智能优化算法的设计探析

用智能优化算法求解问题的基本思想是很简单的，保持所求解问题的一个可能解的种群，通过对种群中的个体进行选择、重组、变异等操作，得到下一代种群，这样继续下去，通过对种群的逐代演化，我们可以得到问题的最优解或近似最优解。智能优化算法的基本结构虽然简单，但在用智能优化解决实际问题时能否取得成功却依赖于智能优化算法的实现细节，这需要创造性。不同的表示、不同的选择策略和遗传算子将导致不同的智能优化算法，这些智能优化算法的性能可能会有很大的不同。有些智能优化算法所求出的解和最优解相差甚远；有些智能优化算法虽然能够求出最优解或近似最优解，但所花费的时间太长，以至于人们不能容忍。所以，设计成功的智能优化算法的关键是针对所要求解的具体问题，选择合适的解的表示、设计适当的适应度函数和遗传算子等，使得所设计的智能优化算法能够在有效的时间内求出问题的最优解或近似最优解。

在设计智能优化算法的过程中，一个需要注意的问题是：通常智能优化算法的各个方面是相互关联的。例如，解的表示与遗传算子的设计是密切相关的，不同的表示导致不同的遗传算子。

在设计智能优化算法时，通常按照以下基本步骤进行。

（1）确定解的表示：智能优化算法求解问题不是直接作用在问题的解空间上，而是作用在解的某种编码表示空间上。问题解的一种表示是一个从问题解的空间到编码表示空间上的一个映射。问题的解可以有不同的编码表示，设计一种合适的编码表示是设计智能优化算法的一个关键问题，一种好的表示常使我们能够设计出高效的遗传算子。解的表示与问题相关，没有一种选择表示的普遍规则。一个好的建议是：选择问题解的一种直观、自然的表示。

（2）确定适应度函数：在智能优化算法中，适应度函数是判断解的质量的唯一方法，直接影响到算法的收敛速度及能否找到最优解。因为智能优化算法在算法终止后通常取适应值最大的个体作为问题的最优解或近似最优解，所以，尽管有多种方法设计适应度函数，但一般要求最优解具有最大的适应值；除此之外，通常还要求解的适应值与解的质量之间有密切的联系，即解的适应值之间的差异能够反映出解的质量的差异，或者解的质量的差异能够通过其适应值反映出来。为了说明这一点，考虑一个简单的优化问题：

（3）选择策略的确定：为了产生较好的后代种群，一种好的选择机制是必需的。选择算子作用在当前种群中的个体上，有两种选择算子：一种是从当前种群中选择若干个体作为下一代种群的父体；另一种是从当前种群中选择若干个体作为下一代种群。选择算子与解的编码表示无关，仅与个体的适应值相关。通常选择策略体现了优胜劣汰的思想，使得适应值大的解有较高的存活概率。不同的选择策略对算法的性能也有较大的影响。

（4）遗传算子的设计：遗传算子主要包括重组算子、变异算子。遗传算子的设计与所选择的编码方案有密切的关系，不同的编码方案，其相应的遗传算子也有所不同。(www.xing528.com)

（5）控制参数的确定：控制参数主要包括种群的规模、算法执行的最大代数、执行不同遗传操作的概率及其他一些辅助性的控制参数。

（6）确定算法的终止规则：在智能优化算法中，无法确定个体在解空间的位置，从而无法用传统的方法来判定算法的收敛与否以终止算法。常用的方法是：预先指定一个最大演化代数，或在算法连续演化若干代以后，若解的适应值没有明显改进则终止算法。

（7）初始化：产生初始种群的方法通常有两种。一种是随机地产生群体中的个体；另一种是用某种启发式算法产生初始种群，这可使算法能更快地达到最优，但这需要对问题本身有某些先验知识。

智能优化算法设计中的大多数步骤需要经验，只有少数一般性的结果可以直接用于智能优化算法的设计，例如与表示无关的遗传算子的设计，最常用的选择算子为选择压力的定量分析。