文章提供了 ATA 优化算法关键组成部分和创新的详细讨论，其为一种进化方法，具有独特的双重行为系统，可根据状况进行调整。ATA 结合了个体和社会学习，同时使用交叉进行探索和迁徙，从而在陷入局部最优时找到解。
ATA 算法过程从设置参数、随机初始化部落开始，之后计算适应度值。接下来，迭代计数器递增，并评估部落的当前状况。如果状况有利（代际之间最优适应度值的差异大于给定准则），则执行繁衍行为，其中个体交换信息。否则，用到迁徙行为，其中个体基于个人和整个部落两者的经验进行移动。迁徙不能连续执行，来避免过度分散。然后重新计算适应度值，并与部落和每位个体记录的最佳值进行比较。如果找到更好的解，则将其存储在内存中。检查终止条件，如果它们所有都满足，则终止迭代。否则，该过程将返回到状况评估步骤。
将全局信息纳入 ATA 可以增加部落历史经验的权重，有助于找到更好的解，并提高搜索能力。增加部落经验的权重有助于提高算法的效率，加速收敛。为达成这一点，ATA 引入了全局惯性权重，其可强化搜索能力，并加快过程。
ATA 的主要创新在于存在一个根据情况进行调整的双重行为系统：当进展良好时，用繁衍来深度探索，当陷入局部最优时，则激活迁徙，从而促进更深入的探索。个体和社会学习的结合也很重要。迁徙期间使用个体记忆（Xs），且全局记忆（Xg）由 AT_w 惯性因子加权。在繁衍期间，伙伴是随机选取的，这有助于提升多样性，并加快搜索速度。
新文章 人工部落算法（ATA）已发布：
ATA 算法过程从设置参数、随机初始化部落开始，之后计算适应度值。接下来，迭代计数器递增，并评估部落的当前状况。如果状况有利（代际之间最优适应度值的差异大于给定准则），则执行繁衍行为，其中个体交换信息。否则，用到迁徙行为，其中个体基于个人和整个部落两者的经验进行移动。迁徙不能连续执行，来避免过度分散。然后重新计算适应度值，并与部落和每位个体记录的最佳值进行比较。如果找到更好的解，则将其存储在内存中。检查终止条件，如果它们所有都满足，则终止迭代。否则，该过程将返回到状况评估步骤。
将全局信息纳入 ATA 可以增加部落历史经验的权重，有助于找到更好的解，并提高搜索能力。增加部落经验的权重有助于提高算法的效率，加速收敛。为达成这一点，ATA 引入了全局惯性权重，其可强化搜索能力，并加快过程。
ATA 的主要创新在于存在一个根据情况进行调整的双重行为系统：当进展良好时，用繁衍来深度探索，当陷入局部最优时，则激活迁徙，从而促进更深入的探索。个体和社会学习的结合也很重要。迁徙期间使用个体记忆（Xs），且全局记忆（Xg）由 AT_w 惯性因子加权。在繁衍期间，伙伴是随机选取的，这有助于提升多样性，并加快搜索速度。
作者：Andrey Dik