进化计算是20世纪90年代兴起的一门模拟生物进化与遗传规律的计算学科。近年来，由于进化计算在机器学习、过程控制、经济预测和工程优化等领域取得的成功，引起了数学、物理、化学、生物学、计算机科学、社会科学、经济学及工程应用等领域科学家们的极大兴趣。当前，进化计算的研究内容十分广泛，如进化计算算法的设计与分析、进化计算的理论基础以及其在各个领域的应用等。可以预计，随着进化计算理论研究的不断深入和应用领域的不断拓广，进化计算必将取得更大的成功。进化计算主要由遗传算法、遗传编程、进化策略、进化编程、DNA计算、蚂蚁算法、粒子群算法、人工免疫、分子计算等不同的分支组成。<br> 粒子群优化算法起源于对简单社会系统的模拟。最初设想是模拟鸟群觅食的过程。设想这样的一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在那里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢？最简单有效的方法就是搜寻目前离食物最近鸟的周围区域。粒子群算法就是从这种模型中得到启示，并用于解决优化问题。该算法与遗传算法类似，它也是基于群体迭代，但没有交叉、变异算子，群体在解空间中追随最优粒子进行搜索。由于粒子群优化算法简单容易实现，同时又有深刻的智能背景，所以既适合科学研究，又特别适合工程应用。近年来，国内外学者对粒子群算法的研究与应用作了大量的工作，并取得了显著的成绩。Parsopoulos等以标准函数为例，测试粒子群优化算法解决整数规划问题的能力。Salman将任务分配问题抽象为整数规划模型并提出基于粒子群优化的解决方法。Fjeldsend等利用粒子间的距离关系，提出了求解多目标优化模型的多目标粒子群算法。张利彪等利用最优解评估选取原则，对粒子群算法进行改进，也解决了传统粒子群算法无法求解的多目标优化模型问题。
展开
