超启发式算法
启发式算法（heuristic）
启发式算法（heuristic）WHY：1.有时候最优解是难以找到，甚⾄是⽆法找到的，此时我们希望去找⼀个逼近最优解的解。
2.有时⾮最优解也可接受。
WHAT：我认为启发式算法称为「探索式算法」or「经验学习法」更加合适。
有⼀些不错的说法：启发式⼀般⼜称⼈⼯智能算法或全局优化算法。
启发式算法是指具有⾃学习功能，可利⽤部分信息对计算产⽣推理的算法。
...ps：这部分可见：朗⽂对heuristic的解释是：The use of experience and practical efforts to find answers to questions or to improve performance.翻译过来就是：依赖于过去的经验来找到问题的解决⽅式或者提⾼表现。
维基百科词条heuristic，将其定义为基于经验的技巧（technique），⽤于解决问题、学习和探索。
我们可以将heuristic等同于经验⼯作法（rule of thumb）、有依据的猜测（educated guess, a guess beased on a certain amount of information, and therefore likely to be right）和常识（由经验得来的判断⼒⽽⾮准确测量）。
启发式算法（Heuristic Algorithm）定义（我赞同的）：相对于最优化算法。
启发式算法是基于直觉或已有经验的算法，能够在可接受的计算成本（计算时间、占⽤空间等）内去搜寻最好的解，但是不保证能够找到可⾏解或最优解，在多数情况下⽆法阐述所得解⽤最优解的近似程度。
其特点是在解决问题时,利⽤过去的经验,选择已经⾏之有效的⽅法，⽽不是系统地、以确定的步骤去寻求答案（指算法）。
相对于⼀般的算法把各种可能性都⼀⼀进⾏尝试，最终能找到问题的答案，启发式算法（启发式⽅法）则是在有限的搜索空间内，⼤⼤减少尝试的数量，能迅速地达到问题的解决。
资源受限项目调度问题文献综述
资源受限项目调度问题综述摘要针对资源受限项目调度问题，总结国内外项目调度的发展过程及研究成果。
在对问题的类型进行分类的基础上，结合大量文献对常见的算法进行描述并重点介绍了关键技术的研究状况。
进一步地，将资源受限项目调度问题做进一步的拓展，简略介绍多目标、多项目、任务可拆分的项目调度问题。
最后对问题进行总结，并提出自己的看法。
0 引言现代项目越来越趋于大型化、复杂化，要求工期更短、成本更低。
再加上行业细分越来越发达这种新情况给项目管理带来了更高的要求。
如何在更短时间内、在保证质量的前提下，以更低的成本完成项目，成为项目管理人员关心的问题。
在项目运作过程中，资源受限项目调度问题RCPSP(resource-constrained project scheduling problem)是一个重要的优化问题，它是最常见的生产调度问题，是项目管理中最为经典和核心的问题之一1项目调度发展过程项目调度问题自20世纪中期被提出来，传统的计划技术有甘特图（又称横道图，Gant Chart,Gc）、关键活动图、网络计划技术。
几种典型的网络计划技术有：关键路径发（Critical Path Method,CPM）、项目计划评审技术（Program Evaluation and Review Technique,PERT）、优先图方法（PDM）、图解评审技术（Graphical Evaluation and Review,GERT）、风险评审技术（Venture Evaluation and Review Technique,VERT）.最初被广泛应用于项目进度计划的工具是甘特图技术，它用二维坐标的形式，用线条在二维空间中表似乎出整个项目期间计划和实际的活动完成情况，直观表明项目中所含各项活动的执行顺序，以及每项活动的开始/结束时间和持续时间。
