我对智能优化算法的熟悉.docVIP

我对智能优化算法的认识 20世纪70年代以来，随着仿生学、遗传学和人工智能科学的发列展，形成了一系列新的优化算法——智能优化算法。智能优化算法是通过模拟某一自然现象或过程而建立起来的，他们具有适于高度并行、自组织、自学习与自适应等特征，为解决复杂问题提供了一种新的途径。它们不需要构造精确的数学方法，不需要进行繁杂的搜索，同大连简单的信息传播和演变方法来得的问题的最优解。 传统的智能优化算法包括进化算法、粒子群算法、禁忌搜索、分散搜索、模拟退火、人工模拟系统、蚁群算法、遗传算法、人工神经网络技术等等。随着智能优化算法的发展出现了一些新的算法如：萤火虫算法，随着遇到事物的复杂性显现出混合智能优化算法的优势。这些算法在农业、电子科技行业、计算机应用中有很大的作用。 在查看资料后，我发现传统的智能优化算法应用较广泛些。在2009年发表的一篇论文中，讲到了遗传算法可以成功解决函数优化问题。其上提到，利用遗传算法，根据函数创造一系列个体，计算适应度函数，模拟“优胜劣汰”的自然法则，选择优良个体交叉、随机产生后代等步骤解决函数优化问题。其中还提出了用蚁群算法求解传统方法难以解决的非凸、非线性非连续的优化问题。 11年发表的《浅谈几种智能优化算法》中介绍了几种典型传统的智能优化算法，并对它们（遗传算法、蚁群算法和粒子群算法等）做了详尽的分析，让人们对这几种算法有更深刻的认识。近年来，这些算法在运筹学、管理科学中也有重要的应用。另外，从近几年发表论文可以看出典型的智能优化算法在解决传统难题方面的优势，及其广泛的应用。如蚁群算法在静态组合优化中可用来解决TSP问题、QAP、JSP、VRP等；在动态组合优化中用于解决路由问题、电子系统故障诊断、模糊系统和设计无限数字响应器等。 随着其应用的的广泛，出现了一些新的算法，如微粒子群算法，可应用于化学过程的动态分析，蛋白质序列的模拟及光纤通信。还有95年提出的蜂群算法，该算法可应用于解决作业车间调度问题。02年提出的人工鱼群算法，在组合优化、参数估计、PID控制器的参数整定及神经网络优化等方面都有重要意义。 通过查看资料学习，我了解了智能优化算法在交通、物流、人工神经网络优化、生产调度、电力系统优化及电子科技行业的重要作用及应用，对智能优化算法的意义有更深刻的认识；有机会的话我会继续了解其发展和应用。 参考文献： [1]高炜欣，穆向阳，汤楠，等.Hopfield 神经网络在机组组合问题中的应用[J].计算机应用，2009，4：1028- 1031. [2]张炯，刘天琪，苏鹏，等.基于遗传粒子群混合算法的机组组合优化[J].电力系统保护与控制，2009，9（29）：25- 29. [3]刘海江，张春伟，徐君杰，等．基于遗传算法的白车身焊接机器人焊点分配[J]．同济大学学报(自然科学版)，2010，38(5)：725－728． [4]海丽切木?阿布来提. 浅谈几种智能优化算法[J].电脑知识与技术,2011, 中图分类号：TP301 文献标识码：A 文章编号：1009-3044(2011)19-4628-03. [5]赵义飞，高锦宏，刘亚平，等.基于蚁群优化神经网络的故障诊断[J].北京信息科技大学学报（自然科学版），2010年02期. [6]甘明刚，潘峰，蔡涛.基于协调粒子群算法的无限冲激响应滤波器优化设计[J].兵工学报，2010年10期