什么是群体智能？群体智能是当许多简单代理遵循局部规则并与邻居和环境互动时出现的集体行为，产生协调的、看似智能的结果，而没有中央控制者。
群体智能是当许多简单代理遵循局部规则并对其直接邻居和环境作出反应时产生的集体行为——在没有任何领导者或中央计划的情况下，产生协调的、适应性的结果。这个术语是由赫拉尔多·贝尼和王静在1989年引入的，背景是细胞机器人系统，但创始的计算演示是克雷格·雷诺兹的鸟群模型（1987年，SIGGRAPH），其中三个局部规则——分离、对齐和凝聚——生成逼真的群体行为。自然提供了经典的例子：蚂蚁群体通过信息素轨迹找到最短路径（刺激性，1959年皮埃尔-保罗·格拉斯所创造的术语），蜜蜂群体通过侦查招募和群体感知选择巢址，正如托马斯·西利在《蜜蜂民主》（2010）中所记录的。这些机制被转化为算法——马尔科·多里戈的蚂蚁群体优化（1992年博士论文）和肯尼迪与埃伯哈特的粒子群优化（1995年）——现在用于路由、调度和工程优化，以及硬件，如1024个机器人组成的Kilobot群体（鲁本斯坦、科尔内霍和纳格帕尔，科学，2014）。在决策生命周期的词汇中——关注、框架、生成、调查、聚合、深思、分配、选择、实施、监控——群体智能是通过局部行动进行去中心化聚合和实施的模型，而不是对理由的深思。这一区别很重要：群体是反应性协调的，而人类集体智能则权衡论据和证据。Argumentree 反映了去中心化和聚合的群体原则——每个参与者独立贡献局部知识，结构将其聚合成共享决策——而不声称自己是一个群体。
什么是群体智能？
群体智能是当许多简单代理遵循局部规则并产生协调的、看似智能的行为时发生的——没有领导者和中央计划。从蚂蚁群体到无人机机队，这里是涌现的科学。
最后更新： 2026-07-18
简而言之
群体智能是从简单代理遵循局部规则中涌现出的集体行为——不需要中央控制者。克雷格·雷诺兹的鸟群（1987）展示了三条规则（分离、对齐、凝聚）如何产生群体行为；马尔科·多里戈将蚂蚁铺路转化为蚂蚁群体优化（1992）；肯尼迪和埃伯哈特引入了粒子群优化（1995）。反复出现的要素是涌现、刺激性（通过环境的协调）和自组织。群体是强大且可扩展的，但反应性——它们在没有对理由进行深思的情况下进行协调，这正是人类集体智能的不同之处。Argumentree借鉴了去中心化和聚合的理念：独立的局部贡献，通过结构聚合。
群体智能的简史
秩序可以从局部互动中涌现——没有设计者或导演——这一思想从20世纪中叶的生物学延续到今天的机器人技术。
生物学家皮埃尔-保罗·格拉斯创造了刺激性一词，以解释白蚁如何通过间接方式协调筑巢——每个行为都会改变环境并促使下一个行为。它成为环境介导协调的关键概念。
卡尔·冯·弗里施因解码蜜蜂的摇摆舞而分享生理学或医学诺贝尔奖——这是集体觅食和巢址选择背后的沟通方式。
克雷格·雷诺兹在SIGGRAPH上展示了群体、兽群和学校。三个局部规则——分离、对齐和凝聚——在没有中央控制者的情况下产生逼真的群体行为。涌现集体运动的创始计算模型。
赫拉尔多·贝尼和王静在细胞机器人系统的背景下引入了“群体智能”——自组织的简单机器人群体。
马尔科·多里戈在米兰理工大学的博士论文中将蚂蚁双桥实验转化为算法：人工蚂蚁在良好路径上沉积“信息素”，群体收敛于短路径。蚂蚁群体优化诞生。
詹姆斯·肯尼迪和拉塞尔·埃伯哈特发布粒子群优化：候选解决方案在搜索空间中“飞行”，朝向自身最佳位置和群体最佳位置移动。
埃里克·博纳博、马尔科·多里戈和吉·特劳拉兹出版了群体智能：从自然到人工系统（牛津），将生物学和算法综合为一个学科。
托马斯·西利的蜜蜂民主详细描述了群体如何选择新家：侦查蜜蜂通过摇摆舞宣传巢址，达到一定人数阈值后触发集体决策——一种自然的聚合机制。
迈克尔·鲁本斯坦、亚历杭德罗·科尔内霍和拉迪卡·纳格帕尔在一个1024个机器人组成的Kilobot群体中展示了可编程自组装（科学），每个机器人仅根据局部信息行动。
