研究的目的及意义

优化是一个术语,是指寻找一个问题的“最优”的解。优化问题遍布在生活中的每个角落,在工业、社会、经济、管理等各个领域都有深入渗透。例如,在汽车能源耗损分析上,驾驶员各种行为在油耗上的影响并如何达到最优；在工厂生产中,如何的生产方式使得产品利润最大或生产成本最小；在城市规划中,如何规划工厂、住宅、政府机关、学校、医院、商店等单位,才更好的促进城市的发展,更有利于人民的生活；在各个领域中,数不胜数。寻找问题的“最优”解,并不是每个问题都能够精确地寻找出来,大多时候是寻找到一个可以接受的解作为最优解。在管理科学、计算机科学、生物学、电子工程、系统控制、人工智能、通信技术、信号处理等领域上都存在着大量复杂的优化问题,包括一些多变量、多维、多条件、多峰、多目标等问题。

优化技术的核心就是通过数学方式来解决在不同领域遇到的工程问题，使得这些问题找到最优化的解。因为优化技术在越来越多的工程问题中得到了全面的使用和推广，所以优化技术成为了人们越来越重视的一门重要的学科分支。因此，越来越多的优化算法被相继提出。

TSP问题是一个经典的组合优化问题，同时也是一个经典NP问题。TSP问题是指已知n个城市，以及每个城市间的距离，求得从一个城市出发遍访每一个城市且每个城市只能访问一次，最后再次回到出发城市的最短总路程。TSP问题在模拟城市间列车运行路径、车站之间电缆配线等方面有着重要的作用。随着TSP问题的广泛应用,更多学者把TSP问题作为验证算法性能的主要依据。

传统的优化算法在解决有着大规模、强约束、非线性、多极值、多目标、建模困难等形形色色难题的时候，越来越无法得到令人满意的结果。因此，为了克服传统优化算法的不足，越来越多的研宄学者已经开始把寻找一种具有智能性的并行算法作为最主要的研宄方向，并且把可以求解大规模问题作为算法的主要研宄目标。

随着人工智能和人工生命的兴起和发展，一种新型的算法应运而生，这种算法就是群智能算法。算法的机理和作用就是通过模拟动物群体的活动行为来解决工程问题。实践表明，群智能算法通常用于解决传统的集中式/确定性解决方案无法承受的复杂问题。群智能具有易于实现,计算相对简单,对计算机硬件要求不高,实用性强等特点,在现实社会中具有重要的意义。

目前，群智能算法主要包括粒子群算法(particle swarm optimization, PSO)、蚁群算法(antcolony optimization, ACO)、蜂群算法(bee colony optimization, BCO)、蛙跳算法(frogleaping algorithm, FLA)以及人工鱼群算法(artificial fish swarm algorithm, AFSA)等。

人工鱼群算法是由我国学者李晓磊博士在研究鱼群的行为特点后,引入动物自治体模型,首次提出一种自下而上的新型智能算法。该算法具有以下几个有优点:

(1)能有效地绕开局部极值、顺利搜索归一到全局极值的能力；

(2)算法对搜索空间依赖不强而可以仅通过目标函数值进行搜索寻优；