微粒群算法是一种模拟鸟群飞行、鱼群游动的群体智能算法。该算法简单易实现、可调参数少,已成功应用于许多领域。论文从动物觅食原理出发,对微粒群算法的算法结构进行了改进。从标准微粒群算法的生物学背景可知,微粒的行为仅由外部环境中食物的丰富度来决定,即所有微粒都趋向于向着食物最多的地方靠近。微粒的行为选择仅受外部环境影响,而没有考虑微粒自身的内部动机或内部状态。生物学的一些研究表明,动物在觅食过程中,其行为选择除了与外部环境中食物的丰富度有关,还与动物机体内部自发的调节变化或生理需要有很大关系。因而论文在标准微粒群算法基础上,将微粒拓展为可以根据自身的内部动机进行行为选择的智能体,提出了食物引导的微粒群算法。该算法在标准微粒群算法的基础上,引入自身内部动机,使微粒能根据自身内部动机的不同进而产生不同的行为,从而更加符合算法的生物学背景。动物在觅食过程中危险随时都存在,所以捕食风险对于动物觅食行为具有很大影响。而通过模拟动物群体的觅食行为而形成的微粒群算法却忽略了这一重要因素,因而论文在食物引导的微粒群算法的基础上,引入捕食风险因素,提出了风险效益微粒群算法。该算法中,微粒可以根据自身内部状态的不同在饥饿风险和捕食风险之间进行权衡,当自身面临的能量压力较小时,其行为主要表现为对捕食风险的警戒,反之,面临能量压力较大时,则表现为对食物的需求。在风险效益微粒群算法中,微粒进化中如果发现了一个新的个体历史最优位置后,从而满足了自身能量需求,饥饿风险减小,其行为更倾向于对捕食风险的警戒。然而在真实动物群体中,有些动物在食物搜索过程中,如果发现了一个相对于以前位置食物更多的地方后,出于对食物的渴望及饥饿的恐惧,可能还会产生更大的动力去寻找食物。因此,通过对这种现象进行模拟,对算法进行了改进,提出了激励微粒群算法。该算法中,微粒进化中如果发现了一个新的个体历史最优位置后,满足了自身能量需求后,其饥饿风险反而增大,更倾向于对食物的需求。仿真结果表明,该算法较其他改进算法具有较高的全局搜索能力和较高的搜索效率。