智能优化算法.docVIP

智能优化算法 摘要 优化问题一直是科学和工程研究领域的热点问题。传统的优化方法在处理大维数、多模态等复杂问题上存在很多不足，因此有必要研究和探讨新的优化算法。国内外许多研究学者因此提出了多种智能优化算法。本文首先提出智能优化算法的研究背景以及意义，然后介绍了智能优化算法及混合智能优化算法的研究现状，最后针对智能优化的某些局限性给出了自己的一些看法与评价。 一、智能优化算法研究的背景与意义 最优化理论与算法是一个重要的数学分支，它所研究的问题是讨论在众多的方案中什么样的方案最优以及怎样找到最优方案。它广泛应用于农业、工业、国防、工程、交通、化工、等众多领域，并在资源分配、工程设计、生产计划安排、城建规划等领域中产生了巨大的经济效益和社会效益。同时，优化在材料科学、控制论、结构力学、环境科学、生命科学等其他科学研究领域也有广泛应用。国内外的应用实践表明，在同样的条件下，优化处理技术对系统效率的提高、资源的合理利用、能耗的降低及经济效益的提高等均有显著的效果，且效果随着处理对象规模和复杂度的增加而更加显著。 由于生产和科学研究突飞猛进地发展，特别是电子计算机日益广泛应用，使最优化问题的研究不仅成为一种迫切需要，而且有了求解的有力工具，因此最优化理论和算法迅速发展起来，同时社会对各种工程问题优化算法的需求也越来越迫切。目前，基于严格机理模型的开放式方程建模与优化被认为是国际上主流技术。各大科研机构和工程公司纷纷投入大量的人力物力财力对系统的建模与优化进行细致深入的研究，意图取得突破性的进展。然而，基于严格机理模型所得到的优化命题通常具有方程数多、非线性强、变量维数高等特点，这使得相关变量的存储、计算及命题的求解都相当困难．优化问题不仅工业界存在，国民经济的各个领域中也存在着相当多的涉及因数多、影响广、难度高和规模大的优化命题，如运输中的最优调度、生产流程的最优排产、资源的最优分配、农作物的合理布局、工程的最优设计以及国土的最优开发等等，所有这些问题的解决也必须有一个相当有效的优化工具来进行求解。面对大型问题，常规的优化算法已无能为力，无论是在计算速度、收敛性、初值敏感性等方面都远不能满足要求。因此，针对常规优化算法遇到的难点，研究智能的优化方法具有重要意义。 二、智能优化算法的介绍以及研究现状 智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、并且适合于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定时间内找到最优解或近似最优解。常用的智能优化算法有模拟退火算法、遗传算法、群智能算法等。下面首先对这几种常用的智能优化算法作简要的介绍。 模拟退火算法 模拟退火算法(Simulated Annealing，SA)是1983年由Kirkpatrick首次将其应用于组合优化领域而提出来的一种组合优化算法，它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。 　　模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。 遗传算法 遗传算法（Genetic Algorithm, GA）是一类借鉴生物界的进化规律演化而来的随机化搜索方法。它是由美国的J. Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法有三个基本算子:选择、交叉和变异. 但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验。 3、群智能算法 随着人类对生物启发式计算的研究，一些社会性动物（如蚁群、蜂群、鸟群）的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点：个体的行为都很简单，但当他们一起协同工作时，却能够“突现”非常复杂的行为特征。目前，在群智能理论研究领域有以下三种主要算法：蚁群算法(Ant Colony Optimiza