智能优化算法的分类

Goat_Yang2025/10/19约 1387 字大约 5 分钟

智能优化算法的分类

智能优化算法（Intelligent Optimization Algorithms, IOAs）是一类基于自然启发与智能机制的全局优化方法。根据不同的分类依据，可以从算法运行特征、设计思想来源以及算法融合形式等角度进行系统划分。

一、按算法运行过程中维持的解的数量分类

智能优化算法在运行时维护的“解的数量”不同，可分为 单个体算法 与 群体算法 两大类。

1. 单个体智能优化算法（Single-solution based）

这类算法在搜索过程中仅维护一个候选解，通过邻域搜索或扰动不断改进该解。
其特点是结构简单、计算量小，但容易陷入局部最优。

代表算法：

模拟退火算法（Simulated Annealing, SA）
禁忌搜索算法（Tabu Search, TS）
山爬算法（Hill Climbing, HC）
蚁狮优化算法（单体版本）

2. 群体智能优化算法（Population-based）

群体算法在搜索过程中维持多个候选解（即“种群”或“群体”），通过个体间的信息交流和协作推动搜索进程。
该类算法全局搜索能力强、鲁棒性好，但计算代价相对较高。

代表算法：

遗传算法（GA）
粒子群优化（PSO）
蚁群优化（ACO）
萤火虫算法（FA）
灰狼优化（GWO）
蝙蝠算法（BA）
蜜蜂算法（BA）等。

二、按算法设计思想来源分类

智能优化算法的设计灵感通常来自自然界的演化与群体行为，也包括物理和社会现象。常见可分为以下几大类：

1. 生物进化类（Evolutionary-based）

模拟自然界的繁殖、变异、竞争和选择机制。

代表算法：

遗传算法（GA）
进化规划（EP）
进化策略（ES）
遗传规划（GP）
差分进化（DE）

2. 群体智能类（Swarm Intelligence-based）

模仿动物群体的协作与自组织行为，如鸟群、鱼群、蚁群等。

代表算法：

粒子群优化（PSO）
蚁群优化（ACO）
萤火虫算法（FA）
灰狼优化（GWO）
蝙蝠算法（BA）
鲸鱼算法（WOA）
蜜蜂算法（Bee Algorithm）

3. 物理现象类（Physics-based）

借鉴自然界中的物理机制，如能量变化、引力、电磁力、热传导等。

代表算法：

模拟退火算法（SA）
引力搜索算法（GSA）
布谷鸟搜索（CS）
电磁优化算法（EM）
混沌搜索（Chaos Search）

从人类社会、教育和文化进化中获得启发。

代表算法：

教学优化算法（TLBO）
社会学习算法（SLA）
文化算法（CA）
人群优化算法（HBO）

三、按算法融合与扩展形式分类（混合型算法）

随着问题复杂度的提升，研究者常将不同算法进行组合，形成 混合型智能优化算法（Hybrid Intelligent Optimization Algorithms），以充分利用各算法的优势。

1. 算法层面的混合

将两种或多种算法在结构上结合，互补优缺点。
例如：

遗传算法 + 模拟退火（GA-SA）
粒子群优化 + 差分进化（PSO-DE）

2. 操作符层面的混合

在单一算法中引入其他算法的算子。
例如：

在PSO中加入GA的交叉与变异操作；
在ACO中加入局部优化算子。

3. 分阶段混合

不同算法用于不同阶段的搜索。
例如：

前期用全局算法（如GA）确定搜索区域；
后期用局部算法（如SA或TS）进行精细寻优。

4. 元启发式框架融合

在更高层级上建立混合控制机制，如：

多种群协同优化（CCEA）
自适应混合框架（Adaptive Hybrid Framework）

四、小结表格

分类依据	类别	代表算法	主要特征
维持解数量	单个体算法	SA、TS	邻域搜索、局部优化
	群体算法	GA、PSO、ACO、GWO	群体协作、全局优化
设计思想来源	生物进化类	GA、EP、ES、DE	繁殖演化、适者生存
	群体智能类	PSO、ACO、FA、GWO	自组织、信息共享
	物理现象类	SA、GSA、EM、CS	能量变化、动力平衡
	社会行为类	TLBO、CA、SLA	教学学习、文化传递
混合形式	算法级混合	GA-SA、PSO-DE	全局+局部融合

五、智能优化算法分类图

✅ 总结：
智能优化算法的发展呈现出“多样化、融合化、智能化”的趋势。从单解搜索到群体协作，从自然仿生到社会启发，再到混合优化框架，其目标始终是：在复杂空间中高效逼近全局最优解。