优化算法简介

优化算法是指在满足一定条件下，在众多方案中或者参数中最优方案，或者参数值，以使得某个或者多个功能指标达到最优，或使得系统的某些性能指标达到最大值或者最小值。优化算法分为：进化算法，群智能算法，模拟退火算法，神经网络等。

进化算法，分为遗传算法，免疫算法等。

遗传算法：使用“适者生存”的原则，对问题最优解的搜索是通过对染色体X的搜索完成的，所有染色体X就构成了问题的搜索解空间。计算流程为：初始化，计算适应度，没有满足终止条件的话，进行选择，交叉，变异操作，再重新评估适应度。

免疫算法：免疫是集体的一种生理反应，当抗原进入人体，抗原将激励免疫细胞，产生抗体，抗体将抗原消灭，留在人体，同样抗原入侵，抗体就会很快将它消灭。免疫算法将优化问题中待优化问题对应于抗原，可行解对应于抗体，可行解质量对应于免疫细胞与抗原的亲和度。可以应用于非线性最优化，组合优化，控制工程，机器人，故障诊断，图像处理等领域。

群智能算法分为蚁群算法，粒子群算法等。

蚁群算法：蚂蚁在寻找食物的时候，能在其走过路径上释放信息素，随着时间推移，改物质会逐渐挥发，后来蚂蚁选择该路径的概率与当时这条路径上信息素的强度成正比，这条路上信息素越多，后来蚂蚁选择这条路概率也高，从而形成正反馈，通过这种正反馈，蚂蚁可以选择最优路径。蚁群算法适合用于解决旅行商问题，分配问题，车间作业调度问题等。

粒子群算法：一群鸟在区域中随机搜索食物，所有鸟知道自己当前位置离食物多远，那搜索的最简单的策略就是搜索目前离食物最近的鸟的周围，粒子群算法从中得到启示，并解决实际问题，广泛用于函数优化，神经网络训练，模式分类，模糊控制等领域。

模拟退火算法：退火过程由以下三个部分：加温过程，等温过程，冷却过程。将固体加温至充分高，再将其冷却。加温过程中，固体内部粒子随温度升高变成无序；冷却时候，粒子渐渐趋于有序。最后常温时候达到温度最小。优化的目标函数相当于固体内能，优化问题的自变量状态组合相当于固体内能状态空间，问题求解过程就是找一个组合状态，使得内能最小。退火算法，已经应用于生成调度，控制工程，机器学习，神经网络，模式识别，图形处理等。

神经网络是指大量的简单计算单元，构成的非线性系统，模仿人脑神经系统信息处理，存储，检索等信息。大量神经元相互连接而成神经网络，主要分为前馈神经网络，反馈神经网络，自组织网络。主要应用领域有模式识别，故障检测，智能机器人，非线性系统识别和控制，知识处理，认知科学等。

【参考文献】

智能优化算法及其MATLAB实例