在人工智能与计算机科学领域，为高效解决复杂优化、搜索等问题，演化搜索和群集智能算法应运而生。它们从生物进化、群体协作等现象汲取灵感，为诸多难题提供创新且有效的解决方案。下面介绍遗传算法、蚁群算法、鸟群算法、粒子群算法以及模拟退火算法这五种具有代表性的算法。
遗传算法
遗传算法灵感源于生物界进化规律，模拟自然选择和遗传变异过程。它将问题的解编码为"染色体"（通常为二进制串或实数串等形式），通过选择、交叉、变异三个主要操作迭代优化种群。
选择操作依"适者生存"原则，挑选适应度高（更接近最优解）的个体进入下一代；交叉操作类似生物基因重组，让两个父代个体交换部分基因，产生新子代个体，探索解空间新区域；变异操作随机改变个体部分基因，增加种群多样性，避免算法陷入局部最优。
实际应用中，遗传算法广泛用于函数优化、组合优化（如旅行商问题）、机器学习参数优化等场景。比如求解复杂函数最值问题，传统方法因函数非线性、多峰性难寻全局最优，遗传算法通过种群不断进化，更大概率搜索到全局最优解。
蚁群算法
蚁群算法受蚂蚁觅食行为启发。蚂蚁找食物时，会在路径上释放信息素，其他蚂蚁倾向沿信息素浓度高的路径走，且信息素随时间逐渐挥发。
算法里，人工蚂蚁模拟真实蚂蚁行为，在解空间（如旅行商问题的城市间路径）构建解。每只蚂蚁依据路径信息素浓度和启发式信息（如城市间距离）选下一个节点，完成路径构建后，按路径质量（如总长度）释放相应信息素。路径质量越高，释放信息素越多，后续蚂蚁选该路径概率越大，优质路径信息素浓度不断增强，引导更多蚂蚁找更优路径。
蚁群算法在离散优化问题上表现出色，除旅行商问题，还用于物流配送路径规划、电网优化等。例如物流配送中规划车辆最优行驶路线，蚁群算法通过信息素正反馈机制，快速找到成本低、效率高的配送路径。
鸟群算法
鸟群算法模仿鸟类群体飞行与觅食行为。算法中，每只"鸟"代表解空间的候选解，通过感知自身、邻居及群体状态调整飞行方向和速度。
鸟群个体遵循一定规则，如向群体最优个体位置飞行，同时考虑自身之前最优位置，飞行中保持与周围个体距离，避免碰撞或过度聚集。通过群体个体相互协作与信息共享，逐步向最优解方向移动。
鸟群算法适用于连续空间优化问题，像工程设计参数优化、数据聚类等。以数据聚类为例，每只鸟位置对应聚类中心候选，通过鸟群飞行调整，最终确定最优聚类中心，实现高效数据聚类。
粒子群算法
粒子群算法源于对鸟群、鱼群等群体行为的研究。算法中每个"粒子"代表潜在解，粒子在解空间飞行，状态由位置和速度决定。
粒子根据自身历史最优位置（个体最优）和整个粒子群历史最优位置（全局最优）更新速度和位置。速度更新公式综合当前速度、向个体最优位置移动趋势及向全局最优位置移动趋势，位置由速度和当前位置计算得到。通过粒子间信息共享与协作，整个粒子群逐渐向最优解聚集。
粒子群算法在连续优化问题中应用广泛，如神经网络权值优化、多目标优化等。比如训练神经网络时，网络权值是需优化参数，粒子群算法通过粒子移动搜索最优权值组合，提升神经网络性能。
模拟退火算法
模拟退火算法的灵感来自金属的退火过程。金属在高温下，原子具有较高的能量，会进行无规则的热运动；当温度逐渐降低时，原子的能量逐渐减小，运动逐渐趋于有序，最终达到能量最低的基态。
在算法中，模拟退火算法从一个初始解开始，在解空间中随机生成一个邻近解。然后计算这两个解的目标函数值（对应能量），并根据Metropolis准则来决定是否接受这个新解。Metropolis准则考虑了当前温度和两个解的目标函数值差异：如果新解更优（目标函数值更好），则一定接受；如果新解较差，则以一定的概率接受，这个概率随着温度的降低而减小。
温度的下降是按照一定的冷却 schedule 进行的，通常是指数级下降。在初始高温时，算法有较大的概率接受较差的解，这有助于跳出局部最优；随着温度逐渐降低，接受较差解的概率越来越小，算法逐渐收敛到最优解附近。
模拟退火算法在组合优化、函数优化等问题中都有应用，尤其是在解决具有多个局部最优解的问题时，表现出了较强的全局搜索能力。例如在旅行商问题中，模拟退火算法可以在不同的路径解之间进行探索，通过温度的调节，找到更接近全局最优的路径。
这五种算法各有特点，遗传算法侧重于模拟生物进化宏观过程；蚁群算法利用信息素正反馈机制实现群体协作；鸟群算法和粒子群算法聚焦群体中个体交互与信息共享；模拟退火算法则借助物理退火过程的思想，通过温度调节实现全局搜索。在实际应用中，可根据问题特性选择合适算法，或结合多种算法优势，进一步提升解决复杂问题的能力。