系统优化方法与智能优化算法

系统优化方法与智能优化算法

系统优化方法在各种工程系统、经济系统，乃至社会系统中得到了广泛的应用。最优化理论的研究也一直是一个十分活跃的领域，出版了许多最优化理论、方法和应用的著作和译作。

梯度为基础的传统优化算法具有较高的计算效率、较强的可靠性、比较成熟等优点，是一类最重要的、应用最广泛的优化算法。但是，传统的最优化方法在应用于复杂、困难的优化问题时有较大的局限性。一个优化问题称为是复杂的，通常是指具有下列特征之一：（1）目标函数没有明确解析表达；（2）目标函数虽有明确表达，但不可能恰好估值；（3）目标函数为多峰函数；（4）目标函数有多个，即多目标优化。一个优化问题称为是困难的，通常是指：目标函数或约束条件不连续、不可微、高度非线性，或者问题本身是困难的组合问题。传统优化方法往往要求目标函数是凸的、连续可微的，可行域是凸集等条件，而且处理非确定性信息的能力较差。这些弱点使传统优化方法在解决许多实际问题时受到了限制。

目前由于所研究实际系统的规模越来越大，约束条件增多，系统结构越来越复杂，多准则、非线性、不可微、不确定已成为这些复杂系统的基本特征，致使系统的数学建模难度越来越大，因此，探寻适合大规模计算且具有智能特征的问题求解（或信息处理）方法成为相关学科的研究热点和重要研究方向。计算智能（或软计算）就是在这种情况下出现的一个学科领域，它是由多个学科相互交叉和渗透的结果，得益于运筹学与管理科学、计算数学、人工智能、模式识别、自动控制理论等许多学科，其典型分支主要包括进化计算、神经计算与模糊逻辑等。

作为计算智能的重要研究内容，智能优化算法主要包括进化算法、模拟退火算法、人工神经网络方法、免疫算法、禁忌搜索算法、差分演化算法、蚁群算法、微粒群算法等。这类新的优化算法一般都是建立在生物智能或物理现象基础上的随机搜索算法，目前在理论上还远不如传统优化算法完善，往往也不能确保解的最优性，因而常常被视为只是一些“元启发式方法”（meta-heuristic）。但从实际应用的观点看，这类新算法一般不要求目标函数和约束的连续性与凸性，甚至有时连有没有解析表达式都不要求，对计算中数据的不确定性也有很强的适应能力。由于这些独特的优点和机制，智能优化算法引起了国内外学者的广泛重视并掀起了该领域的研究热潮，且在诸多领域中得到了广泛应用，展示出强劲的发展势头。

参考文献：

1.王凌. 智能优化算法及其应用，清华大学出版社，2001.

2.郭崇慧，唐焕文．演化策略的全局收敛性．计算数学，2001，23（1），105-110

3.唐焕文，秦学志.实用最优化方法（第三版）．大连理工大学出版社，2004．

4.徐宗本. 计算智能（第一册）：模拟进化计算，高等教育出版社，2005.

5.邢文训，谢金星. 现代优化计算方法（第二版），清华大学出版社，2005.

6.汪定伟，王俊伟，王洪峤，张瑞友，郭哲. 智能优化方法，高等教育出版社，2007.

转自:http://www.sciencenet.cn/m/user_content.aspx?id=212836