优化问题一直以来都是国内外学术研究的重点热点之一，在生产生活中的诸多领域都得到
了广泛的应用，如：生产调度、系统控制、经济预测等。所谓最优化问题，就是在满足一定的
约束条件下，寻找一组参数值，使得系统达到最大或最小值，满足最优性度量。不同的优化问题要采用不同的优化算法，最理想的情况是以最快的速度得到全局的最优解。传统的优化算法在面对大型问题时，需要遍历整个搜索空间，一旦形成了搜索的组合爆炸，就无法在多项式时间内完成。那么，在复杂、广阔的搜索空间来找最优解，就成为科学工作者研究的重要课题。智能算法在可接受的时间内对复杂大规模优化问题进行求解取得了惊人的优秀成绩。代表的智能算法有：模拟退火算法、演化算法、遗传算法、粒子群算法等。智能算法一般具有自组织性、自适应性和并行性，直接把目标函数值作为搜索信息，具有正反馈机制，可以有效地完成优化任务。面对日益复杂的大规模优化问题，尤其是多模态、高维、带约束和多目标优化问题，采用某一种智能算法，总会存在该算法本身的缺点，所以要想取得更加令人满意的优化效果，可以将两种或多种智能算法，按照某种规则组合使用，形成混合优化算法，不同的算法扬长避短，极大地提高算法的搜索效率。
智能优化混合算法智能算法在解决优化问题时，算法本身要考虑全局最优和局部最优，根本目的是以最快的速度找到全局最优解，但在搜索的过程中，太过以目标函数值为指引，很容易陷入局部最优解，而错误找到全局最优解。因此，针对不同的优化问题，如何避免陷入局部最优解，在保证速度的前提下找到全局最优解，就成为指引智能算法设计的基本原则。