最优化算法解决的是一般的最优化问题。最优化问题可以分为求解一个或一组函数中、使得函数取值最小的自变量的函数优化问题和在一个解空间里面，寻找最优解，使目标函数值最小的组合优化问题等。优化算法有很多，经典算法包括线性规划，动态规划等，改进型局部搜索算法包括爬山法，最速下降法等；智能计算中的模拟退火、遗传算法以及禁忌搜索称作指导性搜索法，而神经网络，混沌搜索则属于系统动态演化方法，从不同的角度和策略实现改进，取得较好的”全局最小解”。二者之间既有区别，而又一定的关系，形成互补去解决常见的一些优化问题。

从比较广泛的意义上讲，智能计算和统计计算、蒙特卡罗方法联系甚为密切，可互为从属关系，是你中有我、我中有你，使用中也是互相补充。从这些算法的介绍和使用中不难发现这一特点。

智能计算是一种多层次级的计算模式，通常可分为6个层次：第一层为操作模拟层，把一些最基础的思考操作进行程序化处理；第二层为存在经验层，即对于优势的经验和便捷的过程代码化；第三层称为绩效评估层，即对各种经验的模拟结果进行评分，并能随着条件和期望结果的变化改进评分体系；第四层分为A、B两个系统：A系统通过智能计算对系统的变数进行有效的预测，B系统对这可能存在的预测结果进行的预判性评估；第五层为决策执行层，对上面的决策执行并在执行过程中进行一些必要的修正；第六层是智能计算的经验系统，对实际运行结果进行总结和经验性判定，判断判定结果的准确度。

现在，智能计算在国内外得到广泛的关注，已经成为人工智能以及计算机科学的重要研究方向，并在自身性能的提高和应用范围的拓展中不断完善。计算智能的研究、发展与应用，无论是研究队伍的规模、发表的论文数量，还是网上的信息资源，发展速度都很快，已经得到了国际学术界的广泛认可，并且在优化计算、模式识别、图像处理、自动控制、经济管理、机械工程、电气工程、通信网络和生物医学等多个领域取得了成功的应用，应用领域涉及国防、科技、经济、工业和农业等各个方面，尤其是在军事、金融工程、非线性系统最优化、知识工程、计算机辅助医学诊断等方面取得了丰硕的成果，下面简单介绍智能计算在这些领域中的应用。

科学技术的不断进步使得军事领域的各个方面都发生了革命性的变革和质的飞跃。当前，以计算机和信息技术为核心的新军事变革，使得现代战争呈现出的特点已不再是过去的以“大”吃“小”，而是现在的以“快”吃“慢”。加快信息处理速度，争夺战场信息优势，运用智能化的武器装备，已经成为21世纪战争的基本形态。面对这一重大变革，世界各国军队都在调整军事战略，其中发展先进的计算技术已成为各国军队的共同选择。计算智能是借助现代计算工具模拟人的智能机制、生命演化过程和人的智能行为而进行信息获取、问题分析、理论应用和方法生成的一种计算技术。近年来，在新的形势下，国家安全和军事领域中出现了许多新的问题，有些问题难以用传统方法来解决，甚至在某些情况下还不能完全将它们表示出来。为此，人们采用包括模糊数学、神经网络和遗传算法在内的计算智能来解决这些问题，取得了一些新的进展和突破。目前，计算智能在军事领域中的应用已涉及到作战指挥、信息处理、管理决策、智能控制、专家系统、故障诊断等方面，并还在不断拓宽深入中。

金融工程是将工程思维引入金融领域，综合运用各种工程方法来设计、开发和实施新型的金融产品，创造性的解决各种金融问题。如在股市预测、智能交易决策系统和证券组合投资策略等方面，计算智能技术都取得了比较好的效果。

