生全局搜索压力。

2. Bio-inspired（非群体，个体生物学启发）

  • 灵感来源：进化、遗传、免疫、内分泌。
  • 典型算法：GA（遗传算法，Holland 1975）、DE（差分进化，Storn & Price 1997）、EP（进化规划，Fogel 1966）、ES（进化策略，Rechenberg 1973）、BBO（生物地理学优化，Simon 2008）、AIS（人工免疫系统，Dasgupta 1997）。
  • 共同机制：选择 + 变异 + 交叉为骨架，DE 用差分向量作为变异算子是其经典创新。

3. Physics-based（物理过程）

  • 灵感来源：物理定律（引力、电磁、Annealing、瀑布、河流）。
  • 典型算法：SA（模拟退火，Kirkpatrick 1983）、GSA（引力搜索，Rashedi 2009）、BB-BC（Big-Bang Big-Crunch，Erol 2006）、HDE（黑洞蒸发，Hatamlou 2013）、WCA（Water Cycle，Eskandar 2012）。
  • 共同机制：用某种物理平衡/扩散/吸引子作为搜索动力，候选解的更新规则往往可直接写出封闭公式。

4. Chemistry-based（化学反应）

  • 灵感来源：化学反应动力学。
  • 典型算法：CRA（Chemical Reaction Optimization，Lam & Li 2010）、ASBO（Artificial Chemical Reaction Optimization Algorithm）。
  • 这一族最小众，也最容易"看起来新而无新意"，后来几乎没有大规模 benchmark 复用。

论文给出的伪代码骨架对四族通用：

Initialize population P of candidate solutions
Evaluate fitness f(x) for all x in P
while not converged:
    for each agent x in P:
        # 核心差异在这里：不同族用不同的"邻域算子"
        x_new = update(x, P, f)        # PSO 用速度更新 / GA 用交叉变异 / GSA 用引力
        if f(x_new) better than f(x):
            accept x_new into P
Return best x in P

真正统一的不是算法，而是 meta-template——这正是综述隐藏的最大工程价值：它隐含提出了"任意自然启发算法 = 候选解种群 + 邻域算子 + 接受准则"三件套。

关键实验与数据

⚠️ 数字核验：本综述不报告新实验数据，只汇编算法清单与简短描述。它的"数据"是算法的存在性——一篇被引 676 次（S2）/ 390（OpenAlex）/ 21（影响力加权）的高被引综述，引用价值在于"覆盖广度"而非"实验精度"。

按 W32 lessons 提到的"数字可溯源 + 显式核验路径"原则： - ✅ 算法名称、作者、年份均可在原综述表格中找到对应行； - ⚠️ 综述未给出任何"哪个算法在哪个问题上更好"的定量比较；任何关于"哪个算法最优"的引申都需要回到原始论文 + CEC 竞赛系列数据，本综述不背书性能排序。

亮点与局限

亮点

  1. 分类法可复用：四族划分至今仍是入门课程的标准切法，Kennedy、Yang、Gandomi 等综述基本沿用这一框架。
  2. 覆盖广：单篇覆盖了 2013 年前几乎所有主流族与代表性算法，对工程选型来说是"一张地图"。
  3. 短而密：约 8 页综述，却能容纳如此多算法，体现"清单式综述"的密度优势。

局限（按 lessons 要求显式标注 ⚠️）

  • ⚠️ 没有定量比较：不报告任何 benchmark 数据；后续读者必须自己看 CEC 2013/2014/2015 竞赛结果才能补上性能视角。
  • ⚠️ 没有"no-free-lunch"讨论：未触及 Wolpert 1996 NFL 定理与 hyper-heuristic 视角，对"为什么没有万能算法"未给出形式化处理。
  • ⚠️ 分类边界模糊：部分算法（如 FA / Bat / CS）既被划为"群智"又被划为"生物"，论文自己也承认分类并不互斥。
  • ⚠️ 2013 年截止，未覆盖后续大模型时代的"算法选择 LLM"——这是一个有意义的延伸方向，但本综述没写。
  • ⚠️ citation 数据需复核：676（S2）/ 390（OpenAlex）/ 21（影响力被引）来自 paper_card 元数据（OpenAlex 更新 2026-08-13），具体口径以原文 + Semantic Scholar API 为准。

对工程落地的启发

  1. 不要重复发明轮子：选型时先看这四族是不是都有现成稳定实现（DE / PSO / GA / SA 在 SciPy、PyPop7、MEALPY 等库都齐全；Firefly / Bat / WCA 往往只在原作者 MATLAB 工具箱里）。
  2. 把算法当 hyperparameter：CEC 2014 之后主流做法是"多种群多策略 + 自动化选择"，而不是"挑一个算法"。
  3. 关注算法组件而非算法名字：论文隐藏的 meta-template（种群 + 邻域算子 + 接受准则）才是工业级实现的真正骨架。
  4. 小型问题别上元启发：小维度连续问题优先用 BFGS / L-BFGS / SciPy minimize，元启发式在小问题上并不占优，论文本身也只面向 NP-hard / 黑盒场景。

