智能优化算法
它是为了解决数学建模比赛里经常会遇到的一个问题：可以挑选的方案非常多，时间和算力不允许我们一个个的试，我们需要找到一个相对最优的方案。
比如，一辆配送车应该按什么顺序经过几十个地点？有限的资金应该怎样分配？工厂建在哪里成本最低？比赛日程怎样安排更合理？这些问题其实都在问同一件事：在一大堆可能的方案里，怎样找到一个尽量好的方案？
这就是优化问题，而智能优化算法是帮助我们偷懒“找方案”的工具。
遍历（就是一种种方案试），永远是最可靠的优化问题的解决方法，但是绝大部分情况下，时间成本都不允许我们单独选择它。
什么是优化
先规定什么叫“好”，再去寻找最好的方案。
- 决策变量：我们能够调整什么。
- 目标函数：我们的最终目标怎么量化，怎么表达。
- 约束条件：方案必须满足什么约束条件。
用数学形式表示，通常是在可行范围内寻找让目标函数最小或最大的变量：
这里的 就是我们要找的方案， 用来评价方案好不好， 表示所有满足约束条件的方案。
题目条件抽象成数学模型之后，不是说就完全是数学的问题了，必须要记住数学模型里的什么条件代表什么含义，方便出问题之后返工和在论文上解释结果。
“智能”体现在哪
有些优化问题可以直接求导、列方程，算出精确答案。但在建模比赛中，我们经常碰到规模很大、函数很复杂、变量是离散的，甚至连公式都不光滑的问题。这时很难直接算出最优解，只能在大量方案中不断尝试。
智能优化算法做的事情，可以概括成四步：
先产生一些方案（初始方案集） → 评价方案好不好（代入目标函数得到所有目标值） → 按照某种规则产生新方案 → 不断重复（直到撞到截止条件）。
对于智能优化算法来说，目标函数只是一个函数黑箱子，算法给黑箱子一个输入，黑箱子吐出来一个目标值，智能优化算法不关心也关心不了目标函数内是怎么运作的。
它的“智能”不是说算法真的会思考，而是它会利用已经搜索到的信息，决定下一步往哪里找。不同算法模仿了不同的搜索方式：
- 模拟退火模仿物理中的降温过程，偶尔接受差一点的方案，避免太早卡住；
- 遗传算法模仿生物进化，让较好的方案进行选择、交叉和变异；
- 蚁群算法模仿蚂蚁留下信息素，让越来越多的个体选择较好的路线；
- 粒子群算法模仿鸟群觅食，让每个粒子同时参考自己的经验和群体的经验。
这些方法通常不能从数学上保证一定找到真正的全局最优解，但它们一般能在有限时间内找到一个质量不错的可行解。对于数学建模来说，这已经非常有价值。
一般什么时候用
就像我刚才上面说的对于智能算法来说，目标函数是一个黑箱子，因为我们能解析目标函数的情况，比如解方程组，线性规划等等，都不会选智能优化算法来试解。
当我们的目标函数没有充分的数学工具去直接求最优解，我们会把目标函数打包成一个函数黑箱子，后面的工作一般就不关心函数内部是什么样的了。 后面就是用各种优化算法来找相对的最优解了。
我个人是建议先用遍历（调整步长）来找一些比较大概率有最优解存在的区域集，每个区域的大小（也就是步长大小）由你的目标函数复杂程度、电脑算力和你的解空间大小共同决定。
然后在这些区域里用智能算法来尝试，这里比较玄学，祝同学们好运。
个人建议
各种智能优化算法非常多，我们讲的也只是一些比较常见，认可度比较高的算法。 学的时候大致知道什么意思，有什么参数能调，参数代表什么含义（方便你调参）就可以了。 不建议过度深究，用的时候查资料，然后在matlab或者python里调用就行了。
有兴趣的同学可以去查一查python里怎么多线程，多进程并行求解，能最大限度压榨你电脑的性能。
论文上写的和你用的大多数情况下是不完全一致的，就跟你考试的时候写在卷子上的，和写在稿纸上的内容的关系一样。