第1章 绪论 1

1.1 研究背景 1

1.2 现代传统优化理论 2

1.3 智能优化算法 3

1.3.1 智能优化算法的产生与发展 3

1.3.2 智能优化算法的局限性 3

1.4 研究目标 4

1.5 本文组织 4

第2章 摸石头过河算法 6

2.1 摸石头过河算法的思想起源 6

2.2 连续空间优化问题的表示 6

2.3 摸石头过河算法（Wading across Stream Algorithm，WSA） 7

2.4 摸石头过河算法的评估 8

第3章 优化理论 9

3.1 优化问题 9

3.1.1 优化问题的分类 9

3.1.2 优化问题的特征 10

3.2 优化算法 10

3.2.1 优化算法的定义 10

3.2.3 优化算法的分类 11

3.2.4 几种经典的智能优化算法 11

第4章 改进的摸石头过河算法 21

4.1 改进的思路 21

4.2 改进的摸石头过河算法的基本流程 21

4.3 与摸石头过河算法的不同 23

4.4 改进的摸石头过河算法评估 24

第5章 摸石头过河与分布估计混合算法 25

5.1 摸石头过河与分布估计混合算法的产生原因 25

5.2 摸石头过河与分布估计混合算法的基本流程 25

5.3 算法评估 27

第6章 数值仿真与分析 29

6.1 数值仿真环境 29

6.2 与几种优化算法的比较 29

6.3 收敛性比较 30

总结与展望 36

致谢 37

参考文献 38

第1章 绪论

1.1 研究背景

在我们现在的生产生活以及一些科学研究当中优化问题都是普遍存在的。优化问题的解决依赖于两种方法：传统的优化方法和智能优化算法。传统的优化方法因其有强大的理论基础作为坚实的后盾，自然也就有了得天独厚的优势，但是其劣势在于它仅仅只能解决数学特征相当明显的一小部分问题。然而，智能优化算法虽然没有强大的理论支撑作为坚实的后盾，但是它却巧妙的将传统优化方法的强数学特征规避了，这也就成为了智能优化算法的优势，比传统的优化方法更具适应性。一直以来都受重视的优化技术是个非常重要的科学分支，在系统控制、模式识别和生产调度等多个领域都得到广泛的推广和使用。

随着计算机的广泛应用，最优问题的研究成为了一种迫切的需要。传统的优化方法有步长加速法、最速下降法、变尺度法、共轭梯度法、牛顿法、分支界定发、单纯形法、可行方向法、割平面法、椭球算法、罚函数法等等。各种算法都各有其优点，但是仅局限于解某一类特定的问题。二十世纪五十年代以来，有很多优秀的优化算法开始崛起，其内容涉及生物进化、数学、物理学、神经科学和人工智能等多个领域，如遗传算法、混沌算法、模拟退火算法、人工神经算法等，给人们解决一些复杂问题提供了一些新的方法。