优化算法比较

蚁群算法
在完全未知世界里进行增强学习型探索，以解的质量来换取效率，寻求最优路径而不是最短路径

优点
1.可以与报警系统联动，实时躲避动态障碍物，如火灾
2.可以将烟雾浓度/温度/CO浓度/人群密度/出口疏散能力/疏散通道考虑进去
3.可以设置多起点多终点
缺点
1.收敛慢
2.易陷入局部最优
改进
加强正反馈

比较

优化算法	优点	缺点	主要解决的问题
蚁群算法	1.启发式动态搜索特定场景较好或最优解的能力强 2.易于并行实现 3.很强的鲁棒性和扩展性，很容易与多种启发式算法结合，以改善算法性能	1.初期收敛慢，搜索时间长 2.易陷入局部最优而停滞 3.开销较大4.寻径遍历随机，难以重现相同的解决方案	商旅问题，多维背包问题，指派问题，调度问题，分配问题，连续优化，图像处理，路线规划等组合优化问题
粒子群算法/猫群算法	1.相当快的逼近最优解的速度 2.求解过程简便，易于实现	1.容易产生早熟收敛（尤其是在处理复杂的多峰搜索问题中）2.局部寻优能力较差，搜索精度低 3.在某些问题上性能并不是特别好 4.网络权重的编码而且遗传算子的选择有时比较麻烦	1.函数优化 2.约束优化 3.工程设计问题 4.机器人智能控制
遗传算法	1.初期有比较强的全局搜索能力，隐并行性 2.容错能力强 3.自适应调整搜索发向	1.存在着汉明悬崖等问题，后期搜索速度较慢，效率低 2.容易过早收敛	函数优化、组合优化、车间调度、配送点选址、规划设计
模拟退火算法/模糊逻辑算法	1.初期鲁棒性强 2.通用易实现	解的质量不高	1.VLSI设计 2.图像识别 3.神经网计算机 4.各种组合优化问题5.获得固定多边形障碍物之间的无碰撞最优轨迹
神经网络算法	自适应学习能力强	需要大量学习路线样本，实现较复杂，通用性差	路线规划、信号处理、模式识别、专家系统、机器人、复杂系统控制、语音识别、计算机视觉
Prime，Dijkstra，Floyd，kruskal，A*等传统静态算法	1.保证可以找到最短路径 2.结构简单	1.只能规划静态路径，不具备路径信息随时间动态更新计算的条件 2.很难模拟复杂场景对疏散的影响 3.效率低下	静态路径规划，最小生成树