群体机器人技术向灾难响应、仓库物流和协调无人机机队发展。最近的评审指出，模拟到现实的转移和大规模户外协调是主要的开放挑战。
群体智能的核心原则
不同的群体——蚂蚁、蜜蜂、鸟类、机器人——共享相同的基本设计。这些原则使集体比任何单个成员更具能力。
涌现
全球秩序源于没有单个代理代表或意图的局部互动。群体的形状并不在任何一只鸟的头脑中——它是从所有鸟遵循相同简单规则中涌现出来的。
局部规则，局部信息
每个代理仅根据其能感知到的附近信息进行行动。没有全球蓝图，也没有拥有全局视图的代理——这正是系统可扩展的原因。
刺激性
代理通过改变共享环境间接协调——蚂蚁的信息素轨迹是经典案例。环境成为分布式记忆，因此代理无需直接沟通。
自组织
结构通过正反馈和负反馈（轨迹强化和蒸发）形成和修复，而无需外部控制。
鲁棒性和可扩展性
没有领导者意味着没有单点故障：个体代理可以丢失，群体仍然继续，且相同的规则适用于十个代理或一万个代理。
自然界中的群体智能
这些算法是从生物学中反向工程而来的。三个自然系统启发了该领域的大部分内容：
蚂蚁和最短路径
在双桥实验中，阿根廷蚂蚁提供了两条通往食物的路线，最终汇聚到较短的那条。每只蚂蚁都会留下信息素；较短的路径因被更频繁地经过而更快地积累信息素——一种无需蚂蚁比较路径的自我强化信号。
蜜蜂巢址选择
当一个群体分群时，侦查蜜蜂检查候选家园，并通过摇摆舞进行宣传。更好的地点会获得更热情、更长的舞蹈，招募更多的侦查者，直到某个地点达到一定人数阈值触发迁移——托马斯·西利称之为“蜜蜂民主”的去中心化决策。
群体、学校和兽群
星鸲的聚集和鱼群在没有领导者的情况下保持协调。雷诺兹的鸟群模型仅通过分离（避免拥挤）、对齐（匹配邻居的方向）和凝聚（朝向局部中心行驶）捕捉到了这一点。
算法和现实世界应用
群体原则成为实用工具。在问题庞大、变化或没有中央协调者的情况下，群体方法往往表现出色。
用于路由的蚂蚁群体优化
蚂蚁群体优化应用于车辆路由和网络路由。鲁德·斯霍德沃德和BT实验室的同事们在1996年展示了基于蚂蚁的电信网络控制——虚拟蚂蚁在负载变化时保持路由表的自适应。
粒子群优化
粒子群优化在工程设计、控制系统和机器学习模型中调节参数，通过让候选解决方案共享关于迄今为止找到的最佳区域的信息。
组合和调度问题
群体方法解决旅行推销员问题、作业车间调度和物流——这些情况下搜索空间巨大且具有适应性，去中心化搜索带来了收益。
群体机器人技术
从1024个机器人Kilobot自组装演示到协调无人机机队，机器人群体将局部规则应用于物理任务。灾难响应和仓库物流的现场应用正在推进，尽管模拟到现实的转移仍然是一个研究前沿。
群体智能与人类集体智能
将每个群体视为一个群体是很诱人的，但这种类比是有限的。准确地对待它们是保持概念有用的关键。
反应性协调与深思
群体通过快速、局部、反射性的反应进行协调。人类群体也可以做到这一点，但它们的独特力量在于深思——在行动之前权衡论据、证据和理由。
信号与理由
蚂蚁留下信息素；它们不解释原因。人类集体智能可以捕捉选择背后的原因，这使得决策可审查、可教授和可审计。
可转移的教训
可转移的教训是去中心化（让每个代理贡献局部知识）和聚合（通过结构而不是老板结合这些贡献）。这些是使人群智慧的相同条件——多样性、独立性和聚合机制。
前沿：人类-人工智能群体
随着人工智能代理加入人类团队，群体问题变成了人类-人工智能系统的设计问题：要委派多少自主权，如何保持对涌现行为的有意义的人类控制，以及如何校准对协调的信任，而这种协调没有单个人监督。多代理人工智能协调直接借鉴了群体研究——同时继承了其中心限制，即没有理由的协调。
Argumentree如何应用群体原则
Argumentree是一个深思工具，而不是一个群体——但它借鉴了群体理念中的去中心化和聚合部分，并与理由相结合：
去中心化贡献
每个参与者从自己的局部知识中独立添加论据——相当于每个代理根据其能看到的内容进行行动，而不是等待中央权威的指示。