该方法形象直观，易于掌握，但是不能体现工作间的相互依赖关系，不能体现工作过早开始或者过完开始所造成的后果。
混合超启发式法求解大规模VRP的优化研究
的求 解提 供 了新 的 求 解 思路 。 关键词 ： 大规模 车辆 路 径 问题 ； 量 约束 ； 容 最近 邻 搜 索 ； 忌搜 索 ； 禁 混合 启发 式 算 法 中图分 类 号 ：Ｐ ０ ． Ｔ３１ ６ 文献标识码： Ａ
车辆路径问题（ｅｉｅ ｏｔ ｇ ｒ ｌ Ｖ Ｐ 是一个涉及运筹学、 ｖｈ ｌｒ ｉ ｏ ｅ Ｒ ） ｃ ｕ ｎ ｐ ｂ ｍ， 管理学 、 交通运输 、 计算机科学等领域
第１ 期
杜玲 玲 ： 合 超 启 发 式 法 求解 大 规模 Ｖ Ｐ 优 化研 究 混 Ｒ 的
６ ３
近年来 ， 研究 者采 用结合 局部 最近 邻搜 索法 （ ｅｒｓ ｎ ｉ ｂｒ ｅ ｒｈ， Ｎ ） ｎａｅｔ ｅｇ ｏ ａｃ Ｎ Ｓ 的混合启 发式算 法设计 了一 ｈ ｓ
些求 解 Ｃ Ｒ Ｖ Ｐ的方 法 。如 Ｃ ｉ ｉ ｒ ｐｍ等 出 了一 种 混合 遗 传算 法 ； ａ ｇ ｎａ ｅ ｓ 提 Ｔ ｎ ｔｎ 等 提 出一 种两 个 种群 的混 Ｍｏ 合遗 传算 法 ； ｈ ｎ Ｗｕ 出 了一种 基 于 “ 录” “ 忌表 ” Ｃ ｅ和 ｔ提 “ 记 和 禁 的混 合启 发式 算法 ， ｉ ｃ ｅｓ和 Ｒｇ ｉｉ Ｂ ａ ｈ ｓｉ ｉｈｎ ｎ 提 出 了构造 性混 合算 法 ， ａｈ ｒ ｄｓ 出 了基 于模 拟 退火 和禁 忌搜 索 （ａ ｕｓａｃ ，Ｓ ”自 混合 启发 式算 Ｚ ｃ ａｉ ｉ等”提 ａ ｔ ｅｒｈ Ｔ ）。勺 ｂ １
超启发式算法范文
超启发式算法范文超启发式算法是一种使用多个启发式算法以及其他优化方法相结合的算法，目的是在解决复杂问题时提高效率和解决质量。
该算法通常用于在有限的计算资源和时间内找到一个近似最优的解。
本文将介绍超启发式算法的原理、应用和优势，并以图像识别问题为例进行详细说明。
超启发式算法的原理是通过使用多个启发式算法以及其他优化方法相互协作来提高解决问题的效率和解决质量。
该算法将多个启发式算法看作是多个策略，并在每次迭代中选择其中一个或多个进行。
通过不同的启发式算法之间的相互竞争和合作，可以更好地探索问题的解空间，并找到更好的解。
超启发式算法可以应用于各种复杂问题的求解，如组合优化问题、图形分割和图像识别等。
它通过结合多个启发式算法的优点，在过程中快速地收敛到最优解或近似最优解。
此外，超启发式算法还可以通过在过程中动态地选择启发式算法或调整其参数来进一步改善解决质量。
在图像识别问题中，超启发式算法可以应用于图像分割、目标检测和图像识别等任务。
传统的图像识别算法通常是基于单个启发式算法的，如边缘检测、模板匹配和机器学习等。
然而，这些算法往往不能很好地解决复杂场景下的图像识别问题，如模糊图像、光照变化和遮挡等。
超启发式算法可以通过组合多个启发式算法，如边缘检测、颜色特征、纹理特征和深度学习等，来提高图像识别的准确性和鲁棒性。
具体来说，超启发式算法可以将多种图像特征提取方法和分类器相结合，如HOG特征、SIFT特征、深度学习特征和支持向量机分类器等。
在过程中，超启发式算法可以根据不同的图像特征和分类器的优势，在每次迭代中选择其中一个或多个进行。
通过不同图像特征和分类器的多样性和互补性，超启发式算法可以更好地捕捉图像的视觉信息，并识别出复杂场景下的目标。
超启发式算法的优势在于它能够充分利用不同启发式算法的优点，并通过相互竞争和合作来提高效率和解决质量。
与传统的单个启发式算法相比，超启发式算法能够更好地探索解空间，并找到更好的解。
超启发式算法
超启发式算法研究展望
虽然超启发式算法研究已经取得了很多令人振奋的 成果， 成果，但是围绕它的算法构造和实例求解阶段还存在 一系列重要的问题亟待解决。 一系列重要的问题亟待解决。 算法构造阶段 实例求解阶段
