文章目录
1 什么是智能优化算法2 常用的智能优化算法3 智能优化算法的特点4 模拟退火算法4.1 简介4.1 工具箱（SA)1 什么是智能优化算法
智能优化算法又称现代启发式算法，是一种具有全局优化性能、通用性强且适用于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭专家经验，理论上可以在一定的时间内找到最优解或近似最优解。
补充说明：
启发式算法（Heuristic Algorithm）有两种定义：
（1）基于直观或经验的构造的算法，对优化问题的实例能给出可接受的计算成本（计算时间、占用空间等）内，给出一个近似最优解，该近似解于真实最优解的偏离程度不一定可以实现预计；
（2）启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定保证所得的解是可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。
总之，启发式算法可用于解决求解最优解代价比较大的问题，但是此类算法不保证得到最优解，求解结果不稳定且算法效果依赖于实际问题和设计者的经验。
2 常用的智能优化算法
遗传算法（Genetic Algorithm, GA)模拟退火算法（Simulated Annealing, SA)禁忌搜索算法（Tabu Search, TS)神经网络 （Neural Network）蚁群算法（Ant Colony Optimization，ACO）
3 智能优化算法的特点
都是从任一解出发，按照某种机制，以一定的概率在整个求解空间中探索最优解。由于它们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。
4 模拟退火算法
4.1 简介
模拟退火算法的思想借鉴于固体的退火过程，当固体的温度很高时，内能比较大，固体内的粒子处于快速无序运动状态，当温度慢慢降低，固体的内能减小，粒子逐渐趋于有序，最终固体处于常温状态，内能达到最小，此时粒子最为稳定。
白话理解：一开始为算法设定一个较高的值T（模拟温度），算法不稳定，选择当前较差解的概率很大；随着T的减小，算法趋于稳定，选择较差解的概率减小，最后，T降至终止迭代的条件，得到近似最优解。
4.1 工具箱（SA)
function fitnessVal=fitness(x)fitnessVal=sin(10*pi*x)/xend
Optimization running.Objective function value: -0.8695940683355063Maximum number of iterations exceeded: increase options.MaxIterations.
start point-
优化为一个搜索算法，需要一个起点，一般问题你可以随便设，复杂问题更加问题自身的情况。
找最大值变成-的即可。
