浅析智能优化算法

摘 要：算法优化在许多的工程领域得到了广泛的应用，而求解线性、非线性、随机和几何规划等各种最优化的问题也得到了快速发展。智能优化算法是利用自然界中的事物与优化过程中所具有的某些相似性而进行搜索的一种搜索算法，相对于传统的优化算法，智能优化算法在求解速度等方面具有显著优点。

关键词：算法；算法优化；智能优化

中图分类号：TP301.6

优化问题有着传统优化理论和现代智能优化理论，传统的优化理论由于有着线性规划和非线性规划的数学知识的支持，目前已经在多个生产领域得到了大量的应用，但由于其必须要在获知最优解决方案的数学特征的前提，才能根据最优解决方案的数学特征设计出相对应的算法，在每一步解决步骤中必须建立在对优化问题的充分了解的基础之上，所以其具有十分大的局限性。现代智能优化理论并不需要了解优化问题的最优解的数学特征，而是对优化问题进行启发式的算法进行求最优解，其本身是一个近似算法，其并不能保证一定能够求得最优解，但是其可以在最短的时间内可以得到最接近最优解的解决方案，因此其得到了广泛的利用。根据智能优化的思想，1991年，意大利学者Dorigo根据蚂蚁觅食行为中总是沿着最优途径进行觅食的原理提出了将分布式计算、正反馈和启发式算法结合起来用来解决组合优化问题的理论。[1]国内学者李晓磊利用鱼群行为的原理提出的鱼群算法也是一种智能算法。[2]

本论文主要内容。本文将首先介绍了智能优化算法的原理，智能优化算法是模拟自然和生物现象，因为在自然界，生物总是朝着最适应环境的方向进化，根据此原理，智能优化算法能够在不知晓最优解的数学特征的前提，找出最接近最优解的优化解。然后文章将介绍一些著名的智能优化算法，例如模拟蚂蚁的算法等。最后文章将对智能优化算法的一些实际应用进行说明并对以后的研究方向进行展望。

1 智能优化算法

1.1 智能优化算法的定义。传统优化算法和智能优化算法尽管它们的原理不同，但是它们都是根据所需要优化问题的目标函数来寻找最优解，传统优化算法是根据目标函数的数学等特征来寻找最优解的，而智能优化算法是根据自然生活现象来模拟目标函数以寻找最接近最优解的优化解，智能优化算法的迭代过程必须包括以下三个步骤：第一步，在目标函数的可行范围以事先定好的寻找优化解的策略来寻找一组初始解；第二步，继续在目标函数的可行范围内按照原来的策略继续寻找优化解；第三步，判断结束条件是否满足，当满足的时候再所有解选出最优解，如果不满足，返回第二步继续执行直至结束条件满足。[3]

1.2 典型的智能优化算法分析。智能优化算法是模拟自然界的现象，在搜索过程不断调整搜索策略以便更好地进行搜索，根据所模拟的自然界的现象的不同，主要的智能优化算法有：

1.2.1 蚁群算法。蚁群算法是根据自然界的蚂蚁在觅食的过程中总是朝着食物的方向前进并在行进过程中不断调整行进路线，在其中关键的是优化解的构造策略和信息素更新策略，其实现的步骤是：第一步，将所有可行方案中的路径的信息素设置初始值；第二步，在目标函数的可行域按照解的构造策略构造一组解；第三步，按照信息素更新策略更新所有的路径信息素；第四步，判断结束条件是否满足，满足的话输出最优解，不满足的话返回到第二步进行算法的迭代。[4]

1.2.2 粒子群算法。粒子群算法是模拟自然界鸟群觅食过程而实现的，其原理是根据鸟群在觅食过程中总是朝着食物源靠近但是每一只鸟靠近食物的速度和路径可能不同，其中的关键是确定每个粒子的适用度值，粒子群算法实现的步骤有：第一步，确定每一个粒子所处的位置和速度并计算出每一个粒子的适用度值；第二步，更新全局的最优粒子和每一个粒子的局部最优；第三步，更新更新策略更新每个粒子的位置和速度；第四步，判断结束条件是否满足，满足的话就输出最优解，不满足的话转到第一步中计算每一个粒子的适用度值继续算法的迭代。

