超启发式算法.pptVIP

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（作为高层次启发式方法）来选择LLH。这些元启发式算法包括蚁群算法、禁忌算法、可变邻域搜索和遗传算法等。 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，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、分布式协作来寻找最优路径。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，搜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；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，自适应地调整搜索方向，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、机器学习、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。 基于元启发式算法的超启发式算法 禁忌（Tabu Search）算法是一种亚启发式(meta-heuristic)随机搜索算法，它从一个初始可行解出发，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。为了避免陷入局部最优解，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，指导下一步的搜索方向，这就是Tabu表的建立。 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，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）和离线学习（Off-Line Learning）。 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，每次根据分值来决定选择哪一个LLH。一旦一个LLH被选中，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。 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的历史信息，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，利用关联分类器预测LLH以获得最佳效果。 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，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。 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：超启发式算法搜索空间的特征分析及应用问题 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,超启发式算法的搜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发式算法具有很好的参考意义。 超启发式算法研究展望 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 在传统启发式算法的研究中,很多研究者针对优化组合问题的搜索空间进行特征分析.这种方法被认为是应对组合爆炸的根本出路之一.目前刻画搜索空间常用手段是适应度地貌分析.在适应度地貌中,最重要的特征之一是所谓的“大坑”结构(Big Valley),即众多优化组合问题的局部最优解与全局最优解差别很小.形象地比喻,是以全局最优解为坑底,周围遍布大量的局部最优解. 与传统启发式算法相比,超启发式算法搜索空间的特征分析及应用研究工作还十分匮乏.超启发式算法研究还可以分解为两个相关科学问题. 超启发式算法研究展望 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 如何分析超启发式算法的搜索空间特征 目前关于超启发式算法搜索空间的适应度地貌分析的成果很少,仅文献[30～31]在国际上首次进行过这方面的探索,文章以生产调度问题和时间表问题为例,通过实验发现超启发式算法的搜索空间也存在类似“大坑”结构.对于更多经典的优化组合问题,应