摘  要： 通過分析SCI Web版對智能優化算法文獻的收錄情況，統計分析了2001～2010年間SCI收錄的有關智能優化算法論文的情況。從時間分布、國家分布、作者機構分布等方面進行統計，分析智能優化算法研究的現狀和發展趨勢。
關鍵詞： 智能優化算法； SCI論文； 文獻計量

    近年來，隨著社會經濟和科技日新月異的發展，生產的急劇擴大與全球化，各種企業、組織規模迅速增長，優化問題的日趨復雜，一些新穎的智能優化算法，如人工神經網絡、混沌、遺傳算法、模擬退火、禁忌搜索及其混合優化策略等，通過模擬或揭示某些自然現象和過程而得到發展，其思想和內容涉及數學、物理學、生物進化、人工智能、神經科學和統計力學等方面，為解決復雜優化問題提供了新的思路和手段[1]。本文從2001～2010年SCI(Science Citation Index)收錄的相關論文情況，分析智能優化算法領域的研究動態，從時間分布、國家分布、作者機構分布，被引頻次等多個方面進行統計，分析智能優化算法研究的分布現狀和發展，為相關方向研究者提供參考。
1 SCI收錄論文分析
1.1 數據來源
    由于科學引文索引SCI數據庫收錄的文獻能覆蓋全世界最重要和最有影響力的科技期刊, 而且能提供文獻間的引證關系，所以運用其分析SCI Web版對智能優化算法文獻的收錄情況。以 “((ant colony) or (genetic algorithm) or (particle swarm) or (neural network) or (artificial immune) or (simulated annealing ) or (tabu search) or (greedy randomized adaptive)) and optimization or (heuristic algorithms) or (intelligent optimization )”為主題檢索。檢索時間范圍限定為2001年至2010年。檢索到文獻33,232篇，運用文獻計量學方法對文獻的時間分布、期刊分布、作者機構分布、被引頻次統計等多方面進行分析探討。
1.2 年代及國家/地區分布
    某領域期刊論文在時間上的分布從一定程度上反映了該領域學術研究的理論水平和發展速度。表1為近10年SCI收錄的關于智能優化算法論文的分布情況。

    從表1可以看出，研究智能優化算法的論文數量從2001~2010年之間，雖然在2007年有所回落，但整體呈穩步快速上升趨勢。2008年以前，美國始終占據發文量首位，而2008年之后，中國成為該領域研究最活躍的國家，中國在該領域的研究已經獲得世界范圍內的認可。智能優化算法論文被SCI 收錄的國家/地區近100個,每年還在不斷增加，其中中國和美國是研究智能優化算法的主干力量。
1.3 期刊以及學科類別分布
    經統計，檢索得到的33 232篇論文分布在2 074種文獻上。其中期刊文獻32 669篇，會議文章5 491篇，顯而易見，智能優化算法相關文章還是以期刊作為主要發表載體。
　    表2列出了發文量前10的期刊，可以看出智能優化算法相關論文主要發表在以計算機科學、運籌學、人工智能以及制造技術為中心的期刊上，這也與檢索得出的學科類別分布結果相吻合，很多論文是跨學科涉及多個領域的，其中工程、計算機科學、運籌學、數學以及自動控制系統是與智能優化算法最密切相關的領域。

    這一現象與智能優化算法所能解決的問題是緊密聯系的，智能優化算法能在可接受時間內解決復雜組合優化問題尤其是NP問題。生產生活很多領域都會遇到復雜的組合優化問題的求解，包括如資源分配、生產安排、資金預算、空間計算、證券組合分析以及通信、運輸網絡設計、超大規模集成電路設計等[2]。在統計過程中發現，智能優化算法近年來還被應用到生物信息學、智能數據挖掘與知識發現等新興領域。實際需求帶動了智能優化算法的迅猛發展，使其應用范圍也越來越廣。
1.4 研究機構分布
     筆者統計了2001~2010年10年間智能優化算法領域機構發表論文情況，發文總量排名如下：1.印度理工學院（634），2.新加坡國立大學(393),3.香港理工大學（358），4.中科院（303），5.新加坡南洋理工大學（292）。從發文機構每年論文數量來看，近10年發文數量前五的機構中，大學占了很大比例，這說明大學已是智能優化算法國際研究領域中產生成果的主力軍。其中印度理工學院在統計的10年中7年都占據發文量榜首，可見該校是智能優化算法領域研究重點機構。而我國的清華大學、中科院、香港理工大學等幾所機構也均是智能優化算法研究領域的核心機構。還可發現亞洲研究結構相對集中，而美國在智能優化算法領域雖然發文量大，但發文機構比較分散，在機構統計中所占比例偏低。
1.5 被引頻次統計
　  被引頻次說明了一篇文章的質量和影響力高低，也成為評定學者學術水平的指標之一。表3分析了前5位SCI收錄有關智能優化算法的論文國家/地區的被引頻次情況，表4給出了筆者挑選出各國家/地區具有代表性的五所發文量、被引頻次均高的發文機構，列出了被引頻次情況。以上被引頻次統計截止于2011年11月23日SCI Web版收錄的文章。
　　表3、表4中的被引頻次是指國家/地區、機構在2001~2010年間發表的文章總數,在2011年11月23日之前，平均每年被引次數，這個指標顯示了該國家/地區以及機構發表文章被引的總體情況。而篇均被引頻次是指總被引次數除以總發文數量，這個指標顯示了一個國家/地區和機構發表文章的權威性以及重要程度。

