第1章 緒論

1.1 基于群智能的生物啟發(fā)式優(yōu)化方法

優(yōu)化是一種具有普適性的工程數(shù)學(xué)問(wèn)題和求解方法，它探索約束條件下問(wèn)題的最優(yōu)解。優(yōu)化問(wèn)題廣泛而多樣，許多問(wèn)題都可歸納為優(yōu)化問(wèn)題。傳統(tǒng)的優(yōu)化方法主要有動(dòng)態(tài)規(guī)劃法、共軛梯度法、分支界定法、牛頓迭代法、拉格朗日乘子法等。但隨著社會(huì)的不斷發(fā)展，面對(duì)規(guī)模越來(lái)越大、復(fù)雜程度越來(lái)越高的各種實(shí)際問(wèn)題，這些基于微積分和窮舉搜索的確定性數(shù)值優(yōu)化方法的缺陷日益明顯，難以在合理時(shí)間內(nèi)給出問(wèn)題的有效解。探索解決大規(guī)模復(fù)雜性優(yōu)化問(wèn)題的全新優(yōu)化方法，對(duì)于促進(jìn)科學(xué)技術(shù)及社會(huì)經(jīng)濟(jì)的發(fā)展具有重要意義。

基于生物群體智能的啟發(fā)式優(yōu)化算法是求解復(fù)雜優(yōu)化問(wèn)題的主要方法之一，這類方法使用概率而不是確定性規(guī)則，能夠快速解決大規(guī)模復(fù)雜性問(wèn)題并能得到滿意解。近年來(lái)，基于群智能的生物啟發(fā)式優(yōu)化方法因性能高效、結(jié)果優(yōu)越、原理簡(jiǎn)單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，吸引了眾多學(xué)者的興趣，成為智能計(jì)算領(lǐng)域的重要發(fā)展方向和研究熱點(diǎn)。比較有影響的算法包括模擬飛鳥集群覓食行為提出的粒子群算法（Particle Swarm Optimization，PSO），受螞蟻尋找食物過(guò)程中釋放信息素發(fā)現(xiàn)路徑行為啟發(fā)提出的蟻群算法（Ant Colony Optimization，ACO），模擬蝙蝠利用聲吶探測(cè)獵物、避開障礙物的蝙蝠算法（Bat Algorithm，BA），受布谷鳥寄生育雛行為啟發(fā)提出的布谷鳥搜索算法（Cuckoo Search Algorithm，CSA），模擬螢火蟲通過(guò)自身發(fā)光特性交換信息的螢火蟲算法（Firefly Algorithm，F(xiàn)A），模擬蟻獅捕食螞蟻過(guò)程的蟻獅優(yōu)化算法（Ant Lion Optimizer，ALO），受座頭鯨特殊捕食行為啟發(fā)提出的鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA），受樽海鞘在海洋中游弋和覓食行為啟發(fā)提出的樽海鞘群算法（Salp Swarm Algorithm，SSA），受蝴蝶覓食行為啟發(fā)提出的蝴蝶優(yōu)化算法（Butterfly Optimization Algorithm，BOA），等等。這些算法的不斷提出和持續(xù)改進(jìn)為智能優(yōu)化算法的研究與應(yīng)用增添了新的活力，相關(guān)算法廣泛應(yīng)用于路徑規(guī)劃、數(shù)據(jù)聚類、工程設(shè)計(jì)、圖像分割、財(cái)務(wù)預(yù)測(cè)、任務(wù)分配、資源管理、能源系統(tǒng)等領(lǐng)域。

但由NFL（No-Free-Lunch）定理可知，沒(méi)有一個(gè)算法可以解決所有優(yōu)化問(wèn)題。這意味著一個(gè)算法在解決一組問(wèn)題上表現(xiàn)很好，卻并不一定能解決另外一組優(yōu)化問(wèn)題。同樣，生物啟發(fā)式算法也存在求解不夠穩(wěn)定，有時(shí)收斂速度較慢、尋優(yōu)精度不高，易陷入局部極值，問(wèn)題和維度適應(yīng)性較弱等問(wèn)題。為此，需要在大量的機(jī)制探討、實(shí)驗(yàn)測(cè)試、統(tǒng)計(jì)分析基礎(chǔ)上不斷研究、改進(jìn)、完善和應(yīng)用，進(jìn)而為解決大規(guī)模復(fù)雜優(yōu)化問(wèn)題提供良好的思路與方案。

目前，對(duì)于生物啟發(fā)式群智能優(yōu)化方法的創(chuàng)新性研究主要聚焦于尋優(yōu)機(jī)制、演化架構(gòu)、理論基礎(chǔ)和應(yīng)用求解等方面。