你还以为程序算法很复杂吗，看看蜂群思维的妙用

【五、六只无名工蜂在前方侦察，核查可能安置蜂巢的树洞和墙洞。他们回来后，用约定的舞蹈向休息的蜂群报告。在报告中，侦察员的舞蹈越夸张，说明她主张使用的地点越好。接着，一些头目们根据舞蹈的强烈程度核查几个备选地点，并以加入侦察员旋转舞蹈的方式表示同意。这就引导更多跟风者前往占上风的候选地点视察，回来之后再加入看法一致的侦察员的喧闹舞蹈，表达自己的选择。

除去侦查员外，极少有蜜蜂会去探查多个地点。蜜蜂看到一条信息：「去那儿，那是个好地方。」它们去看过之后回来舞蹈说，「是的，真是个好地方。」 通过这种重复强调，所属意的地点吸引了更多的探访者，由此又有更多的探访者加入进来。按照收益递增的法则，得票越多，反对越少。渐渐地，以滚雪球的方式形成一个大的群舞，成为舞曲终章的主宰，最大的蜂群获胜】

这是摘录自凯文.凯利《失控》中的片段，它描述了蜂群是如何选择定居点的，它的神奇在于由一群低智商甚至白痴组成的选举行为，居然总是能得到了最优结果，这不能不说是对我们人类社会的民主选举的莫大讽刺。

---

那么，蜂群思维的选举决策过程到底有何决窍了，我们再仔细阅读一下会发现，其过程其实蛮简单的：

1.多只工蜂前往探路-------------调研过程；

2.带回信息传达给其他成员-------反馈过程

3.更多工蜂加入验证反馈---------验证过程

4.按验证得票多少进行决策-------投票机制；

始终遵循这一最简单的原则，然后通过收益递增的法则，最终找到了最优的方案；

---

这个蜂群思维在现实中有哪些应用呢，我们不妨来看一个案例

问题：假设需要你开车从深圳到北京， 想一下，如果利用蜂群的选举决策的思维， 如何能找到一条最短路径？

照搬蜂群思维，你发现其实是这么干的：

1.同时派出N多台车从深圳出发，去往北京；

2.每台车到达目的地后反馈所用里程；

3.分类合并所反馈的结果；

4.对比各结果，挑出最短路经。

这其实就是一个程序算法里面最常见的遍历算法，可是如果你再仔细看看深圳到北京的地图，两地相距2275公里，连接两地各种道路不计其数，仅以国内范围的连接路径，穷尽的话可能有几十万条之多，那显然，这种遍历试错的成本是何其高啊。

---

那么我们应该如何优化，我们目前的地图导航软件又是怎么做的呢；

其实也还蛮简单的，类似下图，我们划一条深圳到北京的直线，然后再横切分段，就这样把一个远距离路径寻找变成多个短距离的路径寻找。

然后这个算法就变成每个小段里面使用遍历办法来找到最短路径，最后再把每段最短路径组合起来，就成为了深圳到北京的最短路径。

这样做最大的好处就是算法的计算量相比不分段大大下降了。

---

从这个简单的例子我们可以看到，自然界很多生物的简单的生存法则，实质上蕴含着高智慧的东西，我们学习过来并适度优化就能对我们人类有莫帮助。

同时，我们也看到，其实很多程序的算法并没有多复杂，多向自然界学习，留心观察生活，你才能具备化繁为简的能力。