陈 瑶，陈 思

1.西京学院 理学院，西安710123

2.西北工业大学 理学院，西安710072

随着计算智能[1]科学的发展，启发式算法得到了更深入的研究。启发式算法包括传统启发式算法和元启发式算法两个大类。常见的传统启发式算法有构造型方法、局部搜索算法、松弛方法、解空间缩减算法等。在搜索过程中提出一些要求，然后按照这些要求实现的启发式算法即为元启发式算法。因此，元启发式算法实质上是启发式算法的改进，它是随机算法与局部搜索算法相结合的产物。元启发式算法的寻优过程是一个求解迭代的过程，在这个过程中，学习策略被用来获取和掌握信息，进而有效地发现近似最优解。元启发式策略的特点在于它属于通用的启发式策略范畴，不需要借助于被求解问题的特有条件就能找到最优解，已被广泛应用到了各类实际优化问题中。大多数元启发式算法从自然界的一些现象中获取灵感，包括动物、植物、自然现象和规律等。因此，探索元启发式算法的本质就是如何有效模仿自然界中的最佳特征，并设计有效的数学运算符号来表达这些特征。著名的元启发式算法有：遗传算法[2]（Genetic Algorithm，GA），它是根据达尔文的自然选择理论对生物进化方式进行抽象后得到的算法；通过概括生物进化和自然选择，研究者提出了差分进化算法[3]（Differential Evolution Algorithm，DE）；和声搜索算法[4]（Harmony Search Algorithm，HS）、黑洞优化算法[5]（Black-Hole Optimization Algorithm，BH）、小世界优化算法[6]（Small-World Optimization Algorithm，SWOA）、水循环优化算法[7]（Water Cycle Algorithm，WCA）等是对自然现象和自然规律的模拟；人工蜂……