1、遺傳演算法（ga）
2、粒子群演算法（pso）
3、 蟻群演算法
4、 模擬退火演算法
5、 魚群演算法
6、鯨魚優化演算法
優化演算法是一種給定方向的遍歷
群體智慧型優化演算法主要模擬了昆蟲、獸群、鳥群和魚群的群體行為，這些群體按照一種合作的方式尋找食物，群體中的每個成員通過學習它自身的經驗和其他成員的經驗來不斷地改變搜尋的方向。任何一種由昆蟲群體或者其他動物社會行為機制而激發設計出的演算法或分布式解決問題的策略均屬於群體智慧型(swarm intelligence)
模仿昆蟲或者一些動物的覓食或者其他行為，這些動物群體按照一中合作的方式尋找食物，不斷的交流食物資訊，能夠很快的找到更多的食物。通過對他們的行為的研究抽象出來的一種演算法，就是群體智慧型優化演算法。（例如，乙個個體找到了食物，就會通知其他個體來這個有食物的地方，這就是一種行為）
鄰近原則：群體能夠進行簡單的空間和時間計算;
品質原則：群體能夠響應環境中的品質因子;
多樣性反應原則：群體的行動範圍不應該太窄;
穩定性原則：群體不應在每次環境變化時都改變自身的行為;
適應性原則：在所需代價不太高的情況下,群體能夠在適當的時候改變自身的行為。
全域性搜尋能力強，區域性搜尋能力較弱，往往只能得到次優解而不是最優解。
研究發現，遺傳演算法可以用極快的速度達到最優解的90%以上，但是要達到真正的最優解需要花費很長時間，即區域性搜尋能力不足。
產生早熟收斂並被證明演算法不是全域性收斂
未加權重——收斂速度快但容易陷入區域性最優解
引數設定複雜，如果引數設定不當，容易偏離優質解
全域性尋優，適合搭配粒子群、鯨魚優化演算法等容易陷入區域性最優解的
引數設定複雜，如果引數設定不當，容易偏離優質解．（同蟻群）
演算法陷入區域性極值和收斂速度問題
陷入區域性最優解
結合模擬退火演算法，通過接受較差點來提公升全域性尋優能力
收斂速度慢
引入自適應權重，提公升演算法的區域性尋優能力
蟻群演算法 遺傳演算法 模擬退火演算法介紹
蟻群演算法 遺傳演算法 模擬退火演算法介紹 窮舉法 列舉所有可能,然後乙個個去,得到最優的結果。如圖一，需要從a點一直走到g點，才能知道，f是最高的 最優解 這種演算法得到的最優解肯定是最好的，但也是效率最低的。窮舉法雖然能得到最好的最優解，但效率是極其低下的。為了能提高效率，可以不要列舉所有的結果...
粒子群演算法和遺傳演算法的比較 退火演算法
粒子群優化演算法 pso particle swarm optimization 是一種進化計算技術 evolutionary computation 源於對鳥群捕食的行為研究。粒子群優化演算法的基本思想 是通過群體中個體之間的協作和資訊共享來尋找最優解 通過模擬鳥群覓食過程中的遷徙和群聚行為而提出...
進化演算法 遺傳演算法與粒子群演算法之間的比較
遺傳演算法 ga 作為一種經典的進化演算法，自 holland提出之後在國際上已經形成了乙個比較活躍的研究領域.人們對 ga 進行了大量的研究，提出了各種改進演算法用於提高演算法的收斂速度和精確性.遺傳演算法採用選擇，交叉，變異操作，在問題空間搜尋最優解.經典遺傳演算法首先對引數進行編碼，生成一定數...