系统优化方法与智能优化算法
系統優化方法與智能優化算法
系統優化方法在各種工程系統、經濟系統，乃至社會系統中得到了廣泛的應用。最優化理論的研究也一直是一個十分活躍的領域，出版了許多最優化理論、方法和應用的著作和譯作。
梯度為基礎的傳統優化算法具有較高的計算效率、較強的可靠性、比較成熟等優點，是一類最重要的、應用最廣泛的優化算法。但是，傳統的最優化方法在應用于復雜、困難的優化問題時有較大的局限性。一個優化問題稱為是復雜的，通常是指具有下列特征之一：（1）目標函數沒有明確解析表達；（2）目標函數雖有明確表達，但不可能恰好估值；（3）目標函數為多峰函數；（4）目標函數有多個，即多目標優化。一個優化問題稱為是困難的，通常是指：目標函數或約束條件不連續、不可微、高度非線性，或者問題本身是困難的組合問題。傳統優化方法往往要求目標函數是凸的、連續可微的，可行域是凸集等條件，而且處理非確定性信息的能力較差。這些弱點使傳統優化方法在解決許多實際問題時受到了限制。
目前由于所研究實際系統的規模越來越大，約束條件增多，系統結構越來越復雜，多準則、非線性、不可微、不確定已成為這些復雜系統的基本特征，致使系統的數學建模難度越來越大，因此，探尋適合大規模計算且具有智能特征的問題求解（或信息處理）方法成為相關學科的研究熱點和重要研究方向。計算智能（或軟計算）就是在這種情況下出現的一個學科領域，它是由多個學科相互交叉和滲透的結果，得益于運籌學與管理科學、計算數學、人工智能、模式識別、自動控制理論等許多學科，其典型分支主要包括進化計算、神經計算與模糊邏輯等。
作為計算智能的重要研究內容，智能優化算法主要包括進化算法、模擬退火算法、人工神經網絡方法、免疫算法、禁忌搜索算法、差分演化算法、蟻群算法、微粒群算法等。這類新的優化算法一般都是建立在生物智能或物理現象基礎上的隨機搜索算法，目前在理論上還遠不如傳統優化算法完善，往往也不能確保解的最優性，因而常常被視為只是一些“元啟發式方法”（meta-heuristic）。但從實際應用的觀點看，這類新算法一般不要求目標函數和約束的連續性與凸性，甚至有時連有沒有解析表達式都不要求，對計算中數據的不確定性也有很強的適應能力。由于這些獨特的優點和機制，智能優化算法引起了國內外學者的廣泛重視并掀起了該領域的研究熱潮，且在諸多領域中得到了廣泛應用，展示出強勁的發展勢頭。
參考文獻：
1.王凌. 智能優化算法及其應用，清華大學出版社，2001.
2.郭崇慧，唐煥文．演化策略的全局收斂性．計算數學，2001，23（1），105-110
3.唐煥文，秦學志.實用最優化方法（第三版）．大連理工大學出版社，2004．
4.徐宗本. 計算智能（第一冊）：模擬進化計算，高等教育出版社，2005.
5.邢文訓，謝金星. 現代優化計算方法（第二版），清華大學出版社，2005.
6.汪定偉，王俊偉，王洪嶠，張瑞友，郭哲. 智能優化方法，高等教育出版社，2007.
轉自:http://www.sciencenet.cn/m/user_content.aspx?id=212836
總結
以上是生活随笔為你收集整理的系统优化方法与智能优化算法的全部內容，希望文章能夠幫你解決所遇到的問題。