　　從表3可以了解到我國在智能優化算法領域發文數量高，但被引頻次和篇均被引頻次都偏低，這說明我國在智能優化算法領域的研究還需進一步深入和提高，以發文量取勝還不足以證明整體學術水平處于領先地位。而美英兩國的篇均被引頻次最高，尤其美國發文量最大，篇均被引頻次較高，顯示了美英兩國的研究成果在該領域有較高的影響力和權威性。
　　表4統計了10年來該領域多個國家/地區相對突出的研究機構，其中印度理工學院處于領先地位，統計發現該機構作者Deb K、Pratap A、Agarwal S等，發表于“IEEE Transactions on Evolutionary Computation”期刊，題目為“A fast and elitist multiobjective genetic algorithm: NSGA-II.” [3]的文章被引頻次高達2738次，排在被引文章首位。表4中清華大學的較高篇均被引頻次說明了該校在智能優化算法領域也有著舉足輕重的地位。其中來源于清華大學的“Expected value of fuzzy variable and fuzzy expected value models”一文，發表于“IEEE Transactions on Fuzzy Systems”[4]期刊，被引頻次490次，是中國在智能優化算法領域被引頻次最高的文章。筆者統計的這兩篇排名首位的文章均是關于遺傳算法方面的研究。伊利諾斯大學、新加坡國立大學分別是美國和新加坡在智能優化算法領域發揮重要研究作用的機構。
2 結論
　　以智能優化算法領域最近十年間發表在SCI的文獻為統計依據，通過對研究論文的統計分析，總結出智能優化算法領域的文獻呈現出以下特點：
　　(1)分布集中，2001~2010年十年以來, 美國、中國、臺灣、印度和英國對智能優化算法的研究成果最多。其中以美國和中國作為智能優化算法領域研究的主力軍，又以亞洲研究機構分布最為密集，多個大學和研究院所均是該領域重要研究機構。其中以印度理工學院最為突出,發文量和被引頻次均占據所有研究機構統計量首位。
　　(2)范圍廣泛，主要體現在智能優化算法的應用領域上，文獻所屬學科類別涉及多個領域，以工程、計算機科學、運籌學、數學以及自動控制系統為重點，廣泛應用于交通運輸、通信網絡設計、工程優化設計等生產生活中。
　　(3)發展趨勢良好，通過對2001~2010年的文獻數量和年代分布的分析表明，智能優化算法領域的論文數量增長迅速，并且保持穩定的增長勢頭。隨著社會經濟和科技日新月異的發展，生產的急劇擴大與全球化，各種企業、組織規模迅速增長，優化問題日趨復雜，從研究內容上看，這10年來智能優化算法得到了長足的發展和完善。從初期僅靠單一的智能優化算法解決問題并針對算法參數論證試驗以求提高算法性能，到目前著重強調混合策略的開發（如遺傳算法和變鄰域搜索的混合；粒子群算法和人工免疫算法的混合；遺傳算法和禁忌搜索算法的混合等），克服單一算法的不足來解決各種大規模難解的組合優化問題[5]。
    我國在智能優化算法領域的發展有目共睹，在2001~2010年中，我國被SCI收錄論文共5 297篇，占同期論文數量15.94%，被收錄論文數量的增長速度最快，平均年增長率達到45.4%。從2009年開始成為被SCI收錄論文數量最多的國家。中科院、清華大學和香港理工大學等科研院所是我國在智能優化算法領域的重點研究機構，發文量數量多、篇均被引頻次較高。從本文統計結果來看，也可發現我國在智能優化算法研究領域尚存在一些不足之處，被引頻次和篇均被引頻次較低，說明我國研究者在對新領域的開拓、研究方法的創新以及算法模型的突破性改進等多方面還需進一步努力。在這種情況下，如何選擇學術發展方向，突破學術研究瓶頸是一個重大挑戰[6]。
參考文獻
[1] 王凌,智能優化算法及其應用[M].北京：清華大學出版社,2003.
[2] 周雅蘭,智能優化算法的混合策略分析、設計和建模[J]. 計算機應用研究. 2010,27(12): 4424-4426.
[3] DEB K, PRATAP A, AGARWALL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002,6,(2):182-197.   
[4] LIU B D， LIU Y K. Expected value of fuzzy variable and fuzzy expected value models[J]. 2002，10(4):445-450.
[5] KIM K J， CHO S B. A comprehensive overview of the applications of artificial life[J]. Artificial Life, 2006,12(1):153-182.
[6] RAJKUMAR R,SRICHAND H, ROBERTO T. Recent advances in engineering design optimisation: Challenges and future trends[J]. CIRP Annals-Manufacturing Technology, 2008,57(2):697-715.