脑图查看
智能优化算法家谱
按搜索机制分为四族,共收录 17 个算法;点击下方任一算法可直接进入对应文章。
进化计算 4 群智能 10 教学与谐振 2 经典基准 1 合计 17
点击图中节点即可跳转到对应文章
进化计算
4 个把生物进化抽象成"变异 + 选择"的通用搜索框架,靠种群多样性驱动跳出局部最优。
群智能
10 个模拟鸟群、蜂群、鱼群等群体的集体行为,靠局部通信与简单的个体规则涌现出全局寻优能力。
- ACO 蚁群算法 用信息素浓度承载路径质量,在离散组合优化(尤其 TSP)上优势突出。
- PSO 粒子群优化 粒子按自身经验与群体最优协同飞行,只需少量超参数即可收敛,是最常用的基准群智能算法。
- ABC 人工蜂群算法 借用蜜蜂"侦察—雇佣—放弃"的分工机制,用较少的控制参数完成全局搜索。
- FA 萤火虫算法 个体被更亮的同类吸引,亮度编码目标函数值,天然适合多峰寻优。
- CS 布谷鸟搜索 借 Lévy 飞行实现长距离跳跃,并用"巢穴占位"机制维持种群多样性。
- BA 蝙蝠算法 用声呐的频率与响度自适应调节搜索步长,是较早把参数自适应做成双机制的算法。
- WOA 鲸鱼优化算法 模拟鲸鱼"螺旋围捕"与"声呐网罗"两种捕猎方式,用线性递减系数平衡探索与开发。
- GWO 灰狼优化算法 狼群按 α、β、δ、ω 划分等级并向精英群体靠拢,结构简洁,是 WOA 的姊妹算法。
- HHO 哈里斯鹰优化 模拟鹰群"软扑"与"硬扑"的多阶段围捕,用自适应收缩因子控制逃逸反应。
- SSA 麻雀搜索算法 以发现者与跟随者、警戒者与拓食者的角色切换,实现探索与开发的自适应平衡。
教学与谐振
2 个不建模生物群体,而是借用"老师授课—学生学习"或"乐队和声"来组织搜索方向的更新。
经典基准
1 个不属于任何一个现代流派,但几乎所有新算法都会拿它们做对照组,也是理解搜索机制的最短路径。