自然启发优化面临的问题与挑战

杨杰，蒲亦非

（四川大学计算机学院，成都610065）

0 引言

许多现实世界的应用涉及目标优化，如成本、能源消耗的最小化，性能、效率和可持续性的最大化。在许多情况下，优化问题存在于高度非线性多模态目标场景，受制于一套复杂的非线性约束，这些问题很难解决。即使现代计算机性能不断增强，使用简单暴力破解仍不现实。因此，高效的算法对这类应用至关重要。虽然优化算法种类很多，如基于梯度的算法、内点法、信赖域法等，但大多数都是基于梯度的局部搜索算法[1]，这意味着最终解可能依赖于起始点。此外，导数计算代价非常昂贵，一些问题如非连续目标在某些区域可能不具有导数。近期趋势是使用自然启发优化，可以分成四个大类：进化算法、生物启发算法、基于物理/化学的算法和群智能算法。

在过去的几十年里，出现了各种各样的群智能算法，包括蚁群算法、粒子群算法、蝙蝠算法、萤火虫算法、布谷鸟搜索等[2]。这些自然启发算法往往是全局优化器，使用多个相互作用的代理来生成搜索空间中的搜索行为。这类全局优化器通常简单、灵活，高效，在许多应用和案例研究中得到了证明[2]。在过去的三十年中，自然启发优化已经取得了显著的进展，并出现了各种各样的应用。

尽管自然启发优化的有效性和流行度很高，但仍然存在许多问题。第一，还没有找到开发与探索之间的平衡。第二，还没有统一的数学框架来对这些算法进行分析，深入了解它们的稳定性、收敛性、收敛速度和鲁棒性。……