本课题主要研究遗传算法、粒子群优化算法和模拟退火算法这三种启发式算法对不同复杂程度的最优化问题的数值性能表现。在MATLAB中，利用CEC2014函数库和Hedar函数库，对以上三种启发式全局优化算法进行数值比较测试。这三种算法分别计算这两个函数库得到的数值结果，通过两种数据比较profile技术performance profile分析技术和data profile分析技术分析，得出较为清晰明了的对应的技术比较图。最后通过比较分析，得出三种算法中，不管是低维较简单的问题还是高维较复杂的问题，粒子群优化算法大部分都能在较少的运算成本之下解决。相对于粒子群优化算法，遗传算法和模拟退火算法的表现就相对不可观，只能解决小部分的问题，而其中模拟退火算法又较遗传算法表现得更好。

在本课题的研究中研究的三种启发式全局优化算法，分别是遗传算法又叫基因算法、模拟退火算法和粒子群优化算法。研究和验证数值算法有效性的一个方法就是比较算法测试问题的数值结果，所以本文针对遗传算法，模拟退火算法和粒子群优化算法这三种启发式算法进行数值测试比较。而对于每一种算法，都设定了其停止判断的依据是最大函数值计算次数。

本课题为启发式全局优化算法及其数值比较，所以本文中是通过数值实验比较遗传算法、模拟退火和粒子群优化算法的优劣的。

全文分为五章，结构安排如下：

第一章为绪论，主要介绍最优化问题和全局最优化算法特别是启发式算法的基本概念，为之后的算法研究做好铺垫，最后简述本课题的研究背景及意义。

第二章三个启发式全局优化算法，介绍遗传算法、粒子群优化算法和模拟退火算法三种启发式全局优化算法，并介绍算法的基本原理和特点。

第三章数值测试，首先介绍本课题研究下的测试环境和介绍本课题所使用的测试方法测试流程及比较步骤；然后介绍所使用到的两个测试函数库，分别是Hedar函数库和CEC2014函数库；最后说明每一种算法的主要参数设置。

第四章为数值结果分析及比较技术介绍，介绍本课题研究中所使用的数值比较技术，分别为performance profile技术和data profile技术，并根据数值结果重点分析比较利用两种profile技术比较数据得出的结果。

第五章为总结与展望，对本课题进行总结，并分析课题研究结果，最后提出对未来的展望。

在本课题中，为了比较遗传算法GA、模拟退火算法SA和粒子群优化算法PSO，针对不同复杂程度的函数，分别在Hedar函数库和CEC2014函数库中进行了测试，并利用performance profile技术和data profile技术分析所得到的数据。由此得到的结果是，在运算解决低维较简单的函数问题时，这三种算法的表现差别不大，都能很好的解决问题；而对于高维的函数问题，PSO的优势就大了。所以，如果想要解决的问题是低维比较简单的，那这三种算法用哪个都可以；但如果想要解决高维复杂的问题，还是选择PSO为佳。