8.3 鸽群优化
基于鸽群在寻的过程中的特殊导航行为，Duanet al [7] 提出了一个新的仿生群体智能优化模型——鸽群优化算法。在这个算法中模仿鸽子寻的不同阶段使用的不同导航工具，提出了下面两种不同的算子模型。
（1）地图和指南针算子（Map and CompassOperator）：地图和指南针算子是模仿太阳和地球磁场这两种导航工具对鸽子的作用。鸽子通过磁感来感受磁场，从而在脑海中绘制地图，并把太阳当作指南针来调整方向。随着鸽群越来越逼近目的地，会逐步减少对太阳和磁性粒子的依赖。
（2）地标算子（Landmark Operator）：地标算子则是模仿导航工具地标对鸽子的影响。当鸽群接近目的地时，会依靠临近地标进行导航。如果某只鸽子熟悉地标，那么以径直飞向目的地；反之，如果不熟悉地标并且远离目的地的情况下，该只鸽子会跟随熟悉地标的其他鸽子飞行，从而到达目的地。
鸽群优化由两个独立的迭代循环组成。首先工作的是地图和指南针算子（如图 2 所示），在 D 维搜索空间随机初始化 N 只鸽子，其位置和速度分别 记 作 X i =[x i1 ,x i2 ,…,x iD ] 和 V i =[v i1 ,v i2 ,…,x iD ]， 其 中i=1,2,…,N。每只鸽子依据式 (1) 更新其位置 X i 及速度 V i ：
其中，R 是地图和指南针因数，并且可人为设定成0~1 之间的数；N c 是当前的迭代次数；X gbest 是在N c -1 次迭代循环后通过比较所有鸽子的位置，而得到的全局最好的位置，相当于该次迭代循环中的指南针上指示的位置。以上迭代循环至要求次数后停止，至此地图和指南针算子的工作结束，将 X i 移交给地标算子，并由其继续工作。
如图 3 所示，地标算子将在每次迭代循环中将鸽子的总数 N 折半。将每只鸽子的当前位置依据评价指标进行排序，排在后半段的鸽子被认为远离目的地并且不熟悉地标，从而被舍弃。把余下鸽子的中心位置 X center 当成地标作为飞行的参考方向。依据式 (2) 对鸽子的位置 X i 进行更新：
同样，以上迭代循环至要求次数后，地标算子也停止工作。
鸽群优化的流程如图 4 所示。
鸽群优化自提出后，受到了研究者的广泛关注，相关研究成果出现在一系列高水平的学术期刊与会议上，这些成果主要集中在针对算法的改进与实际应用，其中包括在无人机编队、控制参数优化、图像处理等各个领域的应用。
