智能优化算法比较

遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群优化算法和细菌觅食优化算法都是仿生优化算法，它们都属于一类模拟自然界生物系统，完全依赖生物体自身本能、通过无意识寻优行为来优化其生存状态以适应环境需要的最优化智能算法。

它们有以下相同点：

（1）都是一类不确定的概率型全局优化算法。智能优化算法的不确定性是伴随其随机性而来的，其主要步骤含有随机因素，有更多的机会求得全局最优解，比较灵活。

（2）都不依赖于优化问题本身的严格数学性质，都具有稳健性。因此用智能优化算法求解许多不同问题时，只需要设计相应的评价函数，而基本上无需修改算法的其他部分。在不同条件和环境下算法的适用性和有效性很强。

（3）都是一种基于多个智能体的智能优化算法。

（4）都具有本质并行性。因而算法本身非常适合大规模并行，且能以较少的计算获得较大的收益。

（5）都具有自组织性和进化性。在不确定复杂环境中，智能优化算法可以通过自学习不断提高算法中个体的适应性。

这类算法的不同点以及缺点：

（1）遗传算法：以决策变量的编码作为运算对象，借鉴了生物学中的染色体概念，模拟自然界中生物遗传和进化的精英策略，采用个体评价函数进行选择操作，并采用交叉、变异算子产生新的个体，使算法具有较大的灵活性和可扩展性。

缺点：求解到一定范围时往往做大量无为的冗余迭代，求精确解效率低。(https://www.xing528.com)

（2）蚁群优化算法：采用了正反馈机制或称为一种增强型学习系统，通过不断更新信息素达到最终收敛于最优路径的目的，这是蚁群优化算法不同于其他智能优化算法最为显著地特点。

缺点：蚁群优化算法需要较长的搜索时间，且容易出现停滞现象，此外，该算法的收敛性能对初始化参数的设置比较敏感。

（3）粒子群优化算法：是一种简单容易实现又具有深刻智能背景的启发式算法，与其他智能优化算法相比较，该算法所需代码和参数较少，而且受所求问题维数的影响较小。

缺点：粒子群优化算法的局部寻优能力相对较差，此外，该算法的数学基础相对薄弱，缺少深刻的数学理论分析。

（4）人工鱼群算法：是一种新型的基于群体的优化工具，具有良好的取得全局极值的能力，并具有对初值、参数选择不敏感、鲁棒性强、简单、易于实现等诸多优点。

缺点：该算法搜索精度不高，后期收敛慢等；同时还由于AFSA的研究尚处于初期，其理论基础和工程应用的深度和广度还有待于进一步研究。

（5）细菌觅食算法：也是一种新型的基于群体的优化工具，具有良好的取得全局极值的能力。

缺点：研究尚处于起步期，其理论基础和工程应用的深度和广度还有待于进一步研究。