智能优化算法的主要特点

智能优化算法是一种随机优化方法，与传统的优化算法有许多不同之处。智能优化算法最主要的优点是其概念的简单性，也正因为如此，智能优化算法在许多领域都得到了广泛的应用。智能优化算法可广泛用于各种优化问题，许多用传统方法不能求解的复杂问题，应用智能优化算法都取得了巨大的成功。无需事先假定被优化的函数具有连续的、离散的或是混合的参数；也无需假定函数是连续的、可微的或是凸的。因此，相对而言，智能优化算法容易应用到某个搜索或优化问题。

智能优化算法除了上述优点外，还具有以下两个主要的特点。

（1）智能性：应用智能优化算法求解问题时，在确定了编码方案、适应度函数和遗传算子后，算法将利用演化过程中获得的信息自行组织搜索。由于基于自然的选择策略为：适者生存，不适者淘汰，故而适应值较大的个体具有较高的生存概率。通常适应值较大的个体具有与环境更适应的基因结构，再通过重组、变异等遗传操作就可能产生与环境更适应的后代。智能优化算法这种自组织、自适应和自学习的特征也赋予了智能优化算法具有根据环境的变化自动发现环境的特征和规律的能力。自然选择消除了算法设计过程中的一个最大障碍，即需要事先描述问题的全部特点，并说明针对问题不同特点算法应采取的措施。因此，利用智能优化的方法，我们可以解决那些结构无人能理解的复杂问题。

（2）本质并行性：智能优化算法本质上是并行的，因而易于并行化。智能优化的本质并行性表现在两个方面：其一是智能优化的内在并行性，即智能优化本身非常适合大规模并行。有许多不同的方法使智能优化并行化，最简单的并行方式是让几百台甚至数千台计算机各自独立地进行种群的智能优化，计算过程中甚至不进行任何通信（独立的种群之间若有少量的通信，一般会带来更好的结果），等到所有的计算结束后，才通信比较，选取最佳个体。这种并行处理方式对并行系统结构没有限制和要求。可以说，智能优化适合在目前所有的并行机或分布式系统上进行并行处理，而且对其并行效率没有太大影响。其二是智能优化的内含并行性。由于智能优化采用种群的方式组织搜索，因而它可以同时搜索解空间内的多个区域，并互相交流信息。虽然智能优化算法每次只执行了与种群规模N 成比例的计算，但这种搜索方式使其实质上已进行了大约O（N3）次的有效搜索。也就是说智能优化能以较少的计算获得较大的收益。

虽然智能优化的方法有许多优点，但也有一些不足之处。(www.xing528.com)

一般来说，求解某类问题的最好算法几乎总是要利用该类问题的特征。换言之，如果能够很好地理解问题，并将所获得的知识用于求解问题，那么所得到的解的质量也会较高。所以，通常求解某类特殊问题的最好算法不是基于智能优化方法。但在某些情形，若将智能优化与其他技术（如爬山法、局部搜索等）结合起来，可以得到很好的结果。

智能优化算法是计算敏感的，即在相同的条件下，每一次计算的结果不一定相同。智能优化通常不能保证解的质量，而且所花费的时间较长，因而一般不能很好地用于实时系统。

有许多智能优化算法，这些算法有许多参数，在实际应用中，调整这些参数常常是困难的。