遗传算法
优点：
- 与问题领域无关且快速随机的搜索能力，不会陷入局部最优解；
- 搜索从群体出发，具有潜在的并行性，提高运行速度，鲁棒性高；
- 搜索使用评价函数启发，过程简单；
- 使用概率机制进行迭代，具有随机性；
- 具有可扩展性，容易与其他算法结合。
缺点：
1.遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码；
2.另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验；
3.没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间；
4.算法对初始种群的选择有一定的依赖性，能够结合一些启发算法进行改进；
5.在实际应用中，遗传算法容易产生早熟收敛的问题，在选择方法既要使优良个体得以保留，又要维持群体的多样性。
演化策略（实变量/一个新个体）与遗传算法的区别
（染色体编码/两个新个体）：
- 前者直接作用于实变量，后者使用优化变量的染色体编码
- 前者使用的杂交算子是从两个个体产生一个个体，后者产生两个新的个体
进化程序：只利用变异算子，没有引用杂交机制。
模拟退火算法
优点：
- 具有摆脱局部最优解的能力，能够以随机搜索技术从概率的意义上找出目标函数的全局最小点，已被证明有渐进收敛性；
- 简单、通用、易实现；
- 具有并行性。
缺点：
1.对参数（如初始温度）的依赖性较强；
2.优化过程长，效率不高。
蚁群算法
优点：
- 在求解性能上，具有很强的鲁棒性（对基本蚁群算法模型稍加修改，便可以应用于其他问题）和搜索较好解的能力；
- 蚁群算法是一种基于种群的进化算法，具有并行性；
- 蚁群算法很容易与多种启发式算法结合，以改善算法性能。
缺点：
1.蚁群算法中初始信息素匮乏；
2.收敛速度慢、易陷入局部最优；
3.蚁群算法一般需要较长的搜索时间，其复杂度可以反映这一点；
4.容易出现停滞现象，即搜索进行到一定程度后，所有个体发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解。
粒子群算法
优点：
- 优化具有相当快的逼近最优解的速度，可以有效的对系统的参数进行优化；
- 其个体充分利用自身经验和群体经验调整自身的状态；
- 无集中约束控制，不会因个体的故障影响整个问题的求解，确保了具备很强的鲁棒性。
- 对种群大小不十分敏感
缺点：
1.数学基础薄弱，不能严格证明它在全局最优点上的收敛性；
2.容易产生早熟收敛，陷入局部最优，主要归咎于种群在搜索空间中多样性的丢失；
3.由于缺乏精密搜索方法的配合 ，最优往往得不到最优解。
4.对离散数据不佳