与同方向工作的关系

  • 前序工作：Kennedy & Eberhart 1995（PSO 原论文）、Dorigo 1992（ACO 原论文）、Yang 2008/2009/2010（FA / CS / BA 系列）—— 综述本身是这些原论文的下游。
  • 平行工作：Yang 自己 2014 年出了专著 Nature-Inspired Optimization Algorithms，可以视为本综述的扩展版。
  • 后续工作：
  • CEC 2013-2015 benchmark 系列给出定量比较，补上综述缺的性能视角；
  • Hyper-heuristic / 自动算法选择（Burke 2013 综述）把"算法清单"升级为"算法选择策略"；
  • CMA-ES（Hansen 2016 教程版）作为"非自然启发但元启发最强基准"在很多论文里被作为对照；
  • 大模型时代出现 LLM-as-Optimizer（Yang 2023）、FunSearch（DeepMind 2023）用 LLM 搜索新算法——可视为"算法自动发现"对人工清单的颠覆。

适合谁读

  • ✅ 优化方向研究生入门：5 分钟看完分类法，比读 10 篇原论文更快建立坐标。
  • ✅ 算法选型工程师：工业问题上想确认"我用的 PSO / GA 是不是已经被某新算法碾压"——本综述的清单能快速定位候选。
  • ✅ 做算法综述/教学视频的人：分类骨架可直接复用。
  • ❌ 追求 SOTA 性能：本综述不背书性能，必须读 CEC 竞赛系列 + 最新元启发 benchmark。
  • ❌ 离散 / 组合优化深度研究者：综述对图着色、TSP、调度等问题的特化算法覆盖很薄。

来源与核验

  • 论文 TLDR / 摘要 / Subjects：web_fetch https://arxiv.org/abs/1307.4186（2026-08-13 03:16 UTC 校验）
  • paper_card：/shared/research-kb/organized/paper_cards/916-1307-4186.md（OpenAlex 更新 2026-08-13）
  • ⚠️ 不确定处：算法原始年份与作者均以论文表格为准；被引数字（676 / 390 / 21）为 card 元数据；本综述未报告新实验数据。

工程落地与核查（Jay）

实际系统怎么用

核心工程价值：这篇综述的工程落地价值不在于实现某个算法，而在于选型决策框架。如果你面对的是一个黑盒优化问题（仿真器、硬件参数调优、神经网络超参搜索），按以下步骤操作：

  1. 确认问题规模：维度 > 30、目标函数评估 > 1s、单次运行 > 1h → 元启发式适用；否则优先 BFGS/SciPy。
  2. 选择算法族：若问题有凸性 → DE 或 CMA-ES；若问题有多个峰 → PSO 或 HA（Harmony Search）；若问题需要全局探索强 → GSA 或 WCA。
  3. 标准化接口：fitness_fn(x: np.ndarray) -> float，与算法实现解耦。
  4. 参数预算：CEC 竞赛建议每个算法至少跑 30 次独立运行，取中位数而非均值（因元启发对随机种子敏感）。

⚠️ 工程实现库的选择：DE（scipy.optimize.differential_evolution）和 SA（scipy.optimize.dual_annealing）在 SciPy 有稳定实现；PSO 有 PySwarms 库；CMA-ES 推荐 cma 包（Hansen 原版）。⚠️ PyPop7 和 MEALPY 的维护状态需在 GitHub 确认最新 commit 日期——部分库已停止维护超过 2 年，直接用于生产环境存在依赖断裂风险。

主要工程坑

坑 说明 应对
收敛判定主观 何时停止没有统一标准，常用 max_iterations 但可能浪费计算资源 用相对改进率（最近 N 代 best fitness 改善 < ε）做自适应停止
随机种子决定结果 同参数跑两次结果可能差 20%+ 必须多 seed（≥ 30）独立运行，报告 median + IQR
"新算法"工程可信度 论文发表时声称超越某 baseline，但往往在 CEC 基准上未验证 工程选型以 CEC 竞赛排名为准，不以单篇论文结论为准
参数调优本身是 NP 问题 元启发自身有 5-10 个超参，"选哪个算法 + 调参"形成嵌套优化 用 Irace 或 Optuna 做元启发自己的自动调参
并行化代价 种群算法天然可并行（每个个体独立评估），但共享 P 需要锁 用 archipelago model（多个独立种群 + 定期迁移）代替中心化种群
Chemistry-based 族已实际死亡 CRA/ASBO 自 2010 年后几乎没有后续工作，实际工程价值极低 选型时跳过 chemistry 族，聚焦 PSO/GA/DE/SA/CMA-ES 五种有活跃维护的实现

与现代替代方案的对比

⚠️ 重要更新（综述未覆盖）：2020 年后，神经架构搜索（NAS）和 LLM-as-Optimizer 已开始替代部分元启发场景：

  • 超参搜索：Optuna（贝叶斯优化）+ 早停 >> 元启发（计算效率高 10-100x）
  • NAS：DARTS + gradient-based >> 进化算法（搜索效率高一个量级）
  • 组合优化：GNN + 强化学习（如 DeepMind 的 FlexTSP）>> 蚁群（大规模问题）

元启发式当前真正的护城河：仿真器/硬件评估成本极高（单次 > 1 分钟）、梯度不可用、评估次数预算有限（< 10000 次）的场景——这是 NAS / Bayesian 方法也难以覆盖的地带。

可复现性

  • 算法本身（PSO/GA/DE/SA）均有稳定开源实现，可直接 pip 安装
  • 综述本身是文献学产物，无需复现；工程价值在于用它定位候选算法，再用原始论文 + CEC 数据做定量比较