智能优化混合算法研究进展

张伟艳

摘 要 高效的优化技术在生产生活中具有非常重要的理论和现实意义。在求解大规模、多目标、复杂问题时，单一的智能优化算法会出现精度不高和极易陷入局部最优解的缺陷。本文针对上述缺陷，研究当前国内外出现的智能优化混合算法，根据某一种智能算法为基础，探讨引入其他智能算法形成混合算法的现状，以求指导不同优化领域中新的智能优化混合算法的构建。

关键词 优化；智能算法；混合算法

中图分类号： TP301 文献标识码：A 文章编号：1672-3791（2016）05（a）-0000-00

引言

优化问题一直以来都是国内外学术研究的重点热点之一，在生产生活中的诸多领域都得到了广泛的应用，如：生产调度、系统控制、经济预测等。所谓最优化问题，就是在满足一定的约束条件下，寻找一组参数值，使得系统达到最大或最小值，满足最优性度量。

不同的优化问题要采用不同的优化算法，最理想的情况是以最快的速度得到全局的最优解。传统的优化算法在面对大型问题时，需要遍历整个搜索空间，一旦形成了搜索的组合爆炸，就无法在多项式时间内完成。那么，在复杂、广阔的搜索空间来找最优解，就成为科学工作者研究的重要课题。

智能算法在可接受的时间内对复杂大规模优化问题进行求解取得了惊人的优秀成绩。代表的智能算法有：模拟退火算法、演化算法、遗传算法、粒子群算法等。智能算法一般具有自组织性、自适应性和并行性，直接把目标函数值作为搜索信息，具有正反馈机制，可以有效地完成优化任务。面对日益复杂的大规模优化问题，尤其是多模态、高维、带约束和多目标优化问题，采用某一种智能算法，总会存在该算法本身的缺点，所以要想取得更加令人满意的优化效果，可以将两种或多种智能算法，按照某种规则组合使用，形成混合优化算法，不同的算法扬长避短，极大地提高算法的搜索效率。

智能优化混合算法

智能算法在解决优化问题时，算法本身要考虑全局最优和局部最优，根本目的是以最快的速度找到全局最优解，但在搜索的过程中，太过以目标函数值为指引，很容易陷入局部最优解，而错误找到全局最优解。因此，针对不同的优化问题，如何避免陷入局部最优解，在保证速度的前提下找到全局最优解，就成为指引智能算法设计的基本原则。

智能优化混合算法设计时就是根据如何避免陷入局部最优解，快速找到全局最优解这个基本原理来设计的。一些智能算法的全局搜索能力很强，如：遗传算法、模拟退火算法和群智能算法。常见的智能优化混合算法一般会选择一种全局搜索算法，在保证全局搜索能力的基础上，采用一定的措施，融入局部搜索的策略或另外一种智能算法，以达到整体优化的高效效果，下面介绍几种常见某一种智能算法为基本，混合其他智能优化算法的混合算法。

1. 混合遗传算法

1975年美国Michigan大学的J.Holland教授首先提出了遗传算法，它借鉴自然界自然选择和自然遗传机制进行随机搜索。

遗传算法直接把目标函数作为搜索信息，鲁棒性强，因此在许多优化问题上都取得了很好的优化效果，但是它的局部搜索能力很弱，极易出现早熟的现象，因此改进遗传算法，提高算法的收敛效率，可以引入局部搜索能力强的其他智能算法，或者在遗传算法的选择、交叉和变异三个基本步骤中，引入其他智能算法的机制，形成混合遗传算法，以达到满意的优化效果。

（1）遗传算法和文化算法相结合。 李铁克，王伟玲，张文学2010年提出将遗传算法引入文化算法，从种群中获取有用的知识，并用这些知识知道搜索过程。算法在迭代过程中利用文化算法的寻优机制，提取解的特征知识，指导遗传算法的选择操作，形成一种双层进化结果，从而提高算法的收敛速度。

（2）2009年，黄明，宫旭德，梁旭提出了改进的DNA免疫遗传算法，将遗传算法和免疫算法相融合，引入疫苗库进行群体之间的信息交互，通过两种算法的结果，提高了混合算法的收敛速度和全局搜索能力，取得了比较好的优化效果。

（3）郑世祺等人为优化永磁同步机的伺服驱动器，采用了遗传算法和小波神经网络的混合方法，使得驱动系统的精度更高，性能更好。

（4）2016年，Anupam Trivedi等人为了解决机组组合调度问题，采用了遗传算法和差分演化算法相融合的混合算法。Anupam Trivedi等人在混合框架中，二进制变量进行遗传算法优化，连续变量采用差分进化算法优化，通过实验，在机组组合调度的优化问题上，取得了非常优异的成绩。

2. 混合模拟退火算法

模拟退火算法采用Metropolis准则，防止陷入局部最优，在搜索的过程中，不但朝着好的方向搜索，也按一定的概率往差的方向搜索，所以要返回一个最优解或准最优解，要很长的时间，尤其是规模庞大的优化系统，更是无法承受运行时间。将模拟退火算法与其他智能算法相融合，取长补短就可以达到令人满意的优化效果了。

（1）2010年邵琳等人把模拟退火遗传算法应用于水电站调度图的优化方法上，成绩显著；2013年，白舸等人提出采用遗传模拟退火算法进行无线传感器广播路由选择，是传输功耗进一步节省。

（2）Shieh Horng-lin 等人2011年提出将粒子群优化算法和模拟退火算法相结合后的算法具备两种源算法的优秀机制，对比单一的智能算法，混合算法在大部分情况下取得了更优的效率；2015年Abubaker Ahmad等人把多目标混合粒子群和模拟退火算法实现一种自动聚类算法；2016年熊慧等人把混合的粒子群和模拟退火算法应用于聚焦优化上，较好地改善了聚焦线圈产生磁场的聚焦性能。

（3）2014年，杨艳霞提出了将模拟退火操作引入到差分进化算法中去，提高了一类复杂组合优化问题的求解能力，在算法初期保持了种群的多样性，而在运行的后期，又可以跳出局部最优解，有效地找到全局最优解或定位到最优解附近；2015年，张慧峰等人提出采用差分进化算法和模拟退火相结合的方法来解决动态经济排放调度问题，适当地避免早熟，取得了较好的收敛效果。

结语

本文针对现阶段生产生活中日益复杂和规模扩大的优化问题，研究采用智能优化混合算法解决优化问题的现状和进展，分析以某一种智能优化为基础，引入另外一种智能优化算法，使两种算法扬长避短，提高优化效率，以求在不同的优化领域中构建新的智能优化混合算法可以从本文得以借鉴。

参 考 文 献

[1] 白舸，张海涛，刘翠苹，李强懿.基于遗传模拟退火算法的WSN广播算法研究[J].计算机测量与控制，2013，21（11）：3053-3056.

[2] 熊慧，胡小伟，刘近贞.基于混合粒子群和模拟退火算法的聚焦性优化[J].航天医学与医学工程，2016，29（1）：34-38.

[3] 杨艳霞.一种基于模拟退火操作的混合差分进化算法[J].智能系统学报.2014，9（1）：109-114.