智能优化算法：融合人工智能进化与优化

传统优化算法都是针对连续或可导的目标函数来说的，处理的问题也比较简单。而实际的优化问题常常表现出高维、多峰值、非线性、不连续、非凸性及带噪声等复杂特征。为了求解这些优化问题中的难解问题，智能优化算法（有时也称现代优化算法）应运而生[26]。正是因为很多实际优化问题的难解性以及智能优化算法在一些优化问题中的成功应用，使得智能优化算法成为解决优化问题的一种有力的新工具。目前的智能优化算法包括禁忌搜索法、模拟退火法、人工神经网络算法、遗传算法和免疫进化算法等[5]。

1.禁忌搜索法

禁忌搜索法是局部邻域搜索算法的推广，是人工智能在组合优化算法中的一个成功应用。Glover在1986年首次提出这一概念，进而形成一套完整算法[53]。禁忌搜索法的特点是采用了禁忌技术，所谓禁忌就是禁止重复前面的工作。为了回避局部邻域搜索陷入局部最优的不足，禁忌搜索法用一个禁忌表记录下已经到达过的局部最优点，在下一次搜索中，利用禁忌表中的信息不再或有选择地搜索这些点，以此来跳出局部最优点。浙江大学杨仕友等在分析现有禁忌搜索法基础上，还提出了一种连续变量全局优化的禁忌搜索法。

2.模拟退火法

模拟退火法的思想最早是由Metropolis等于1953年提出的，Cerny和Kirkpat Dc K等[34]在1983年分别把它用于优化问题和VLSI设计。模拟退火法将组合优化问题与统计力学中的热平衡问题类比，开辟了求解优化问题的新途径。它通过模拟金属物质退火过程，寻找到全局最优解。在金属物质进行退火处理时，通常先将它加热到某一高温状态，使其内部的粒子可以自由运动，然后随着温度的逐渐下降，物质的能量将逐渐趋近于一个较低的状态，粒子也逐渐形成了低能态的晶格，若在凝结点附近的温度下降足够慢，则金属物质一定会形成最低能态的晶格。优化问题也有这样的类似过程，优化问题解空间中的每一个点都代表一个解，不同的解有着不同的能量函数值，所谓优化就是在解空间中寻找使能量函数（即目标函数）达到最小值（或最大值）的解。

3.人工神经网络(www.xing528.com)

人工神经网络是在现代神经科学研究成果基础上提出的一种数学模型，是通过人工神经元在不同层次和方面模拟人脑神经系统的信息存储、检索及处理功能的非线性信息处理系统。人工神经网络是20世纪末发展起来的前沿科学，属于多学科、综合性的研究领域。由于它为解决非线性、不确定性和不确知系统问题开辟了新途径，因而吸引了众多科学工作者的研究热潮。由于人工神经网络具有大规模并行处理信息的能力、泛化能力、非线性映射能力、联想功能、分布式的信息存储、自组织、自学习和自适应等主要特点，它的应用几乎遍及所有自然科学、社会科学领域，尤其在模式识别、知识处理、非线性优化、传感技术、智能控制、生物工程、机器人研制等方面得到广泛应用和研究。

4.遗传算法

生物进化过程本质上就是生物群体在其生存环境约束下通过个体竞争、自然选择、杂交、变异等方式所进行的“适者生存”的一种自然优化过程。因此，完全可以借鉴生物进化过程来完成某一优化问题的求解过程。1962年美国Michigan大学John H Holland教授发现[17，22，23]，按照类似生物的自然选择（Selection）和杂交（Rrossover）的自然进化（Natural evolution）方式编制的计算机程序能够解决复杂的优化问题，在此基础上，Holland教授提出了一类新的优化方法，即遗传算法也称基因算法（Genetic algorithm，简称GA）。遗传算法正是模拟生物的自然选择和群体遗传机制的数值优化方法，它把一组随机生成的可行解作为父代群体，通过选择、杂交生成子代个体，后者再经变异，优胜劣汰，如此反复进化迭代，使个体的适应能力不断提高，优秀个体不断向最优点逼近，从而得到问题的最优解或接近最优解。

5.免疫进化算法

作者基于现有进化算法理论，受生物免疫机制启发，提出了免疫进化算法[54]。并在免疫进化算法的基础上还提出了域约束免疫进化算法和基于网络调节的免疫进化算法。该方法继承了进化算法的优点，参数设置较为简单，且便于实际操作，在复杂优化问题的解决上取得了很好的效果。