遗传 模拟退火 模型的优缺点

六、模型的评价和推广：

1．评价：

（一）、模拟退火法优点：

（1）它能够处理具有任意程度的非线性、不连续性、随机性的目标函数；

（2）目标函数可以具有任意的边界条件和约束；

（3）比其他线性优化方法，SA 的编程工作量小，且易于实现；

（4）统计上可以保证找到全局最优解。

（二）、缺点：

（1）找到最优解需要耗费非常多的时间，特别适当使用“标准”的Boltzmann

采样技术时（即标准的接收函数exp(kT

E ))； （2）相对于其他一些技术对某一个具体问题的求解需要更困难的参数调整；

（3）忍受“过度炒作”和时髦话滥用，导致结果的误解；

（4）使用不当（冷却进度表之低昂不合适，降温过快），导致模拟退火变为了模拟淬火（SQ ），而SQ 是无法从统计学上保证找到最优解的；

（三）、遗传算法优点：

（1）对可行解表示的广泛性；

（2）群体搜索特性；

（3）不需要辅助信息；

（4）内在启发式随机搜索特性；

（5）遗传算法在搜索过程中不容易陷入局部最优，即使在所定义的适应度函数是不连续的，非规则的或有噪音的情况下，也能以很大的概率找到全局最优解；

（6）遗传算法具有固有的并行性和并行计算能力；

（7）遗传算法具有可扩展性，易于同别的技术混合。

（四）、缺点：

（1）编码不规则或编码存在表示的不规则性；

（2）单一的遗传算法编码不能全面的将优化问题的约束表示出来；

（3）遗传算法通常的效率比比其他传统的优化方法低；

（4）遗传算法容易出现过早收敛；

（5）遗传算法对算法的精度，可信度，计算复杂性等方面，还没有有效的定量分析方法。