張偉艷

摘 要 高效的優(yōu)化技術(shù)在生產(chǎn)生活中具有非常重要的理論和現(xiàn)實意義。在求解大規(guī)模、多目標(biāo)、復(fù)雜問題時，單一的智能優(yōu)化算法會出現(xiàn)精度不高和極易陷入局部最優(yōu)解的缺陷。本文針對上述缺陷，研究當(dāng)前國內(nèi)外出現(xiàn)的智能優(yōu)化混合算法，根據(jù)某一種智能算法為基礎(chǔ)，探討引入其他智能算法形成混合算法的現(xiàn)狀，以求指導(dǎo)不同優(yōu)化領(lǐng)域中新的智能優(yōu)化混合算法的構(gòu)建。

關(guān)鍵詞 優(yōu)化；智能算法；混合算法

中圖分類號： TP301 文獻標(biāo)識碼：A 文章編號：1672-3791（2016）05（a）-0000-00

引言

優(yōu)化問題一直以來都是國內(nèi)外學(xué)術(shù)研究的重點熱點之一，在生產(chǎn)生活中的諸多領(lǐng)域都得到了廣泛的應(yīng)用，如：生產(chǎn)調(diào)度、系統(tǒng)控制、經(jīng)濟預(yù)測等。所謂最優(yōu)化問題，就是在滿足一定的約束條件下，尋找一組參數(shù)值，使得系統(tǒng)達到最大或最小值，滿足最優(yōu)性度量。

不同的優(yōu)化問題要采用不同的優(yōu)化算法，最理想的情況是以最快的速度得到全局的最優(yōu)解。傳統(tǒng)的優(yōu)化算法在面對大型問題時，需要遍歷整個搜索空間，一旦形成了搜索的組合爆炸，就無法在多項式時間內(nèi)完成。那么，在復(fù)雜、廣闊的搜索空間來找最優(yōu)解，就成為科學(xué)工作者研究的重要課題。

智能算法在可接受的時間內(nèi)對復(fù)雜大規(guī)模優(yōu)化問題進行求解取得了驚人的優(yōu)秀成績。代表的智能算法有：模擬退火算法、演化算法、遺傳算法、粒子群算法等。智能算法一般具有自組織性、自適應(yīng)性和并行性，直接把目標(biāo)函數(shù)值作為搜索信息，具有正反饋機制，可以有效地完成優(yōu)化任務(wù)。面對日益復(fù)雜的大規(guī)模優(yōu)化問題，尤其是多模態(tài)、高維、帶約束和多目標(biāo)優(yōu)化問題，采用某一種智能算法，總會存在該算法本身的缺點，所以要想取得更加令人滿意的優(yōu)化效果，可以將兩種或多種智能算法，按照某種規(guī)則組合使用，形成混合優(yōu)化算法，不同的算法揚長避短，極大地提高算法的搜索效率。

智能優(yōu)化混合算法

智能算法在解決優(yōu)化問題時，算法本身要考慮全局最優(yōu)和局部最優(yōu)，根本目的是以最快的速度找到全局最優(yōu)解，但在搜索的過程中，太過以目標(biāo)函數(shù)值為指引，很容易陷入局部最優(yōu)解，而錯誤找到全局最優(yōu)解。因此，針對不同的優(yōu)化問題，如何避免陷入局部最優(yōu)解，在保證速度的前提下找到全局最優(yōu)解，就成為指引智能算法設(shè)計的基本原則。

智能優(yōu)化混合算法設(shè)計時就是根據(jù)如何避免陷入局部最優(yōu)解，快速找到全局最優(yōu)解這個基本原理來設(shè)計的。一些智能算法的全局搜索能力很強，如：遺傳算法、模擬退火算法和群智能算法。常見的智能優(yōu)化混合算法一般會選擇一種全局搜索算法，在保證全局搜索能力的基礎(chǔ)上，采用一定的措施，融入局部搜索的策略或另外一種智能算法，以達到整體優(yōu)化的高效效果，下面介紹幾種常見某一種智能算法為基本，混合其他智能優(yōu)化算法的混合算法。

1. 混合遺傳算法

1975年美國Michigan大學(xué)的J.Holland教授首先提出了遺傳算法，它借鑒自然界自然選擇和自然遺傳機制進行隨機搜索。

遺傳算法直接把目標(biāo)函數(shù)作為搜索信息，魯棒性強，因此在許多優(yōu)化問題上都取得了很好的優(yōu)化效果，但是它的局部搜索能力很弱，極易出現(xiàn)早熟的現(xiàn)象，因此改進遺傳算法，提高算法的收斂效率，可以引入局部搜索能力強的其他智能算法，或者在遺傳算法的選擇、交叉和變異三個基本步驟中，引入其他智能算法的機制，形成混合遺傳算法，以達到滿意的優(yōu)化效果。

