3 智能优化方法
3.1 智能优化方法的目标
智能优化方法，是智能管理方法中具有共性的关键技术。优化是管理的核心,既是管理的目的，又是管理的手段。在管理活动过程中的各个环节，如：规划、决策、指挥、调度、协调等，都存在优化问题。优化的思想贯穿于管理话动的全过程，优化的方法应用于管理活动各方面。
现代化管理的主要目的和任务，就是实现最优化管理。即在一定的约束条件下，取得管理效益的最优化或次优化。
传统的最优化方法主要是基于数学模型建立的，例如，包括基于代数方程（线性、非线性）模型、运筹学线性规划与非线性规划等的静态优化方法；基于微分方程或差分方程模型与最优控制理沦中的极大值原理及动态规划等的动态优化方法。由于数学模型的描述能力和求解方法存在着局限性，使传统的最优化方法在工程中的实际应用受到了很大的限制。目前，仍存在井急待解决的主要问题如下：
（1）人的因素
人是管理系统的第一重要因素，在优化问题中,必须首先考虑人的因素。例如，在优化目标和约束条件中，如何符合国家政策、贯彻领导意图、符合业主需求？又如何考虑人的文化技术素质与民俗？在优化方法中，如何发挥专家和“智囊团”的作用？如何利用管理人员的宝贵工作经验等等。
（2）多目标问题
实际管理系统的优化，往往是多目标的。例如，优质、高产、低耗、节能、少污染等目标之间通常是存在矛盾的，我们的任务是如何正确处理这些矛眉，以求得多目标优化问题的满意解。
（3）局部解问题
复杂的优化问题可能存在多个解。其中，往往有若干个具有局部极大值或极小值的局部解。智能优化方法的任务是，如何避开或跳出局部解以求得所需的全局解。
(4)不确定性
管理活动过程存在许多不确定性。例如，关系到人的思想、认识、情绪、爱好、语言、行为等问题时均具有模糊性，是不能用确定性数学模型描述的。优化的任务是：如何建立不确定系统的优化模型，以求解不确定性优化问题。
（5）未确知性
由于人们的认识能力与观测手段的限制，即使客观事物本身是确定性的，也未必能完全精确地认识和了解。因而不可避免地存在数据的不精确、知识的不充分、信息的不完备等问题。上述“未确知性”导致建立精确数字模型与求精确解的困难。
(6)维数灾
即使能建立可用的数学模型，但由于系统的复杂性，将出现因状态变量数目太多而导致的模型维数过高，或者由于存在非线性、变系数、变结构、分布参数、非平稳特性等复杂因素，导致优化计算的工作量急剧上升，出现所谓“维数灾”、“组合爆炸”或“病态解”等现象，最终造成求最优解的困难。
提出智能优化的概念和方法，就是为了寻求解决上述问题的新途径。智能优化方法，实质是人工智能的知识推理方法、人工神经网络的学习方法与运筹学、控制理论的静态、动态优化方法相结合的优化方法。例如，启发式线性规划方法、启发式动态规划方法、自学习非线性规划方法。自学习优化调度方法、自寻优风险决策方法等。该类方法适用于智能建筑工程的全过程，已开始用于通信自动化系统（CAS）、楼宇设备自动控制系统（BAS）与办公自动化系统（OAS）。
3.2智能优化方法的技术路线
为了解决上述优化任务，在人工智能与运筹学、控制理论、大系统理论等学科相结合的基础上，提出了智能化方法（Intelligent Optimization Method，简称IOM）。
智能优化方法的基本思路在于：运用人工智能、思维科学的启发推理、学习训练、联想识别与模糊逻辑等方法，并与运筹学、控制理论及大系统理论中的静态优化、动态优化、多级优化等方法相结合，以寻求解决包括人的因素、多目标、局部解、不确定、未确知、维数灾等问题的集成新途径。
(1)启发优化
运用人工智能启发推理、启发程序设计等技术，将业主需求、领导意图、人员素质、员工福利等人的因素引入到优化目标和约束条件中；将专家的知识与经验、逻辑思维的启发信息等，用于优化求解的推理和搜索过程，并与现有的优化方法相结合，研究启发优化方法，从而提高求解的速度和效率，以有助于正确处理多目标之间的矛盾，避开或跳出局部解，求得减少或延缓“维数灾”、“组合爆炸”和“病态解”，以求取满意解、全局解。