启发式优化算法

部分受自然启发的算法介绍

1.1各种算法介绍

先强调缺点

（１）启发式优化算法寻优过程中依然会陷入局部最优解，导致搜索精度降低；

（ 2 ）启发式优化算法无法有效地处理约束条件，可能会导致最终解为不可行解；

（３）启发式优化算法在高维场景下其性能受到严重影响，导致算法搜索能力下降。

这些算法可以用来解决:流程化车间调度(flow up scheduling) 图像加密(image encryption ) 特征选择(feature selection) 脸部特征识别(facial feature detection) 路径规划(path planning)等很多的问题。下文列举一些群算法比如:

• 标准遗传算法GA是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，利用了适者生存的概念。

• 粒子群算法PSO是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。

• 差分进化算法DE差分进化算法是基于群体智能理论的优化算法，通过群体内个体间的合作与竞争而产生的智能优化搜索算法。

• 帝王蝶优化算法MBO主要模拟了帝王蝶的迁徙和适应环境行为。

• 人工蜂群算法ABCs来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。

• 蚯蚓优化算法EWAs通过模拟自然界中蚯蚓的两种繁殖方式，第一种是自己产生自己的一个后代，第二种是在一次生殖过程中产生多个后代。

• 蚁群算法ACO蚁群算法是一种仿生学算法，是由自然界中蚂蚁觅食的行为而启发的。在自然界中，蚂蚁觅食过程中，蚁群总能够按照寻找到一条从蚁巢和食物源的最优路径。

• 象群算法EHO基于象群体的行为，Wang等在2015年提出，包括两个特殊的算子，一个宗族更新算子和一个分离算子。大象根据它们的当前位置和族长的位置被更新。

• 布谷鸟搜索算法CS是通过模拟某些种属布谷鸟的寄生育雏（BroodParasitism），来有效地求解最优化问题的算法。

• 磷虾群算法KHKH算法是基于对磷虾个体的群居行为的模拟。每个磷虾个体离食物的最小距离，以及与虾群最高密度的距离，作为虾群运动的目标函数。磷虾个体随时间变化的位置由以下三个因素构成:(i) 由其他个体的存在引起的运动 (ii) 觅食活动 (iii) 随机扩散。

• 萤火虫算法FAs一种模仿萤火虫之间信息交流，相互吸引集合，警戒危险。基于发出的光的强度和两个萤火虫之间产生的吸引力的程度设计算法

• 模拟退火算法SA将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。

• 智能水滴算法IWD智能水滴算法是模拟自然界中河水与周围环境相互作用的过程而提出的一种智能计算方法

• 水循环算法WCAs由Hadi Eskandar 等人受大自然水循环过程中溪流、江河、湖泊流向海洋的过程启发而提出的一种全局优化算法．

• 蛾群算法 MSA2016年提出的新兴元启发式智能优化算法，它模拟自然界蛾群在夜间朝月光飞行的行为。

• 猴群算法MAsZhao和Tang提出的一种新的用于求解大规模、多峰优化问题的智能优化算法。

• 进化策略ES由德国的I. Rechenberg和HP. Schwefel于1963年提出的。ES作为一种求解参数优化问题的方法，模仿生物进化原理，假设不论基因发生何种变化，产生的结果（性状）总遵循零均值、某一方差的高斯分布。

• **种群增量学习进化算法(PBIL)😗*PBIL算法最初由卡内基梅隆大学的Baluja.S在1994年提出。该算法集成了基于函数优化的遗传搜索和竞争学习两种策略，将进化过程视为学习过程，通过竞争学习所获取的知识——学习概率（Learning Probability）