智能优化算法——总结

智能优化算法是一种元启发式方法，可以看做是带有随机性的基于群体的启发式方法，既保留了蒙特卡洛方法的全局探索性能好的特点，还具有启发式方法的局部开发能力强的优点。

元启发式方法从形成原理上来说，可以分为三类：

（1）基于进化机制

（2）基于物理原理

（3）基于群体智能

相同点：

作为同一大类算法，不同的智能优化算法之间，往往具有以下三个相同点：

（1）都具有跳出局部最优解的能力，这是此类算法的基本要求，采用的手段以增加随机函数为主要方式。

（2）都有超参数需要人为设置。不同类型的算法，超参数的数量有一定的区别。大部分情况下，基于进化机制和基于物理原理的智能优化算法，超参数数量会更少一些。

（3）都需要在全局探索和局部开发上做折中。无限制的全局探索会导致算法不收敛，仅专注局部开发又会使得算法陷入局部最优解，因此在两者之间做折中，是必要的步骤。

不同点：

（1）算法最初来源不同

（2）在平衡全局探索和局部开发的策略上，有一定区别。例如模拟退火算法主要通过调整一个超参数来平衡两者，蚁群算法则需要同时协调更多参数，而经典差分进化算法则不需要单独设计，因为其核心的差分向量自带平衡能力。

（3）从优化内涵来说，他们之间的差异也比较大，对优化来说，本质就两件事情，一个是迭代方向，另一个是迭代步长。例如差分进化算法中，迭代方向由差分向量确定，迭代步长由缩放因子控制；粒子群算法中，方向和步长由粒子的原有速度、粒子局部最优方向和粒子全局最优方向共同确定；遗传算法中，方向仅由部分维度确定，步长可以认为是1.

群体智能优化算法是一种随机优化技术，该类算法在求解优化问题时具有良好的搜索能力，遵循着邻近原则、品质原则、多样性反应原则、稳定性原则、适应性原则。

年份	算法中文名	算法英文名	缩写	分类	特点
1953	模拟退火	Simulated Annealing	SA
1975	遗传	Genetic Algorithm	GA
1991	蚁群	Ant Clony Optimization	ACO
1995	粒子群优化	Particle Swarm Optimization	PSO
1995	差分进化	Differential Evolution	DE
2002	细菌觅食	Bacterial Foraging Algorithm	BFA
2005	人工蜂群	Artificial Bee Colony	ABC
2008	猴群	Monkey Algorithm	MA
2008	生物地理学优化	Biogeography-Based Optimizer	BBO
2009	萤火虫	Firefly Algorithm	FA
2009	布谷鸟搜索	Cuckoo Search	CS
2009	引力搜索	Gravitational Search Algorithm	GSA
2010	蝙蝠	Bat Algorithm	BA
2011	果蝇优化	Fruit fly Optimization Algorithm	FOA
2011	教与学优化	Teaching-Learning-Based Optimization Algorithm	TLBO
2012	磷虾群	Dragonfly Algorithm	DA
2013	黑洞优化	Black Hole	BH		在传统PSO基础上引入了新的机制，有效地提高了收敛速度并防止了陷入局部极值的情况发生
2014	鸽群优化	Pigeon-Inspired Optimization	PIO
2014	灰狼优化	Grey Wolf Optimizer	GWO
2015	蚁狮优化	Ant Lion Optimizer	ALO
2015	飞蛾扑火优化	Moth-Flame Optimization	MFO
2015	多元宇宙优化	Multi-Verse Optimizer	MVO
2016	鲸鱼优化	Whale Optimization Algorithm	WOA
2017	天牛须搜索	Beetle Antennae Search Algorithm	BAS
2017	蝗虫优化	Grasshopper Optimization ALgorithm	GOA
2017	黄金正弦	Golden sine algorithm	Gold-SA
2019	蝴蝶优化	butterfly optimization algorithm	BOA
2019	海鸥优化	Seagull Optimization Algorithm	SOA
2020	黏菌	Slime Mould Algorithm	SMA
2020	麻雀搜索	Sparrow Search Algorithm	SSA		部分NP问题的局部最优值

 参考链接：

智能优化算法：分类、特点和未来 - 知乎 (zhihu.com)