（1）遺傳算法和文化算法相結(jié)合。 李鐵克，王偉玲，張文學(xué)2010年提出將遺傳算法引入文化算法，從種群中獲取有用的知識，并用這些知識知道搜索過程。算法在迭代過程中利用文化算法的尋優(yōu)機制，提取解的特征知識，指導(dǎo)遺傳算法的選擇操作，形成一種雙層進化結(jié)果，從而提高算法的收斂速度。

（2）2009年，黃明，宮旭德，梁旭提出了改進的DNA免疫遺傳算法，將遺傳算法和免疫算法相融合，引入疫苗庫進行群體之間的信息交互，通過兩種算法的結(jié)果，提高了混合算法的收斂速度和全局搜索能力，取得了比較好的優(yōu)化效果。

（3）鄭世祺等人為優(yōu)化永磁同步機的伺服驅(qū)動器，采用了遺傳算法和小波神經(jīng)網(wǎng)絡(luò)的混合方法，使得驅(qū)動系統(tǒng)的精度更高，性能更好。

（4）2016年，Anupam Trivedi等人為了解決機組組合調(diào)度問題，采用了遺傳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，二進制變量進行遺傳算法優(yōu)化，連續(xù)變量采用差分進化算法優(yōu)化，通過實驗，在機組組合調(diào)度的優(yōu)化問題上，取得了非常優(yōu)異的成績。

2. 混合模擬退火算法

模擬退火算法采用Metropolis準則，防止陷入局部最優(yōu)，在搜索的過程中，不但朝著好的方向搜索，也按一定的概率往差的方向搜索，所以要返回一個最優(yōu)解或準最優(yōu)解，要很長的時間，尤其是規(guī)模龐大的優(yōu)化系統(tǒng)，更是無法承受運行時間。將模擬退火算法與其他智能算法相融合，取長補短就可以達到令人滿意的優(yōu)化效果了。

（1）2010年邵琳等人把模擬退火遺傳算法應(yīng)用于水電站調(diào)度圖的優(yōu)化方法上，成績顯著；2013年，白舸等人提出采用遺傳模擬退火算法進行無線傳感器廣播路由選擇，是傳輸功耗進一步節(jié)省。

（2）Shieh Horng-lin 等人2011年提出將粒子群優(yōu)化算法和模擬退火算法相結(jié)合后的算法具備兩種源算法的優(yōu)秀機制，對比單一的智能算法，混合算法在大部分情況下取得了更優(yōu)的效率；2015年Abubaker Ahmad等人把多目標(biāo)混合粒子群和模擬退火算法實現(xiàn)一種自動聚類算法；2016年熊慧等人把混合的粒子群和模擬退火算法應(yīng)用于聚焦優(yōu)化上，較好地改善了聚焦線圈產(chǎn)生磁場的聚焦性能。

（3）2014年，楊艷霞提出了將模擬退火操作引入到差分進化算法中去，提高了一類復(fù)雜組合優(yōu)化問題的求解能力，在算法初期保持了種群的多樣性，而在運行的后期，又可以跳出局部最優(yōu)解，有效地找到全局最優(yōu)解或定位到最優(yōu)解附近；2015年，張慧峰等人提出采用差分進化算法和模擬退火相結(jié)合的方法來解決動態(tài)經(jīng)濟排放調(diào)度問題，適當(dāng)?shù)乇苊庠缡欤〉昧溯^好的收斂效果。

結(jié)語

本文針對現(xiàn)階段生產(chǎn)生活中日益復(fù)雜和規(guī)模擴大的優(yōu)化問題，研究采用智能優(yōu)化混合算法解決優(yōu)化問題的現(xiàn)狀和進展，分析以某一種智能優(yōu)化為基礎(chǔ)，引入另外一種智能優(yōu)化算法，使兩種算法揚長避短，提高優(yōu)化效率，以求在不同的優(yōu)化領(lǐng)域中構(gòu)建新的智能優(yōu)化混合算法可以從本文得以借鑒。

參 考 文 獻

[1] 白舸，張海濤，劉翠蘋，李強懿.基于遺傳模擬退火算法的WSN廣播算法研究[J].計算機測量與控制，2013，21（11）：3053-3056.

[2] 熊慧，胡小偉，劉近貞.基于混合粒子群和模擬退火算法的聚焦性優(yōu)化[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程，2016，29（1）：34-38.

[3] 楊艷霞.一種基于模擬退火操作的混合差分進化算法[J].智能系統(tǒng)學(xué)報.2014，9（1）：109-114.