超启发式算法研究展望
算法构造阶段： 算法构造阶段：超启发式算法搜索空间的特征分析及 应用问题
定义
如上图给出了超启发式算法的概念模型。 如上图给出了超启发式算法的概念模型。该模型分 为两个层面：在问题域层面上， 为两个层面：在问题域层面上，应用领域专家根据 自己的背景知识，在智能计算专家协助下， 自己的背景知识，在智能计算专家协助下，提供一 系列LLH和问题的定义、评估函数等信息； LLH和问题的定义 系列LLH和问题的定义、评估函数等信息；在高层次 启发式方法层面上， 启发式方法层面上，智能计算专家设计高效的管理 操纵机制，运用问题域所提供的LLH LLH算法库和问题特 操纵机制，运用问题域所提供的LLH算法库和问题特 征信息，构造出新的启发式算法。 征信息，构造出新的启发式算法。
定义
什么是超启发式算法？ 什么是超启发式算法？ 超启发式算法（Hyper超启发式算法（Hyper-Heuristic Algorithm）提供了一种高层次启发式方法， Algorithm）提供了一种高层次启发式方法， 通过管理或操纵一系列低层次启发式算法 LowHeuristics，LLH）， ），以产生新 （Low-Level Heuristics，LLH），以产生新 的启发式算法。 的启发式算法。 超启发式算法vs.传统启发式算法： 超启发式算法vs.传统启发式算法： vs.传统启发式算法
基于元启发式算法的超启发式算法
蚁群算法(ant colony optimization)又称蚂蚁算法 蚁群算法 又称蚂蚁算法 是一种用来在图中寻找优化路径的机率型算法。 ，是一种用来在图中寻找优化路径的机率型算法。其 主要特点就是:通过正反馈 通过正反馈、 主要特点就是 通过正反馈、分布式协作来寻找最优路 这是一种基于种群寻优的启发式搜索算法。 径。这是一种基于种群寻优的启发式搜索算法。它充 分利用了生物蚁群能通过个体间简单的信息传递， 分利用了生物蚁群能通过个体间简单的信息传递，搜 索从蚁巢至食物间最短路径的集体寻优特征， 索从蚁巢至食物间最短路径的集体寻优特征，以及该 过程与旅行商问题求解之间的相似性。得到了具有NP 过程与旅行商问题求解之间的相似性。得到了具有 难度的旅行商问题的最优解答。同时， 难度的旅行商问题的最优解答。同时，该算法还被用 于求解Job-Shop调度问题、二次指派问题以及多维 调度问题、 于求解 调度问题 背包问题等， 背包问题等，显示了其适用于组合优化类问题求解的 优越特征。
启发式算法介绍
启发式算法介绍
启发式算法（Heuristic Algorithm）是一种基于直观或经验构造的算法，主要用于解决复杂的优化问题。
其基本思想是模拟人类或自然界中蕴含的智慧和经验来寻找问题的最优解。
相对于传统的数学方法，启发式算法更加注重在近似解空间中进行搜索，从而能够快速找到较好的结果。
启发式算法有许多类型，包括但不限于遗传算法、鱼群算法、蚁群算法、粒子群算法等。
这些算法都提供了不同的机制来解决不同的问题，并且通常具有良好的适应性和可扩展性。
启发式算法常被应用于组合优化、约束优化、排队论、路径规划、生产调度等领域，并被证明在某些情况下能够为问题提供更好的解决方案。
然而，启发式算法也存在一些局限性。
例如，它在某些特殊情况下可能会得到很坏的答案或效率极差，但造成这些特殊情况的数据组合可能永远不会在现实世界出现。
因此，在使用启发式算法时，需要综合考虑其效果和实际问题的需求，选择合适的算法。
总之，启发式算法是一种基于经验和直观的算法，通过模拟自然界或人类的智慧来寻找问题的最优解。
它能够快速地找到较好的结果，但也需要考虑其局限性和适用范围。
启发式算法详细讲解
启发式算法详细讲解
