转自http://blog.chinaunix.net/uid-27795088-id-3409480.html
（1） 蚁群算法
蚁群算法利用信息正反馈机制，在一定程度上可以加快算法的求解性能，同时算法通过个体之间不断的进行信息交流，有利于朝着更优解的方向进行。尽管单个蚁群个体容易陷入局部最优，但通过多个蚁群之间信息的共享，能帮助蚁群在 解空间中进行探索，从而避免陷入局部最优。
基本蚁群算法搜索时间长，而且容易出现停滞。由于蚁群算法在求解的过程中，每只蚂蚁在选择下一步移动的方向时，需要计算当前可选方向集合的转移概率，特别是当求解问题的规模较大时，这种缺陷表现得更为明显。同时，由于正反馈机制的影响，使得蚁群容易集中选择几条信息素浓度较高的路径，而忽略其他路径，使算法陷入局部最优解。其次，算法的收敛性能对初始化参数的设置比较敏感。
（2） 遗传算法
遗传算法以决策变量的编码作为运算对象，借鉴了生物学中染色体和基因等概念，通过模拟自然界中生物的遗传和进化等机理，应用遗传操作求解无数值概念或很难有数值概念的优化问题。遗传算法是基于个体适应度来进行概率选择操作的，从而是搜索过程表现出较大的灵活性。遗传算法中的个体重要技术采用交叉算子，而交叉算子是遗传算法所强调的关键技术，它是遗传算法产生新个体的主要方法，也是遗传算法区别于其它仿生优化算法的一个主要不同之处。
遗传算法的优点是将问题参数编码成染色体后进行优化，而不针对参数本身进行，从而保证算法不受函数约束条件的限制。搜索过程从问题解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，大大减少算法陷入局部最优解最小的可能性。遗传算法的主要缺点是对于结构复杂的组合优化问题，搜索空间大，搜索时间比较长，往往会出现早熟收敛的情况。对初始种群很敏感，初始种群的选择常常直接影响解的质量和算法效率。
（3） 微粒子群算法
微粒子群算法是一种原型相当简单的启发式算法、与其他仿生优化算法相比，算法原理简单、参数较少、容易实现。其次微粒子群算法对种群大小不十分敏感，即使种群数目下降其性能也不会受到太大的影响。同时算法收敛速度较快。微粒子群算法目前存在的问题是：精度较低，易发散，若加速系数、最大速度等参数太大，微粒子群可能错过最优解，算法不能收敛。而在收敛情况下，由于所有的粒子都同时向最优解的方向飞去，所以粒子趋向同一化（失去了多样性），使算法容易陷入局部最优解，即算法收敛到一定精度时，无法继续优化。
（4） 人工神经网络
人工神经网络系统是一个高度复杂的非线性动力学系统，不但具有一般非线性系统的共性、更主要的是它还具有高维性和神经元之间的广泛互连性。
人工神经网络能广泛地进行知识索引，对待噪声、不完整或不一致的数据具有很强的处理能力，使人工神经网络成为多变量经验建模的有效工具。
人工神经网络算法的不足是：1）学习速度较慢；2）人工神经网络算法是一种局部搜索算法，求解复杂非线性函数的极值问题时，算法容易陷入局部解；3）网络结构的选择没有统一的理论指导，只能依靠经验选定；4）存在过度拟合现象，即使一般情况下，训练能力差时，预测能力也差，在一定程度上，预测能力随着训练能力的提高而不断提高，但这种趋势存在一个极值，当达到这个极值时，预测能力随着训练能力的提高反而下降；5）改进的人工神经网络收敛速度较慢，且目前尚无成熟的理论依据确定其隐含层数和隐含层节点数。
（5） 人工免疫算法
人工免疫算法的特征包含每个元素具有智能，具有较高的自治性，能判断其他元素是否为自体类型，免疫系统元素选择性的识别非自体类型，多样性是由基因组合产生的。在网络组件阶段自我学习，只要新的非自体出现就进行非自体学习。识别是被动方式，试图识别非自体，单位之间的通信是之间的亲和度，而不是硬链接。
人工免疫算法模拟了人体免疫系统所特有的自适应性和人工免疫这一加强人体免疫系统的手段，采用了基于浓度的选择更新策略，防止了早熟现象的发生，保证了搜索过程朝着全局最优进行。人工免疫算法的搜索目标具有一定的分散性和独立性，实现的是多样性搜索。
人工免疫算法是建立在精确数学模型或进化计算的基础上，数学模型简单，易于实现，但功能不强，且容易失真，其智能度也没有其他几种仿生优化算法高，较其他仿生优化算法相比，改进麻烦。
（6） 人工鱼群算法
人工鱼群算法的特点：1）人工鱼群算法具有快速跟踪极值点漂移的能力，而且也具有较强的跳出局部极值点的能力；2）算法只需要比较目标函数，对目标函数的性质要求不高；3）算法对初值和参数设定的依赖性不高，可以通过随机或者设置固定值的方式产生初值，参数设定也容许在较大的范围内取得；4）具有较快的搜索速度和并行处理问题的能力，对于精度要求不高的问题，可以快速得到问题的一个可行解；5）不需要问题的严格机理模型，甚至不需要对于问题的精确描述，应用范围较广。
人工鱼群算法的缺点：1）算法只获取问题的满意解域，对于精确解的获取，还需对其进行适当改进；2）当人工鱼个体的数目较少时，人工鱼群算法便不能体现其快速有效集群性的优势；3）人工鱼群算法的数学基础比较薄弱，目前还缺乏具有普遍意义的理论分析；4）当寻优的域较大时或出于变化相对平坦的区域时，搜索性能下降；5）算法在搜索初期有较快的收敛速度，但后期搜索速度较慢。
