一、粒子群算法

粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。
PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代探求最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为大略，它没有遗传算法的交叉(Crossover) 和变异(Mutation) 操作，它通过追随当前搜索到的最优值来探求全局最优。
这种算法以实在现随意马虎、精度高、收敛快等优点引起了学术界的重视，并且在办理实际问题中展示了其优胜性。

优化问题是工业设计中常常碰着的问题,许多问题末了都可以归结为优化问题.为理解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个紧张问题:一是哀求探求全局最小点,二是哀求有较高的收敛速率.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模拟自然界的选择与遗传的机理来探求最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较繁芜,首先须要对问题进行编码,找到最优解之后还须要对问题进行解码,其余三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依赖履历.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化(ParticalSwarmOptimization-PSO)算法.这种算法以实在现随意马虎、精度高、收敛快等优点引起了学术界的重视,并且在办理实际问题中展示了其优胜性.

粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代探求最优解,它也是通过适应度来评价解的品质.但是它比遗传算法规则更为大略,它没有遗传算法的交叉(Crossover)和变异(Mutation)操作.它通过追随当前搜索到的最优值来探求全局最优

二、遗传算法

遗传算法是打算数学中用于办理最佳化的，是进化算法的一种。
进化算法最初是借鉴了进化生物学中的一些征象而发展起来的，这些征象包括遗传、突变、自然选择以及杂交等。
遗传算法常日实现办法为一种仿照。
对付一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。
传统上，解用表示（即0和1的串），但也可以用其他表示方法。
进化从完备随机个体的种群开始，之后一代一代发生。
在每一代中，全体种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

紧张特点

遗传算法是办理搜索问题的一种通用算法，对付各种通用问题都可以利用。
的共同特色为：

①首先组成一组候选解

②依据某些适应性条件测算这些候选解的适应度

③根据适应度保留某些候选解，放弃其他候选解

④对保留的候选解进行某些操作，天生新的候选解。

在遗传算法中，上述几个特色以一种分外的办法组合在一起：基于染色体群的并行搜索，带有预测性子的选择操作、交流操作和突变操作。
这种分外的组合办法将遗传算法与其它搜索算法差异开来。

遗传算法还具有以下几方面的特点：

(1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。
这是遗传算法与传统优化算法的极大差异。
传统优化算法是从单个初始值求最优解的；随意马虎误入局部最优解。
遗传算法从串集开始搜索，覆盖面大，利于全局择优。

(2)遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。

(3)遗传算法基本上不用搜索空间的知识或其他赞助信息，而仅用适应度函数值来评估个体，在此根本上进行遗传操作。
适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。
这一特点使得遗传算法的运用范围大大扩展。

(4)遗传算法不是采取确定性规则，而是采取概率的变迁规则来辅导他的搜索方向。

(5)具有自组织、自适应和自学习性。
遗传算法利用进化过程得到的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并得到更适应的基因构造。

三、贪婪算法

观点：贪婪算法是一种不追求最优解，只希望得到较为满意解的方法。

贪婪算法一样平常可以快速得到满意的解，由于它省去了为找最优解要穷尽所有可能而必须耗费的大量韶光。
贪婪算法常以当前情形为根本作最优选择，而不考虑各种可能的整体情形。
例如平时购物找钱时，为使找回的零钱的***数最少，不考虑找零钱的所有各种揭橥方案，而是从最大面值的币种开始，按递减的顺序考虑各币种，先只管即便用大面值的币种，当不敷大面值币种的金额时才去考虑下一种较小面值的币种。
这便是在利用贪婪算法。
这种方法在这里总是最优，是由于银行对其发行的***种类和***面值的奥妙安排。
如只有面值分别为1、5和11单位的***，而希望找回总额为15单位的***。
按贪婪算法，应找1个11单位面值的***和4个1单位面值的***，共找回5个***。
但最优的解应是3个5单位面值的***。

四、蚁群算法

蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中探求优化路径的机率型技能。
它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在探求食品过程中创造路径的行为。

自然界的种群相称广泛,但大部分都有以下的能力: 蚂蚁们总能找到食品源和蚂蚁窝之间的最短路径. 一旦这条最短路径被创造, 蚂蚁们就能在这条路上排成一行, 在食品源和蚂蚁窝之间搬运食品. 蚂蚁们是怎么做到的呢?

我们知道,2点间直线间隔最短. 但蚂蚁们显然不具备这样的视力和聪慧. 它们无法从远处看到食品源, 也无法操持一个得当的路径来搬运食品. 蚂蚁们采取的方法是全体在老窝的周围区域进行地毯式搜索.而他们之间的是通过分泌化学物质在爬过的路径上,这种化学物质叫(Pheromone).

蚂蚁们习气选择信息素浓度高的路径. 下面的图阐明了蚂蚁们的事情事理.

刚开始离开窝的时候, 蚂蚁们有两条路径选择: R1和R2. 这两者机会相称. 蚂蚁们在爬过R1和R2的时候都留下了信息素. 但是, 由于R2的间隔短, 所须要的韶光就少, 而信息素会挥发, 以是蚂蚁们留在R2上的信息素浓度就高. 于是,越来越多的蚂蚁选择R2作为最佳路径, 纵然它们是从R1来到食品源,也将选择R2返回蚂蚁窝. 而从老巢里出发的蚂蚁们也越来越方向于R2. 在这样的趋势下, R1逐渐变的无人问津了

根据蚂蚁们选择路径的方法而得到的启示, Dr. Dorigo在1991年揭橥了(Ant algorithm). 十多年来, 蚂蚁算法,以及各种改进过的蚂蚁算法,被广泛的运用在实际生活的各个方面. 在运用中,它可以作为网络路由掌握的工具. 在交通掌握中, 它也成功办理了车辆调度问题.在图表制作中, 它被用来办理颜色添补问题. 此外, 它还可以被用来设计大规模的时候表. 而问题,既在多个不同地点间来回的最佳路径选择问题, 该当算是蚂蚁算法最主要的用场了