智能优化算法是一类受人类智能、生物群体社会性或自然现象规律启发的算法，用于解决复杂的优化问题。以下是一些常见的智能优化算法：

进化类算法

遗传算法（GA）：模拟生物进化机制，通过染色体的一代代进化，最终收敛到最优解。

差分进化算法（DE）：通过群体个体间的合作与竞争来优化搜索。

免疫算法（IA）：模拟生物免疫系统学习和认知功能。

进化策略算法（ES）：与遗传算法类似，但采用不同的进化策略。

进化规划算法（EP）：与遗传算法类似，但采用不同的进化策略。

群智能算法

蚁群算法（ACO）：模拟蚂蚁集体寻径行为，利用信息素进行信息交流和传递。

粒子群优化算法（PSO）：模拟鸟群和鱼群群体行为，粒子的飞行速度根据历史飞行行为改变。

菌群算法（CS）：模拟细菌群体行为，用于优化问题。

蛙跳算法（FA）：模拟青蛙跳跃行为，用于优化问题。

人工蜂群算法（ABC）：模拟蜜蜂群体行为，用于优化问题。

花朵授粉算法（FPA）：模拟花朵授粉过程，用于优化问题。

模拟退火算法（SA）

源于固体物质退火过程，通过概率性跳出局部解，最终趋于全局最优。

禁忌搜索算法（TS）

模拟人类智力记忆过程，通过引入禁忌规则避免迂回搜索，实现全局优化。

神经网络算法

模拟动物神经网络行为特征，用于优化问题。

其他智能优化算法

分散搜索（SS）：包含多样化产生方法、改进方法、参考集更新方法等。

多目标进化算法（MOEA）：处理多目标优化问题，如混合策略、协同进化等。

多目标粒子群算法（MOPSO）：结合粒子群算法和进化算法处理多目标优化问题。

智能优化算法通常适用于多目标优化问题，能够处理一组解，并且对Pareto最优前端的形状和连续性不敏感，能很好地逼近非凸或不连续的最优前端。这些算法在电力系统、制造系统、控制系统等方面有广泛的应用研究