多策略融合的智能算法设计与实现文献综述

1. 选题背景和意义：

复杂的工程优化问题往往呈现多峰且高维的复杂态，属于典型的NP 难问题，很难在多项式时间内获得最终的求解。针对该问题，学术界和工程界分别提出了非常多的解决思路，但是这些方法面临着复杂的计算时间且计算结果不稳地问题，且算法极易出现过早收敛从而陷入局部最优，难以获得最优解；此外正如 No Free Lunch 理论指出的，没有一种有效算法可以解决所有问题，这也就意味着不同的优化问题需要采用针对此问题的特定算法来解决。本课题需要对多种高效的局部和全局搜索策略进行有效融合，设计一种高效的智能计算新方法框架，便于解决复杂的工程优化问题。

1. 方案（设计方案、或研究方案、研制方案）论证：

本课题的关键问题也是难点大致有两点：第一，解决群智能算法难免会陷入局部最优解的情况，即算法会过早收敛得到一个并非最好的结果，局部最优解的产生往往是因为算法早期不具有较好的全局搜索能力；第二，提高算法寻优速度，即算法在接近全局最优解后的收敛速度，具体表现为算法的局部搜索能力。

对局部最优的避免有两个根本方法：

1.深入研究问题的机理，对问题的机理研究的越透彻，就能更准确的找到全局最优，即划定全局最优可能的区域，在缩小搜索范围的情况下会更可能搜索到全局最优解；

2.随机搜索。对机理不明的问题，越趋于随机的搜索算法，其陷入局部最优的可能性就越小。

然而，第一种方法要在具体的优化问题的基础上进行分析，因此从算法研究的角度，只能从第二个方法，即随机搜索来避免算法过早收敛从而陷入局部最优解。

对于加快算法收敛速度，即提高算法的局部搜索能力，其核心思想是在算法已经接近全局最优解之后，控制算法的搜索范围。在算法迭代中后期，其搜索范围既不能过大，也不能过小。过大的搜索范围会导致搜索无关区域的可能性增大，而过小的搜索范围会导致种群聚集于局部最优解附近，降低搜索到更优解的可能性。因此，设置一个合理的种群搜索范围，又不失种群分散度，对于增强算法局部搜索能力是很有必要的。

综上所述，我在多方面参考资料文献后，提出一种以变异为主的算法改进方案。最常用的变异是高斯变异，高斯变异具有变异步长较小的特点，而柯西变异则具有较大的变异步长。在算法前期，对萤火虫执行柯西变异，在增大种群搜索范围的同时，保持搜索的随机性。在算法中后期，对萤火虫执行高斯变异，这样种群的搜索范围不至于过大，且也能保持一定的种群分散度，适合进行算法局部搜索。

在完成更深入研究工作后，本方案还有待验证和进一步改进。

1. 文献综述（或调研报告）：

1.算法发展现状