一些经典的优化算法的简要介绍

董垚

大多数工程和科学问题都是多目标优化问题，存在多个彼此冲突的目标，如何获取这些问题的最优解，一直都是学术界和工程界关注的焦点问题。与单目标优化问题不同，多目标优化的本质在于，大多数情况下，某目标的改善可能引起其他目标性能的降低，同时使多个目标均达到最优是不可能的，只能在各目标之间进行协调权衡和折中处理，使多有目标函数尽可能达到最优。
智能优化算法是一类通过模拟某一自然现象或过程而建立起来的优化方法，这类算法包括进化算法、粒子群算法、禁忌搜索、分散搜索、模拟退火、人工免疫系统和蚁群算法等。和传统的数学规划法相比，智能优化算法更适合求解多目标优化问题。同事多目标智能优化算法在电力系统、制造系统和控制系统等方面的应用研究也取得了很大的进展。
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，它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途径。下面我们对经典的优化算法分别做一个简单的介绍：
1.进化算法（EA）
进化算法来源于对生物进化过程的模拟，它将问题的求解表示成染色体的适者生存过程，通过染色体的一代代进化，最终收敛到最适应环境的个体（即问题的最优解或满意解），该类算法主要包括遗传算法（GA）、进化策略（ES）和进化规划（EP）等。
2.粒子群算法（PSO）
粒子群算法来源于对鸟群优美而不可预测的飞行动作的模拟，粒子的飞行速度动态的随粒子自身和同伴的历史飞行行为改变而改变。
3.禁忌搜索（TS）
禁忌搜索是一种全局逐步优化算法，它模拟人类的智力过程，通过引入一种灵活的存储结构和相应的禁忌规则来避免迂回搜索，并通过藐视原则来赦免一些被进给的优良状态，以实现全局优化。
4.分散搜索（SS）
分散搜索主要组成部分包括五个方法：多样化产生方法、改进方法、参考集更新方法、子集产生方法和组合方法等。分散搜索十分灵活，它的每个组成部分都能采取不同的方式实现。
5.模拟退火算法（SA）
模拟退火算法是模拟机械热处理退火过程在不同温度下，金属分子始终可以达到平衡的原理，其出发点是固体物质的退火过程与一般组合优化问题的相似性，从某一初始温度开始，随着温度的降低，结合概率突跳特性在解空间中搜索最优解，即在局部解时能概率性的跳出并最终趋于全局优化。
6.人工免疫系统（AIS）
人工免疫系统是一种模仿生物免疫系统功能的智能系统，免疫系统是一种复杂的分布式信息处理学习系统，这种系统具有免疫保护、免疫记忆、免疫学习功能以及较强的自适应性、多样性、学习、识别和记忆等特点。
7.蚁群算法（ACO）
蚁群算法是收自然界中蚂蚁搜索食物行为的启发而提出的一种随机优化算法，单个蚂蚁是脆弱的，而蚁群的群居生活却能完成许多单个个体无法承担的工作，蚂蚁间借助于信息素这种化学物质进行信息的交流和传递，并表现出正反馈现象，某段路径上经过的蚂蚁越多，该路径被重复选择的概率就越高。正反馈机制和通信机制是蚁群算法的两个重要基础。

在接下来的帖子中，我尽量抽出时间给大家分别详细讲解一下这些智能算法，他们真的代表了人类智慧的结晶。