1. 什么是智能优化算法

启发式算法，是一种具有全局优化性能、通用性强且适用于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭专家经验，理论上可以在一定的时间内找到最优解或近似最优解。

补充说明：

启发式算法（Heuristic Algorithm）有两种定义：

（1）基于直观或经验的构造的算法，对优化问题的实例能给出可接受的计算成本（计算时间、占用空间等）内，给出一个近似最优解，该近似解于真实最优解的偏离程度不一定可以实现预计；

（2）启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定保证所得的解是可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。

总之，启发式算法可用于解决求解最优解代价比较大的问题，但是此类算法不保证得到最优解，求解结果不稳定且算法效果依赖于实际问题和设计者的经验。

2. 常用的智能优化算法

遗传算法（Genetic Algorithm, GA)
模拟退火算法（Simulated Annealing, SA)
禁忌搜索算法（Tabu Search, TS)
神经网络（Neural Network）
蚁群算法（Ant Colony Optimization，ACO）

3. 智能优化算法的特点

二、模拟退火算法

1. 简介

2.算法思想及步骤

为所有的可能解，

反映了取

时解的代价，则组合优化问题可形式化地表述为寻找

使得

。

其中，P为算法选择较差解的概率；T 为温度的模拟参数；

。

当T很大时，
，此时算法以较大概率选择非当前最优解；
P的值随着T的减小而减小；
当
时，
，此时算法几乎只选择最优解，等同于贪心算法。

三、MATLAB代码

例1. 求解函数的最小值问题

，其中

，求解函数的最小值。

 %%main.m T=1000; %初始化温度值 T_min=1e-12; %设置温度下界 alpha=0.98; %温度的下降率 k=1000; %迭代次数（解空间的大小）  x=getX; %随机得到初始解 while(T>T_min)     for I=1:100         fx=Fx(x);         x_new=getX;         if(x_new>=-2 && x_new<=2)             fx_new=Fx(x_new);             delta=fx_new-fx;             if (delta<0)                 x=x_new+(2*rand-1);             else                 P=getP(delta,T);                 if(P>rand)                     x=x_new;                 end             end         end     end     T=T*alpha; end disp('最优解为：') disp(x)  %%getX.m function x=getX     x=4*rand-2; end  %%Fx.m function fx=Fx(x)     fx=(x-2)^2+4; end  %%getP.m function p=getP(c,t)     p=exp(-c/t); end