启发式算法（Heuristic Algorithm）也被称为启发算法或者近似算法，是一种通过启发式搜索的方式来解决问题的算法。
启发式算法与精确算法不同，它不保证最优解，但通常能够在合理的时间内找到较好的解。
启发式算法的基本思想是根据问题的特性和经验，使用一些启发式的规则或策略来指导搜索过程，以此来引导算法在搜索空间中找到可能更接近最优解的解。
具体来说，启发式算法通常包含以下步骤：
1. 初始解生成：通过某种方法生成一个初始解，可以是随机生成、基于经验的启发式规则生成等。
2. 邻域搜索：在当前解的周围搜索邻域解，通过一系列的局部搜索操作，如交换、插入、删除等，来生成新的解。
3. 评估函数：对新生成的解进行评估，评估函数用来衡量解的好坏程度，可以是目标函数值、代价函数值、质量评估值等。
4. 更新解：根据评估函数的结果，更新当前解为评估值更好的解。
5. 终止条件：根据预设的终止条件，判断是否终止搜索过程。
终止条件可以是找到满足要求的解或达到最大迭代次数等。
启发式算法的性能依赖于初始解的生成和邻域搜索操作的设计，以及评估函数的准确性。
在实际应用中，针对不同的问题，可以使用不同的启发式算法。
常见的启发式算法有贪婪算法、模拟退火算法、遗传算法、禁忌搜索等。
需要注意的是，启发式算法不能保证找到全局最优解，但可以在合理的时间内找到接近最优解的解。
启发式算法常常应用于那些NP难问题或解空间很大的问题中，可以在较短的时间内找到近似最优解，是一种非常实用的算法设计思想。
什么是启发式算法启发式算法的运算效能
什么是启发式算法启发式算法的运算效能启发式算法是相对于最优化算法提出的。
一个问题的最优算法求得该问题每个实例的最优解。
那么你对启发式算法了解多少呢?以下是由店铺整理关于什么是启发式算法的内容，希望大家喜欢!启发式算法的概括内容计算机科学的两大基础目标，就是发现可证明其执行效率良好且可得最佳解或次佳解的算法。
而启发式算法则试图一次提供一或全部目标。
例如它常能发现很不错的解，但也没办法证明它不会得到较坏的解;它通常可在合理时间解出答案，但也没办法知道它是否每次都可以这样的速度求解。
有时候人们会发现在某些特殊情况下，启发式算法会得到很坏的答案或效率极差，然而造成那些特殊情况的数据组合，也许永远不会在现实世界出现。
因此现实世界中启发式算法常用来解决问题。
启发式算法处理许多实际问题时通常可以在合理时间内得到不错的答案。
有一类的通用启发式策略称为元启发式算法(metaheuristic)，通常使用乱数搜寻技巧。
他们可以应用在非常广泛的问题上，但不能保证效率。
近年来随着智能计算领域的发展，出现了一类被称为超启发式算法(Hyper-Heuristic Algorithm)的新算法类型。
最近几年，智能计算领域的著名国际会议(GECCO 2009, CEC 2010，PPSN 2010)分别举办了专门针对超启发式算法的workshop或session。
从GECCO 2011开始，超启发式算法的相关研究正式成为该会议的一个领域(self* search-new frontier track)。
国际智能计算领域的两大著名期刊Journal of Heuristics和Evolutionary Computation也在2010年和2012年分别安排了专刊，着重介绍与超启发式算法有关的研究进展。
启发式算法的最短路径所谓的最短路径问题有很多种意思，在这里启发式指的是一个在一个搜寻树的节点上定义的函数h(n)，用于评估从此节点到目标节点最便宜的路径。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于元启发式算法的超启发式算法
