传统优化算法VS智能优化算法传统优化算法优点传统优化算法缺点遗传算法的优点：遗传算法缺点特征的比较
传统优化算法的优点
1 )利用了解可微等空间特性。
2 )理论完备，计算量少。
3 :收敛速度快。
4 )有确定的终止标准。
传统优化算法的缺点1 :只能求出优化问题的局部最优解。
2 )求解结果高度依赖于初始值。
遗传算法的优点：1:可以求出优化问题的全局最优解。
2 )优化结果与初始条件无关。
3 :算法独立于求解域。
4 )鲁棒性(抗干扰)强。
5 )适用于求解复杂的优化问题。
6 )应用广泛。
遗传算法的缺点1 :收敛速度慢。
2 )局部搜索能力低。
3 :控制变量多。
4 )没有确定的终止标准。
特征比较传统的优化算法一般针对结构化问题，比较有为明确的问题和条件描述，如线性规划、二次规划、整数规划、混合规划、约束和无约束等，即有明确的结构信息； 智能优化算法一般面向普遍问题描述，一般缺乏结构信息。
传统的优化算法大多属于凸优化范畴，唯一明确的全局最优点智能优化算法面向多极值问题，如何防止和可能陷入局部优化
对于单极值问题，传统算法在大多数情况下都是足够的，但对于智能算法没有任何优点的多极值问题，智能优化算法通过其有效设计，在跳出局部优化和收敛到一个点之间有很好的平衡， 从而实现全局最大的优势，但有时局部最优也是可以接受的，因此传统算法应用空间也很大，有可能对特殊结构进行改进。
传统的优化算法一般是确定性算法，有固定的结构和参数，计算复杂度和收敛性可以理论分析； 智能优化算法大多是启发性算法，可以定性分析但难以定量证明，而且很多算法基于随机特性，其收敛性一般是概率意义的，实际性能不可控，收敛速度慢，计算计算的速度慢
btw，你老师的话“没办法”基本上是正确的。 如果有确定性问题结构描述和对应的传统算法，谁会选择计算复杂、结果无法控制的智能算法呢？ 只有在传统算法难以得到可接受的最优解(实际问题中往往不要求全局最优，智能算法也不能100%保证找到全局最优)的情况下，智能算法才是为什么智能算法的研究更受欢迎，因为前者剩下的是硬骨头，小小的进步需要强大的数学基础，但智能算法本科生磕头写作——质量高的文章仍然很难。