启发式算法

看论文过程中不清楚的一些基本概念，和实验室的师兄交流后大概弄懂了，整理一下总结在下面，方便以后查阅。 1.元启发式与启发式 元启发式算法（ meta-heuristic algorithm ）：基于局部搜索的一系列算法和各种种群算法 启发式算法（ heuristic algorithm ）：概念较广，可以认为讲不清道理，不能保证最优但效果好的一类方法叫启发式 2.optimal result和best result optimal result：真正的最优结果，找到这个真正的最优结果一般有两种办法。1)精确算法，树搜索尝试所有分支。2)将问题转为判定版本，比如对P-Center问题，证明找不到比当前的最长服务边短的最长服务边，可以覆盖所有客户 best result：算法找到的最优 3.P问题，NP问题，NP Complete问题，NP Hard问题（其实还没搞太明白，有时间找论文来看） P问题：存在多项式时间算法可以求解 NP问题：能在多项式时间内验证得出一个正确的解 NP Complete问题：是一个NP问题，且所有的NP问题都可以在多项式时间内约化到它 NP Hard问题：所有NP问题在多项式时间内都能约化到它，但不一定是NP问题 转载请标明出处: 启发式算法中的一些概念 文章来源: 启发式算法中的一些概念

Ŀ¼ 1. 什么是智能优化算法 2. 常用的智能优化算法 3. 智能优化算法的特点 二、模拟退火算法 1. 简介 2.算法思想及步骤 三、MATLAB代码 例1. 求解函数的最小值问题 例2. 旅行商（TSP）问题 1. 什么是智能优化算法 启发式 算法，是一种具有 全局优化 性能、通用性强且适用于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭专家经验，理论上可以在一定的时间内找到最优解或近似最优解。 补充说明： 启发式算法（Heuristic Algorithm）有两种定义： （1）基于直观或经验的构造的算法，对优化问题的实例能给出可接受的计算成本（计算时间、占用空间等）内，给出一个近似最优解，该近似解于真实最优解的偏离程度不一定可以实现预计； （2）启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定保证所得的解是可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。 总之，启发式算法可用于解决求解最优解代价比较大的问题，但是此类算法不保证得到最优解，求解结果不稳定且算法效果依赖于实际问题和设计者的经验。 2. 常用的智能优化算法 遗传算法（Genetic Algorithm, GA) 模拟退火算法（Simulated Annealing, SA) 禁忌搜索算法（Tabu Search, TS) 神经网络 （Neural

1 组合优化 组合优化是研究工程中存在大量有限个可行解的问题，这些问理论上可以用枚举法实现，但是一般的实际工程规模都很大，可行解的数量非常巨大，所以枚举法并不适用。 组合优化中最重要的问题 就是如何利用已有知识来减小问题空间，进而有效的处理组合爆炸。 目前常用的优化算法有智能优化算法、启发式算法、以及精确算法 。 精确算法适用于求解小规模问题，所以在实际工程中并不适用。 智能优化算法包括遗算法、模拟退火算法等，由于其自身的优越性使其广泛用于优化领域中。 启发式算法和精确算法相对应，是一种根据经验去发现的算法，由于其能迅速解决而广泛用。 2 遗传算法 遗算法(GeneticAlgorithm，GA)是20世纪60年代，人们热衷于借鉴生物界的“适者生存，优胜劣汰”的化规律，探索有效的算法来理复的优化问题。 它首先 由美国的Holland教授于1975年在其专著《AdaptationinNaturalandArtificialSys-tems》中提出。遗算法的研究引起了全世界学者的广泛关注，自1985年以来，关于遗算法的学术会议和研讨会在国际上多次召开，这给遗算法的研究提供了国际交流和学习的机会。 遗算法模仿生物程中基因的选择、交叉和变异机理，在每次的运算中将所有的初始个体利用上述机理这些个体行组合，产生新一代的个体群，反复行上述步骤直到足设置的指标。