在智能优化算法的发展中，元启发式方法（Metaheuristics）因其通用性、可扩展性以及对复杂黑箱问题的强适应性而成为人工智能优化的重要组成部分。本文将系统整理元启发式算法在“是否基于模型（Model-Based vs. Model-Free）”这一维度下的分类及其特点，为从事智能优化研究或工程实践的读者提供清晰的知识结构。

---

1. 概述：为什么要关注“基于模型 vs. 非基于模型”？

传统的分类方式主要从灵感来源、解空间结构或种群规模等角度进行划分。然而，随着机器学习（ML）和优化技术的深度融合，基于模型的优化策略不断涌现，逐渐成为提升求解效率的关键技术路径。因此，“是否构建模型”成为智能优化领域一个越来越重要的视角。

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。