本文通过数值比较研究了三个重要的群体智能优化算法的优劣 性，这三个算法分别是遗传算法（GA）、粒子群优化算法（SPSO） 以及差分进化算法（DE）。首先，本文回顾了这三个算法的大致思 想与算法流程；然后，分别用它们测试了三个国际通用的全局优化测 试函数库：Hedar、GKLS 和 CEC2014 测试函数库；最后，利用 performance profile 技术和 data profile 技术分析了测试得到的大量数 据。数值比较结果表明，DE 算法略优于 SPSO 算法，SPSO 算法和 DE 算法明显优于 GA 算法。

本次论文我研究讨论的题目是群体智能优化算法及其数值比较，我主要是通过研究对比前人研究的遗传算法、粒子群优化算法以及差分进化算法这三种群体智能优化算法进行分析和进行测试比较。通过查阅资料文献了解三种群体智能优化算法的算法背景和算法理念，充分了解三种算法的共同点和差异点。从而从理论上假设三种算法分别能过适应什么环境下求解出问题的最优解，从而根据特点和功能假设出三种算法的忧劣性。然而实践才是检验事情的唯一标准，我将通过对三种群体智能优化算法进行数值比较，以实际的数据检验在我所控制的约束条件下，三种算法的表现。

通过分析三种不同群体智能优化算法对不同测试函数库测试得出的数据，可以查看这三种算法在不同类型和不同维度的函数求解最优解时的表现，直观地得出三种算法的特点。得出三种算法各自的算法特点和求解不同类型或不同维度的函数问题时的表现图像，可以将三种算法的求解表现放在一起进行比较，更加直观地可以得到三种算法在两两比较或三者一起比较的情况下，哪一种算法比较突出。我们可以从中得到在相同约束条件下、相同的维度、相同的函数库、相同的电脑配置下三种群体智能优化算法在我们设定好的环境下的忧劣性，找出表现好的算法。通过进行算法的数值比较，一方面我们不仅可以得到算法在求解最优化问题中的实际表现，而且可以验证我们通过理论分析得出的三种群体智能优化算法的优劣性假设。另一方面是数值比较，通过将数据量化、可视化，从而比较算法的表现，使得算法比较有一个可以量化的依据，更为算法改进提供一个能够测试的途径。

本论文共包含五章内容：

第一章是绪论，简要介绍优化问题的发展等相关内容，在各个领域内迫切需要优化算法给出最优化解的现状以及存在的一些问题。进而引申出本论文课题研究的算法，以及即将通过算法的数值比较判断算法优劣性的意义。

第二章是算法介绍，详细介绍本次论文课题主要研究的遗传算法、粒子群优化算法以及差分进化算法这三种群体智能优化算法，了解算法的历史背景、算法理念、算法结构、算法的流程图以及算法理论的优缺点等等。

第三章是数值测试实验过程，主要介绍数值测试所使用到的测试函数库、测试过程中的测试环境、需要关注的测试条件和相关数值配置以及三种算法分别测试测试函数库后的实验数据。

第四章是结果分析，详细介绍研究工具 performance profile 技术和data profile技术，使用这两种工具对第三章实验记录的测试数据画出图，并针对图像进行分析。

第五章是结论，结合第四章的分析结果和理论知识得出本次课题的研究结论，提出算法不足的改进或者课题研究的展望。