优化问题是科学计算和组合计算所面临的重要问题。即使一些问题有多项式时间算法的解法，例如线性规划，匹配和网络流，大多数问题都是棘手的（NP问题）。一些通用算法例如整数编程和二次规划可以使得实际问题变得容易处理一些。这本书涉及当前优化算法的发展趋势。这些算法来源于大自然的启发，并能够有效的解决很多优化问题。这本书介绍了一些不同的优化算法。
- 这本书包含15个章节和两个附录。第1节简要地介绍了各个算法，尤其是传统的优化算法。并对后续的章节进行了简要的介绍。
- 第2节关注于与算法相关的问题。重点在于算法分析。对参数选择和参数调教(这些工作对优化算法非常重要）进行了分析。
- 第3节到第11节讨论了不同的自然启发算法：随机走动(random walks)，模拟退火算法(simulated annealing)，遗传算法(genetic algorithm)，差分进化算法(differential evolution)，粒子群算法(particle swarm)，萤火虫算法(firefly algorithm)，布谷鸟搜索(cuckoo search)，蝙蝠算法(bat algorithm)，花授粉算法(flower pollination algorithms)。每一章节对其中的一种算法进行了简要和明了的说明。在每一章节中，对算法，算法参数的意义，和收敛准则进行了讨论。附录B包含了这些算法的MATLAB代码。
- 第12节到第14节，提供了一种通用的参数调教的框架，包括如何处理限制条件，如何处理多准则目标函数。再次强调，这对优化问题至关重要。合适的选择会使得算法更加有用和实用。第15节包含了一些不完备的自然启发算法，包括蚁群算法(ant algorithm)，蜜蜂启发算法(bee-inspired algorithm)，和声搜索(harmony search)，和混合算法(hybrid algorithms)。
- 附录A包含了一些标识的函数集合对优化算法进行测试。依据附录A研究者可以做一些对比实验。附录B，已经提到过了，包含一些自然启发算法的代码。
- 由于本书是针对研究者实用，所以没有练习题目。然而它却有广泛的引用。总之，对于优化算法的研究者来说，这是一本很漂亮的，令人印象深刻的，而且有用的书。
More info: Nature-inspired optimization algorithms
tags: 优化算法 自然启发