禁忌（ 禁忌（Tabu Search）算法是一种亚启发式 ）算法是一种亚启发式(metaheuristic)随机搜索算法，它从一个初始可行解出发 随机搜索算法， 随机搜索算法 选择一系列的特定搜索方向(移动 作为试探， 移动)作为试探 ，选择一系列的特定搜索方向 移动 作为试探，选择 实现让特定的目标函数值变化最多的移动。 实现让特定的目标函数值变化最多的移动。为了避免 陷入局部最优解， 搜索中采用了一种灵活的 搜索中采用了一种灵活的“ 陷入局部最优解，TS搜索中采用了一种灵活的“记忆 技术，对已经进行的优化过程进行记录和选择， ”技术，对已经进行的优化过程进行记录和选择，指 导下一步的搜索方向，这就是Tabu表的建立。 表的建立。 导下一步的搜索方向，这就是 表的建立
超启发式算法与启发式算法具有一定的相似性： 超启发式算法与启发式算法具有一定的相似性：它们都是 在高维（搜索）空间上进行查找.所不同的是 所不同的是,超启发式算法的搜 在高维（搜索）空间上进行查找 所不同的是 超启发式算法的搜 索空间上每个点代表LLH的组合 的组合,而启发式算法搜索空间上的每个 索空间上每个点代表LLH的组合,而启发式算法搜索空间上的每个 点代表问题实例的解。因此,针对启发式算法的研究思路对于超启 点代表问题实例的解。因此 针对启发式算法的研究思路对于超启 发式算法具有很好的参考意义。 发式算法具有很好的参考意义。
超启发式算法
定义
什么是启发式算法？ 什么是启发式算法？ 一个基于直观或经验构造的算法， 一个基于直观或经验构造的算法，在可接受 的花费(指计算时间 占用空问等)下给出待解 指计算时间、 的花费 指计算时间、占用空问等 下给出待解 决优化问题每一个实例的一个可行解， 决优化问题每一个实例的一个可行解，该可 行解与最优解的偏离程度不一定事先可以预 计。 启发式算法是一种技术， 启发式算法是一种技术，这种技术使得在 可接受的计算费用内去寻找最好的解， 可接受的计算费用内去寻找最好的解，但 不一定能保证所得解的可行性和最优性， 不一定能保证所得解的可行性和最优性， 甚至大多数情况下， 甚至大多数情况下，无法阐述所得解同最 优解的近似程度。 优解的近似程度。
基于元启发式算法的超启发式算法
蚁群算法(ant colony optimization)又称蚂蚁算法 蚁群算法 又称蚂蚁算法 是一种用来在图中寻找优化路径的机率型算法。 ，是一种用来在图中寻找优化路径的机率型算法。其 主要特点就是:通过正反馈 通过正反馈、 主要特点就是 通过正反馈、分布式协作来寻找最优路 这是一种基于种群寻优的启发式搜索算法。 径。这是一种基于种群寻优的启发式搜索算法。它充 分利用了生物蚁群能通过个体间简单的信息传递， 分利用了生物蚁群能通过个体间简单的信息传递，搜 索从蚁巢至食物间最短路径的集体寻优特征， 索从蚁巢至食物间最短路径的集体寻优特征，以及该 过程与旅行商问题求解之间的相似性。得到了具有NP 过程与旅行商问题求解之间的相似性。得到了具有 难度的旅行商问题的最优解答。同时， 难度的旅行商问题的最优解答。同时，该算法还被用 于求解Job-Shop调度问题、二次指派问题以及多维 调度问题、 于求解 调度问题 背包问题等， 背包问题等，显示了其适用于组合优化类问题求解的 优越特征。
基于随机选择的超启发式算法
带确定性接受条件的随机超启发式算法： 带确定性接受条件的随机超启发式算法：每当一 LLH被选中时 若它能改进当前解，则被采用； 被选中时， 个LLH被选中时，若它能改进当前解，则被采用；若 所得解超过一个指定的阈值，也可被采用。 所得解超过一个指定的阈值，也可被采用。在超启 发式算法执行的初始阶段， 发式算法执行的初始阶段，该阈值设定为初始解的 目标函数值。随着超启发式算法的迭代执行， 目标函数值。随着超启发式算法的迭代执行，该阈 值按照一个固定的比例下降。利用这种策略， 值按照一个固定的比例下降。利用这种策略，在超 启发式算法执行初期， 启发式算法执行初期，尽管那些不能改进当前解的 LLH容易被采纳 但随着执行进程不断深入， 容易被采纳， LLH容易被采纳，但随着执行进程不断深入，它们会 越来越少地被采纳。 