1.3 智能优化算法

1.3.1 智能优化算法的产生与发展

从二十世纪五十年代起，人们或从自然现象，或从生物体中得到了一些启发，发明了一些较为新颖的算法，这些算法基于随机搜索又有适应环境的特征，这就为解决传统优化算法难以解决的问题提供了方法。这一类算法被称之为智能优化算法，因为其来源于自然界的一些现象和生物种群之间的原理，而且还有自适应环境的能力。最具代表性的智能优化算法包含免疫算法、遗传算法、蚁群算法、模拟退火算法和粒子群优化算法等等。

智能优化算法之所以能够在解决实际问题中得到广泛的应用是因为其在实际应用中的操作简单并且效果比较好，特别在一些特别复杂的问题当中，其优势特别明显，这时传统的优化算法无可比拟的。也正因为如此，很多学者都在关注着智能优化算法，随着对算法应用的逐渐深入，智能优化算法自身的缺点也逐渐的暴露了。

1.3.2 智能优化算法的局限性

第一，理论基础的不完善是智能优化算法的一大缺点。因为智能优化算法多数是受到大自然或者生物种群的启发，虽然在实践的过程中得到一些印证，但是因为启发规范而严谨的数学描述和理论验证，使得这些算法在理论方面上软弱无力，启发说服力。

第二，缺乏一个统一的评价标准是智能优化算法的又一个缺点。传统优化算法有其统一的评价标准，那就是收敛性和收敛速度，且对收敛速度有明确的定义，但是智能优化算法并不能用那些评价标准来衡量。评价智能优化算法通常是看其计算速度、达优率等试验性指标，但是这些指标依赖于具体的算法，要具体问题具体分析，所以难以以此来判断算法的好坏。

第三，在算法设计上没有统一的理论指导是智能优化算法的另一个缺点。智能优化算法虽然规避了优化问题的数学特征，让其难度降低了很多，但是没有理论指导，要想设计出一个好的算法却也是有很大的难度。

1.4 研究目标

通过本课题的研究来探讨摸石头过河算法的理论知识以及一些经典的优化算法的理论知识的学习，通过对这些优化算法的学习，能从中得到一些启发或者汲取其中的一些精华，对摸石头过河算法能做出一点点优化，此外还可以在已有的基础之上研究一下摸石头过河算法在一些实际问题中的应用及推广，使其能够发挥更大的效用。

1.5 本文组织

本文从以下几个方面进行组织：

第1章简要的介绍了这篇文章总体讲的内容。首先介绍了该课题的研究背景，紧接着介绍了现代传统的优化理论，然后介绍了一些智能优化算法的崛起，最后是本课题的研究预期达到的目标。

第2章是提出了摸石头过河算法。先介绍了摸石头过河算法的思想来源，然后是介绍了此算法的详细步骤，最后就是对该算法性能的一些评估。

第3章是提出了优化理论。对于优化理论这部分，可将其分为优化问题和优化算法两部分来进行阐述，分别对其中的一些特点进行了详细的说明。

第4章提出改进的摸石头过河算法。通过对优化理论的学习，提出改进的摸石头过河算法，该算法在之前的基础之上进行了一些优化，其性能有了一些提升。

第5章提出的是摸石头过河与分布估计混合算法。该算法是建立在摸石头过河算法和分布估计算法的基础之上，将两种算法结合起来产生的一种新的优化算法，这种算法集合了前面两种算法的优点，使其优越性更为突出，性能也更好。文献综述

第6章是数值仿真与分析。主要是对几种算法的性能进行测试，并将测试结果进行对比，分析几个算法的收敛性。 摸石头过河算法的优化可视化(4):http://www.youerw.com/jisuanji/lunwen_68562.html