1.2.3 遗传算法。遗传算法是模拟在自然界中生物进化过程的优胜劣汰的原理，但是在其中一个优化解只是对于生物群里面的一个个体，所有的优化解的集合才是整个生物群的优化解，因此需要用一个选择、交叉和变异算子来模拟生物种群的整个进化过程，粒子算法的主要实现步骤有：第一步，对所要处理的种群进行初始化；第二步，从种群按照选择算子和一定的选择策略选出一个总数为n的个体；第三步，从种群里面任意选择出m对个体，利用交叉算子和一定的概率产生后代；第四步，在所产生的后代中按照变异算子和一定的概率进行变异；第五步，计算出每个个体的适应度值；第六步，判断结束条件是否满足，满足的话选出最优解，不满足的话则跳转到第二步继续算法的迭代。

1.2.4 模拟退火算法。模拟退火算法是模拟固体退火的整个过程，其根据的基本原理是物体内部的内能随着温度的变化而成正反应变化，当固体处于常温的时候其内部粒子就处于基态，当固体从高温温度下降的足够慢的时候其内部粒子就会处于平衡态，其用固体的内能来模拟目标函数，用温度来模拟控制参数，而用降温来模拟参数变化。模拟退火算法的主要实现步骤有：第一步，初始化，设定一个初试参数和一个初始解；第二步，在已经得到的优化解的邻域内任意选择一个新的解；第三步，根据准则来判断新解是否可以被接受或者被拒绝；第四步，判断固体是否处于平衡状态，若满足条件进行下一步，不满足的话返回到第二步继续算法的迭代；第五步，给固体降温。

1.3 智能优化算法模型分析

1.3.1 智能优化算法概率模型。智能优化算法实际上是一种搜索算法，与智能优化算法相对于的还有一种概率型的搜索算法，这就是纯随机搜索算法，纯随机搜索按照随机的均匀分布来进行搜索，基本上和枚举法没有本质上的区别，而智能优化算法是一种基于概率的采样模型，它具有如下特点：第一，其采样方式确定，目标函数是不容易直接描述其数学等方面的特征；第二，为了和纯随机采样相区别，智能优化算法采用带参数的采样模型，而且其采样模型只和当前状态有关而且可以根据采样数据进行自行改进。[5]

2 小结与工作展望

2.1 总结。本论文主要是介绍了智能优化算法，智能优化算法是在不知晓目标函数的数学特征的情况寻找最优解应用的十分广泛的算法，其主要是模拟自然界现象以便随时更新信息，寻找出最接近最优解的优化解，本文主要完成的工作有：（1）研究了一些主要的典型的智能优化算法，例如蚁群算法，粒子群算法等，研究了这些算法的原理和其模拟的是那些自然界的现象以及它们迭代的步骤；（2）研究了智能优化的采样模型，主要是研究了基于概率的模型。

2.2 下一步研究方向。本文主要是对智能优化算法的基本原理、采样模型进行了研究，下一步的研究方向主要有：（1）继续研究主要智能优化算法的实现方式，对比研究它们的优劣性；（2）继续研究智能优化算法的采样模型，重点研究概率分布密度函数等；（3）将智能优化算法结合具体事例进行研究，对理论加以论证。

参考文献：

[1]Dorigo M，Maniezzo V，Colorni A.Positive feedback as a search strategy[J].Technical Report n. 91-016，Politecnico di Milano，1991：1-20.

[2]李晓磊，邵之江，钱积新.一种基于动物自治体的寻优模式：鱼群算法[J].系统工程理论与实践，2002（11）：32-38.

[3]汪定伟，王俊伟.智能优化方法[M].北京：高等教育出版社，2007.

[4]杨劲秋.智能优化算法评价模型研究[D].浙江大学，2011.

[5]高永超，智能优化算法的性能及搜索空间研究[D].山东大学，2007.

作者简介：刘静（1982-），女，硕士研究生，信息工程系，从事高职教育教学研究、软件开发技术方向的研究。

作者单位：湖南工程职业技术学院，长沙 410075