越来越少地被采纳。 带延迟接受条件的超启发式算法：在该工作中， 带延迟接受条件的超启发式算法：在该工作中， 超启发式算法由一系列LLH LLH随机组合形成新的启发式 超启发式算法由一系列LLH随机组合形成新的启发式 算法。每一个被选中的LLH将用于当前解的优化， LLH将用于当前解的优化 算法。每一个被选中的LLH将用于当前解的优化，若 所得到的新解质量比M 是预先设定的一个参数） 所得到的新解质量比M（M是预先设定的一个参数） 步前的解质量更好，则该LLH被采纳。 LLH被采纳 步前的解质量更好，则该LLH被采纳。
定义
如上图给出了超启发式算法的概念模型。 如上图给出了超启发式算法的概念模型。该模型分 为两个层面：在问题域层面上， 为两个层面：在问题域层面上，应用领域专家根据 自己的背景知识，在智能计算专家协助下， 自己的背景知识，在智能计算专家协助下，提供一 系列LLH和问题的定义、评估函数等信息； LLH和问题的定义 系列LLH和问题的定义、评估函数等信息；在高层次 启发式方法层面上， 启发式方法层面上，智能计算专家设计高效的管理 操纵机制，运用问题域所提供的LLH LLH算法库和问题特 操纵机制，运用问题域所提供的LLH算法库和问题特 征信息，构造出新的启发式算法。 征信息，构造出新的启发式算法。
超启发式算法
基于随机选择的超启发式算法 基于贪心策略的超启发式算法 基于元启发式算法的超启发式算法 基于学习的超启发式算法
基于随机选择的超启发式算法
该类超启发式算法是从给定的集合中随机选择LLH， 该类超启发式算法是从给定的集合中随机选择LLH， LLH 组合形成新的启发式算法。这类超启发式算法在本领 组合形成新的启发式算法。 域研究中较早提出，其特点是结构简单、容易实现。 域研究中较早提出，其特点是结构简单、容易实现。 进一步细分为：纯随机、蒙特卡罗、 进一步细分为：纯随机、蒙特卡罗、带确定性接受 条件的随机、带延迟接受条件的随机等。 条件的随机、带延迟接受条件的随机等。 在纯随机超启发式算法中，每一个被选中的LLH LLH即使 在纯随机超启发式算法中，每一个被选中的LLH即使 不能改进问题实例的当前解， 不能改进问题实例的当前解，也总能应用于问题实例的 求解。 求解。 在蒙特卡罗超启发式算法中，若随机被选中的LLH不 在蒙特卡罗超启发式算法中，若随机被选中的LLH不 LLH 能改进当前问题实例解，则按照一定的概率（ 能改进当前问题实例解，则按照一定的概率（此概率通 常根据“执行该LLH前后的” LLH前后的 常根据“执行该LLH前后的”问题实例解的目标函数的 值差计算）来决定是否采用该LLH LLH。 值差计算）来决定是否采用该LLH。
基于元启发式算法的超启发式算法
遗传算法(Genetic Algorithm)是一类借鉴生物界的 遗传算法 是一类借鉴生物界的 进化规律(适者生存 优胜劣汰遗传机制)演化而来的 适者生存， 进化规律 适者生存，优胜劣汰遗传机制 演化而来的 随机化搜索方法。其主要特点:1)直接对结构对象进行 随机化搜索方法。其主要特点 直接对结构对象进行 操作，不存在求导和函数连续性的限定； 具有内在 操作，不存在求导和函数连续性的限定；2)具有内在 的隐并行性和更好的全局寻优能力； 采用概率化的 的隐并行性和更好的全局寻优能力；3)采用概率化的 寻优方法，能自动获取和指导优化的搜索空间， 寻优方法，能自动获取和指导优化的搜索空间，自适 应地调整搜索方向，不需要确定的规则。 应地调整搜索方向，不需要确定的规则。遗传算法的 这些性质，已被人们广泛地应用于组合优化、 这些性质，已被人们广泛地应用于组合优化、机器学 信号处理、自适应控制和人工生命等领域。 习、信号处理、自适应控制和人工生命等领域。它是 现代有关智能计算中的关键技术。 现代有关智能计算中的关键技术。