通过结构聚合
多维评分（有用性、清晰度、准确性、完整性）将支持/反对树聚合成共识分数——一种设计的聚合机制，就像信息素积累聚合蚂蚁偏好一样。
鲁棒的无领导输入
由于贡献是异步和基于角色的，而不是通过一个协调者进行汇聚，因此该过程没有单点故障——参与者可以加入、离开并贡献，而不会阻碍整体。
理由得以保留
与群体的匿名信号不同，每个贡献都保留其论据和作者的痕迹，形成完整的审计记录——因此集体决策伴随着产生该决策的推理。
常见问题
什么是群体智能？
群体智能是当许多简单代理遵循局部规则并与邻居和环境互动时出现的集体行为，产生协调的、适应性的结果，而没有中央控制者。这个术语是由赫拉尔多·贝尼和王静在1989年引入的，创始的计算模型是克雷格·雷诺兹的鸟群（1987年）。
群体智能的例子是什么？
自然例子包括蚂蚁群体通过信息素轨迹找到最短路径、蜜蜂群体通过侦查招募选择巢址，以及星鸲的聚集。人工例子包括用于路由的蚂蚁群体优化、用于工程问题的粒子群优化，以及如1024个机器人Kilobot自组装演示（科学，2014）的机器人群体。
什么是刺激性？
刺激性是皮埃尔-保罗·格拉斯在1959年创造的一个术语，是通过环境进行协调：代理的行为改变共享介质（例如留下信息素轨迹），而这种变化引导下一个代理的行为。它使群体能够在没有直接沟通的情况下进行协调，利用环境作为分布式记忆。
什么是蚂蚁群体优化？
蚂蚁群体优化（ACO）是马尔科·多里戈在1992年博士论文中引入的一种算法。人工蚂蚁构建解决方案并在良好组件上沉积虚拟信息素；较短或更好的路径积累更多信息素并得到强化，因此群体收敛于强解决方案。它用于车辆路由、网络路由和调度。
群体智能与人类集体智能有什么不同？
群体智能是在许多简单代理遵循局部规则的情况下进行的反应性协调，没有深思。人类集体智能则增加了对论据、证据和理由的权衡——不仅捕捉群体的决定，还捕捉其原因。两者都依赖于去中心化和聚合，但只有人类集体智能记录推理过程。
群体智能的主要应用是什么？
群体算法应用于优化和路由（蚂蚁群体优化、粒子群优化）、调度和物流，以及用于灾难响应、仓库自动化和无人机协调的群体机器人技术。大规模户外协调和模拟到现实的转移在2024-2026年仍然是活跃的研究挑战。
参考文献与进一步阅读
雷诺兹，C. W.（1987）。群体、兽群和学校：一种分布式行为模型。计算机图形学（SIGGRAPH '87），21（4），25-34。
鸟群模型——局部规则产生涌现群体行为的创始演示。
贝尼，G. & 王，J.（1989）。细胞机器人系统中的群体智能。北约高级研讨会关于机器人和生物系统。
术语“群体智能”首次被引入的地方。
多里戈，M.（1992）。优化、学习和自然算法。博士论文，米兰理工大学。
蚂蚁群体优化的起源。
肯尼迪，J. & 埃伯哈特，R.（1995）。粒子群优化。IEEE ICNN会议论文，1942-1948。
粒子群优化的引入。
斯霍德沃德，R.，霍兰德，O.，布鲁滕，J.，& 罗思克兰茨，L.（1996）。电信网络中的基于蚂蚁的负载平衡。自适应行为，5（2），169-207。
基于蚂蚁控制的早期现实应用。
博纳博，E.，多里戈，M.，& 特劳拉兹，G.（1999）。群体智能：从自然到人工系统。牛津大学出版社。
整合该领域的综合性著作。
西利，T. D.（2010）。蜜蜂民主。普林斯顿大学出版社。
蜜蜂群体如何做出集体巢址决策。
鲁本斯坦，M.，科尔内霍，A.，& 纳格帕尔，R.（2014）。在千机器人群体中的可编程自组装。科学，345（6198），795-799。
群体机器人技术的一个里程碑硬件演示。
View source →相关概念
将局部知识聚合成一个决策
Argumentree为每个参与者提供一个独立贡献其所知的地方，并将其聚合成一个共享的、记录的决策——去中心化和聚合，推理得以保留。
开始免费试用