对计算智能领域的神经网络融合算法、自适应信号处理所提出的各种算法应用于计算机辅助医学诊断和生物医学信号分析，也取得了许多应用成果。

目前关于计算智能的研究和应用仍处于蓬勃发展初期阶段，应用范围遍及各个科学领域。虽然计算智能是一门新兴的综合型学科，而且各种智能方法的发展历史也不是很长，但是其发展却是相当迅猛，应用也相当广泛。当前除了对单一的算法进行研究和应用之外，现已开始对各种算法的融合进行研究，针对各个算法的特点，有目的的进行取长补短的算法综合。典型的融合方案有人工神经网络与模糊逻辑、人工神经网络与免疫算法和遗传算法、模糊逻辑与免疫算法、模糊逻辑与遗传算法及遗传算法与免疫算法等，特别是和传统数值算法结合，取得了一些突破性成果。融合之后的算法可以提高算法的性能，增强算法的适应性和稳定性，同时还克服了算法选择的盲目性。另外，还有学者提出了计算智能的新框架――生物网络结构，即神经内分泌免疫网络。它由人工神经网络、人工内分泌系统和人工免疫系统等组成。新框架的提出为人们研究其理论和应用技术提供了新平台，为计算智能今后的发展指明了方向。计算智能技术在自身性能的提高和应用范围的拓展中将得到不断完善。

目前的智能计算研究的水平暂时还很难使“智能机器”真正具备人类的常识，但智能计算将在21世纪得到蓬勃发展，不仅仅只是功能模仿要持有信息机理一致的观点，即人工脑与生物脑将不只是功能模仿，而是具有相同的特性。这两者的结合将开辟一个全新的领域，开辟很多新的研究方向。智能计算将探索智能的新概念，新理论，新方法和新技术，而这一切将在今后的发展中都会取得新的重大成就。

神经网络计算

神经网络计算 (Neural Network Computing  NNC)是通过对人脑的基本单元——神经元的模拟，经过输入层、隐层、输出层等层次结构，对数据进行调整、评估和分析计算，得到的一类具有学习、联想、记忆和模式识别等功能的智能算法。

神经网络计算示意图（摘自互联网）

要想比较深入的理解神经网络计算，就必须对神经网络系统有一定的理解，下面对其进行一些简单介绍。

神经网络(Neural Network，NN)是由大量的、简单的处理单元（简称为神经元）经广泛互连而形成的一个复杂网络系统，反映了人脑功能的许多基本特征，是一个高度复杂化的非线性动力学系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习等能力，特别适合处理需要同时考虑众多因素和条件的、含不精确和模糊信息的实际问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、控制论、机器人学、心理学、分子生物学等诸多学科有关，是一门新兴的边缘交叉学科。

神经网络示意图（摘自互联网）

神经网络是脑科学、神经心理学和信息科学等多学科的交叉研究领域,也是近年来高科技领域的一个新的研究热点，其目的是想通过对人脑的组成机理和思维方式等的研究,进而通过模拟人脑的结构和工作模式使机器具有类似人类的智能。

神经网络就是通过神经元、细胞、触突等结构组成的一个大型网络结构，用来帮助生物进行思考和行动。那么人们就想到了计算机是不是也可以像人脑一样具有这种结构，这样是不是就可以进行类似的思考。

神经元示意图（摘自互联网）

神经网络结构图（摘自互联网）

人脑神经网络系统的基本构造是神经元(神经细胞)，是处理人体内各部分之间相互信息传递的基本单元。神经生物学家研究的结果表明，人的一个大脑一般有一千个以上的神经元，每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将神经元的输出信号传递给别的神经元，其末端的许多神经末梢使得信号可以同时传送给多个神经元。树突的功能是接受来自其它神经元的信号，神经元细胞体将接受到的所有信号进行简单处理后再由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触，这一结构的特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有上百个树突及相应的突触，一个人的大脑形成一千个左右的突触。虽然每个神经元的运算功能十分简单，且信号传输速率也较低，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次运算处理能力才能完成的任务。