作為一個重要的科學(xué)分支,它一直受到人們的廣泛重視,并在諸多工程領(lǐng)域得到迅速推廣和應(yīng)用,如系統(tǒng)控制、人工智能、模式識別、生產(chǎn)調(diào)度、VLSI技術(shù)和計算機(jī)工程等。

鑒于實際工程問題的復(fù)雜性、約束性、非線性、多極小、建模困難等特點,尋求一種適合于大規(guī)模并行且具有智能特征的算法已成為有關(guān)學(xué)科的一個主要研究目標(biāo)和引人注目的研究方向。

20世紀(jì)80年代以來,一些新穎的優(yōu)化算法,如人工神經(jīng)網(wǎng)絡(luò)、混沌、遺傳算法、進(jìn)化規(guī)劃、模擬退火、禁忌搜索及其混合優(yōu)化策略等,通過模擬或揭示某些自然現(xiàn)象或過程而得到發(fā)展,其思想和內(nèi)容涉及數(shù)學(xué)、物理學(xué)、生物進(jìn)化、人工智能、神經(jīng)科學(xué)和統(tǒng)計力學(xué)等方面,為解決復(fù)雜問題提供了新的思路和手段。

這些算法獨特的優(yōu)點和機(jī)制,引起了國內(nèi)外學(xué)者的廣泛重視并掀起了該領(lǐng)域的研究熱潮,且在諸多領(lǐng)域得到了成功應(yīng)用。

在優(yōu)化領(lǐng)域,由于這些算法構(gòu)造的直觀性與自然機(jī)理,因而通常被稱作智能優(yōu)化算法(intelligent optimization algorithms),或稱現(xiàn)代啟發(fā)式算法(modern heuristic algorithms)。

為了使系統(tǒng)達(dá)到最優(yōu)的目標(biāo)所提出的各種求解方法稱為最優(yōu)化方法。

最優(yōu)化在運(yùn)籌學(xué)和管理科學(xué)中起著核心作用。

最優(yōu)化通常是極大或極小化某個多變量的函數(shù),并滿足一些等式或不等式約束。

最優(yōu)化技術(shù)對社會的影響日益增加,應(yīng)用的種類和數(shù)量快速增加。

隨著計算機(jī)的發(fā)展,一些過去無法解決的復(fù)雜優(yōu)化問題已經(jīng)能夠通過計算機(jī)來求得近似解。

所以,計算機(jī)求解優(yōu)化問題的方法研究也就顯得越來越重要了。

對于簡單的函數(shù)優(yōu)化問題,經(jīng)典算法比較有效且能獲得函數(shù)的精確最優(yōu)解,但是對于具有非線性、多極值等特點的復(fù)雜函數(shù)及組合優(yōu)化問題而言,經(jīng)典算法往往無能為力。

基于系統(tǒng)動態(tài)演化的算法及基于此類算法而構(gòu)成的混合型算法又可稱為智能優(yōu)化算法。

群智能算法。

隨著人們對生命本質(zhì)的不斷了解,生命科學(xué)正以前所未有的速度迅猛發(fā)展,使人工智能的研究開始擺脫經(jīng)典邏輯計算的束縛,大膽探索起新的非經(jīng)典計算途徑。

在這種背景下,社會性動物(如蟻群、蜂群、鳥群等)的自組織行為引起了人們的廣泛關(guān)注,許多學(xué)者對這種行為進(jìn)行數(shù)學(xué)建模并用計算機(jī)對其進(jìn)行仿真,這就產(chǎn)生了所謂的“群智能”。

社會性動物的妙處在于：個體的行為都很簡單,但當(dāng)它們一起協(xié)同工作時,卻能夠“突現(xiàn)”出非常復(fù)雜(智能)的行為特征。

例如,單只螞蟻的能力極其有限,但當(dāng)這些簡單的螞蟻組成蟻群時,卻能完成像筑巢、覓食、遷徙、清掃蟻巢等復(fù)雜行為;一群行為顯得盲目的蜂群能造出精美的蜂窩;鳥群在沒有集中控制的情況下能夠同步飛行等。

在這些自組織行為中,又以蟻群在覓食過程中總能找到一條從蟻巢到食物源的最短路徑最為引入注目。

群智能算法作為一種新興的演化計算技術(shù),已成為越來越多研究者的關(guān)注焦點,它與人工生命,特別是進(jìn)化策略以及遺傳算法有著極為特殊的聯(lián)系。

群智能算法研究領(lǐng)域主要有兩種算法：蟻群算法和粒子群優(yōu)化算法。

蟻群算法：是對螞蟻群落食物采集過程的模擬,已成功應(yīng)用于許多離散優(yōu)化問題。

通過對螞蟻復(fù)雜的社會行為的研究.科學(xué)家們發(fā)現(xiàn)基于其行為模式的模型可以用來求解復(fù)雜的組合優(yōu)化問題。

為了解決計算機(jī)科學(xué)中的最短路徑問題,基于螞蟻行為特征所發(fā)展起來的算法演變成一個被廣泛認(rèn)可并非常成功的新的研究領(lǐng)域--蟻群優(yōu)化(ACO)。

粒子群優(yōu)化算法：起源于對簡單社會系統(tǒng)的模擬,最初是模擬鳥群覓食的過程,但后來發(fā)現(xiàn)它是一種很好的優(yōu)化工具。

粒子群優(yōu)化算法(Particle Swarm optimization,PSO)又翻譯為粒子群算法、微粒群算法、或微粒群優(yōu)化算法。

是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法。

遺傳算法。

遺傳算法是模擬生物在自然環(huán)境中優(yōu)勝劣汰、適者生存的遺傳和進(jìn)化過程而形成的一種具有自適應(yīng)能力的,全局性的概率搜索算法。

遺傳算法將問題的每一個可能性解看作是群體中的一個個體(染色體),并將每一個染色體編碼成串的形式,再根據(jù)預(yù)定的目標(biāo)函數(shù)對每個個體進(jìn)行評價,給出一個適應(yīng)值。

算法將根據(jù)適應(yīng)度值進(jìn)行它的尋優(yōu)過程。

遺傳算法的尋優(yōu)過程是通過選擇、雜交和變異三個遺傳算子來具體實現(xiàn)的。