高雷阜，荣雪娇

1.辽宁工程技术大学 优化与决策研究所，辽宁 阜新123000

2.辽宁工程技术大学 运筹与优化研究院，辽宁 阜新123000

囿于优化问题通常涉及众多的决策变量、复杂的非线性约束和目标函数，采用数值等传统方法进行全局优化的效果较差，因此智能优化算法（intelligent optimization algorithm，IOA）已成为处理复杂优化问题的有效技术手段。智能优化算法是具有灵活性、通用性、随机性且易于实现等特性的源于自然的基本理论或数学模型，通过探索整个搜索空间以解决未知搜索空间或多个局部最优的复杂优化问题，已成功在特征识别[1]、集成电路规划[2]、函数优化[3-4]等领域广泛应用。

智能优化算法受不同的启发机制影响主要可分为三大类：第一类是模拟自然趋化、繁殖、迁移、扩散等现象的随机优化算法，最著名的是由霍兰德提出的遗传算法[5]（genetic algorithm，GA），该算法仿照自然界中的优胜劣汰机制来进化种群提供有效的解决方案以避免局部最优。随着遗传算法的流行与变体，越来越多新颖的进化算法被提出，如细菌觅食优化算法[6]（bacterial foraging optimization，BFO）、生物地理学优化算法[7]（biogeography based optimization，BBO）、人工藻类算法[8]（artificial algae algorithm，AAA）等。第二类是模仿宇宙中的物理定律或现象，模拟退火算法[9]（simulated annealing，SA）是基于物理科学中最经典的优化手段之一，该算法仿真于物理材料中的热力学以加热金属冷却和结晶的方式来减少能源的使用。如今多种受物理机制启迪的新优化算法被开发，如水蒸发优化算法[10]（water evaporation optimization，WEO）、原子搜索优化算法[11]（atom search optimization，ASO）等。第三类是摹拟物种间的组……