基于元启发式算法的超启发式算法
该类超启发式算法采用现有的元启发式算法（ 该类超启发式算法采用现有的元启发式算法（作 为高层次启发式方法）来选择LLH。这些元启发式算 为高层次启发式方法）来选择 。 法包括蚁群算法、禁忌算法、 法包括蚁群算法、禁忌算法、可变邻域搜索和遗传算 法等。 法等。
元启发式算法：启发式算法的改进， 元启发式算法：启发式算法的改进，随机方法和局部 搜索算法相结合。 搜索算法相结合。
Hale Waihona Puke 定义什么是超启发式算法？ 什么是超启发式算法？ 超启发式算法（Hyper超启发式算法（Hyper-Heuristic Algorithm）提供了一种高层次启发式方法， Algorithm）提供了一种高层次启发式方法， 通过管理或操纵一系列低层次启发式算法 LowHeuristics，LLH）， ），以产生新 （Low-Level Heuristics，LLH），以产生新 的启发式算法。 的启发式算法。 超启发式算法vs.传统启发式算法： 超启发式算法vs.传统启发式算法： vs.传统启发式算法
基于贪心策略的超启发式算法
该类超启发式算法在构造新启发式算法时， 该类超启发式算法在构造新启发式算法时，每次都 挑选那些能够最大化改进当前（问题实例）解的LLH 挑选那些能够最大化改进当前（问题实例）解的 。由于每次挑选LLH时需要评估所有 由于每次挑选 时需要评估所有LLH，故此该类 ， 时需要评估所有 方法的执行效率低于基于随机选择的超启发式算法。 方法的执行效率低于基于随机选择的超启发式算法。 实验结果表明， 实验结果表明，虽然这种超启发式算法需要更长的时 导致执行效率下降， 间，导致执行效率下降，但是这种超启发式算法却能 提供高质量的解。 提供高质量的解。
基于学习的超启发式算法
该类超启发式算法在构造新启发式算法时， 该类超启发式算法在构造新启发式算法时，采用某 种学习机制，根据现有各种LLH的历史信息决定采纳哪 种学习机制，根据现有各种LLH的历史信息决定采纳哪 LLH LLH。根据LLH历史信息来源的不同， LLH历史信息来源的不同 种LLH。根据LLH历史信息来源的不同，该类超启发式 算法可以进一步分为在线学习（On-LinLearning） 算法可以进一步分为在线学习（On-LinLearning）和 离线学习（OffLearning）。 离线学习（Off-Line Learning）。 在线学习： LLH的历史信息在求解实例过程中积 在线学习：指LLH的历史信息在求解实例过程中积 累下来的。每一个LLH都被赋予一定的分值， LLH都被赋予一定的分值 累下来的。每一个LLH都被赋予一定的分值，每次 根据分值来决定选择哪一个LLH。一旦一个LLH被选 根据分值来决定选择哪一个LLH。一旦一个LLH被选 LLH LLH 它将用于优化当前解。若它能改进当前解， 中，它将用于优化当前解。若它能改进当前解，则 调高其分值，否则降低其分值。 调高其分值，否则降低其分值。 离线学习： 离线学习：通常将实例集合分为训练实例和待求解 实例两部分，训练实例主要用于积累LLH LLH的历史信 实例两部分，训练实例主要用于积累LLH的历史信 待求解实例可以根据历史信息来决定LLH LLH的取 息，待求解实例可以根据历史信息来决定LLH的取 舍。根据各种LLH在训练实例方面的性能，构造出 根据各种LLH在训练实例方面的性能， LLH在训练实例方面的性能 了关联分类器，对于待求解实例， 了关联分类器，对于待求解实例，每次需要选择 LLH时 该算法则利用当前解的状态作为输入， LLH时，该算法则利用当前解的状态作为输入，利 用关联分类器预测LLH以获得最佳效果。 LLH以获得最佳效果 用关联分类器预测LLH以获得最佳效果。