曹倬铭，王文国

（曲阜师范大学 信息科学与工程学院，山东 日照 276826）

0 引 言

在过去几十年中，针对各种优化问题已经开发了大量的优化算法。大多数算法是以线性或非线性规划为基础，虽然这些数值优化算法在一些简单理想模型中能够提供合适的方案以寻找到全局最优解，但是有许多复杂的、大规模的现实问题仅通过使用这些算法很难解决。现有基于导数的数值方法的计算缺陷（如初始值的敏感性和所需的大量枚举记忆等），迫使人们研究元启发式算法，如遗传算法、蚁群算法、粒子群优化算法、模拟退火算法等，以解决复杂的优化问题[1]。

群体智能算法是以生物系统为基础的强大元启发式优化方法，但很多经典算法都是针对低等生物如蚂蚁、果蝇等的活动而提出，而针对人类活动特点的研究却寥寥无几。众所周知，人类是地球上最聪明的生物，人类强大的学习能力使我们能够解决大量其他生物如鸟、蚂蚁、萤火虫等所不能应对的复杂问题，而许多人类学习活动与元启发式搜索过程相似。例如，当一个人在学习一项新技能时，在无任何先验知识的情况下，首先进行自我探索，无方向随机掌握技能。当有一定先验知识后，便可进行个人学习进行有针对性的探索。而当社会中很多成员都在学习该项技能时，便能根据社会经验交流加速掌握这项新技能。王灵等人依据人类学习过程提出了一种简单的人类学习优化算法（Human Learning Optimization，HLO），并通过0-1背包问题初步验证了其有效性[2-4]。……