第二十一章
MATLAB优化算法案例分析与应用
第21章
基于启发式算法的函数优化分析
第二十一章
MATLAB优化算法案例分析与应用
•21.1 启发式搜索算法概述
启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最
好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路
径，提高了效率。
在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不
同的效果。
启发中的估价是用估价函数表示的，如：f(n)=g(n)+h(n)；
最佳优先搜索的最广为人知的形式称为A*搜索。它把到达节点的耗散g(n)和
从该节点到目标节点的消耗h(n)结合起来对节点进行评价：f(n)=g(n)+h(n)。
第二十一章
MATLAB优化算法案例分析与应用
21.2.1 粒子群算法PSO
粒子群算法（PSO）是一种基于群体的随机优化技术。粒子群算法（PS0）首
先初始化一组随机值作为粒子群，粒子以一定的速度更新当前最优粒子和最优
种群（Shi和Eberhart，1999）。每次迭代，更新“个体最优”值 、“种群最优”值
和粒子速度值 ，最终得到一组较为合理的结果。粒子群算法简单易实现，然而
易出现早熟等现象，以致不能全局寻优。因此其改进算法层出不穷。
21.2.2 遗传算法GA
遗传算法（GA）是模仿自然界生物进化理论发展而来的一个高度并行，自适应
检测算法。遗传算法通过仿真生物个体，区别个体基因变化信息来保留高适应
环境的基因特征，消除低适应环境的基因特征，以实现优化目的。遗传算法能
够在数据空间进行全局寻优，而且高度的收敛。缺点就是不能有效的使用局部
信息，因此需要花很长时间收敛到一个最优点。
21.2.3 人群搜索算法SOA
人群搜索算法（SOA）是对人的随机搜索行为进行分析，借助脑科学、认知科
学、心理学、人工智能、多Agents系统、群体智能等的研究成果，分析研究人
作为高级Agent的利己行为、利他行为、自组织聚集行为、预动行为和不确定
性推理行为，并对其建模用于计算搜索方向和步长。由于SOA直接模拟人的智
能搜索行为，立足传统的直接搜索算法，概念明确、清晰、易于理解，是进化
算法研究领域的一种新型群体智能算法。
