传统优化算法VS智能优化算法

传统优化算法优点

1：利用了解空间的特性，如可微等。
2：理论较为完善，计算量小。
3：收敛速度快。
4：具有确定的终止准则。

传统优化算法缺点

1：仅能求出优化问题的局部最优解。
2：求解的结果强烈依赖于初始值。

遗传算法的优点：

1：能够求出优化问题的全局最优解。
2：优化结果与初始条件无关。
3：算法独立于求解域。
4：具有较强的鲁棒性（抗干扰）。
5：适合于求解复杂的优化问题。
6：应用较为广泛。

遗传算法的缺点

1：收敛速度慢。
2：局部搜索能力差。
3：控制变量较多。
4：无确定的终止准则。

特点的比较

1. 传统优化算法一般是针对结构化的问题，有较为明确的问题和条件描述，如线性规划，二次规划，整数规划，混合规划，带约束和不带约束条件等，即有清晰的结构信息；而智能优化算法一般针对的是较为普适的问题描述，普遍比较缺乏结构信息。

2. 传统优化算法不少都属于凸优化范畴，有唯一明确的全局最优点；而智能优化算法针对的绝大多数是多极值问题，如何防止陷入局部最优而尽可能找