集群智能优化算法概述算法的本质是白话解释算法原则1、遗传算法(GA ) 2、粒子群算法(PSO ) 3、蚁群算法4、模拟退火算法5、鱼群算法
概述算法的本质
优化算法是一种给定方向的遍历
通过定义群体智能优化算法，主要模拟昆虫、兽群、鸟群、鱼群的群体行为。 这些群体通过合作方式寻找食物，群体各成员通过学习它自身的经验和其他成员的经验不断改变搜索方向。 昆虫群体或其他动物的社会行为机制设计的算法或分布式解决问题的策略都属于群体智能(Swarm Intelligence )
白话说明模仿昆虫和一些动物的觅食和其他行为，这些动物群体通过一整天合作的方式寻找食物，不断交换食物信息，就能很快找到更多的食物。 通过对他们行为的研究抽象出的算法之一是集体智能优化算法。 (例如，如果一个个体发现食物，通知另一个个体到食物所在的地方是一种行为)
算法原则邻域原则：群体可以进行简单的空间和时间计算； 质量原则：群体能应对环境中的质量因子； 多样性反应原则：群体行为范围不宜过窄稳定性原则：群体在每次环境改变时不应该改变自己行为的适应性原则：在所需成本不高的情况下，群体可以根据需要改变自己的行为。 1、遗传算法(GA )全局搜索能力强，局部搜索能力弱，往往只能得到次优解而不是最优解。
研究表明，遗传算法能够以非常快的速度达到最优解的90%以上，但达到真正的最优解需要很长时间，即局部搜索能力不足。
2、粒子群算法(PSO )发生早熟收敛，证明算法不是全局收敛
无权重——收敛速度快，但容易陷入局部最优解
3、蚁群算法参数设置复杂，参数设置不当，容易偏离优质解
4、模拟退火算法整体性能优良，适用于粒子群、鲸鱼优化算法等易陷入局部最优解的组合
5、鱼群算法参数设置复杂，参数设置不当，容易偏离优质解。 ((同菌落) ) ) ) )。
6、鲸鱼优化算法6.1问题算法求解局部极值和收敛速度问题陷入局部最优解
结合模拟退火算法，再过一会儿全局搜索能力收敛速度慢
引入自适应权重，提高算法的局部寻优能力