超启发式算法内容资料.pptVIP

超启发式算法 定义 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，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，提供一系列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，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算法库和问题特征信息，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，组合形成新的启发式算法。这类超启发式算法在本领域研究中较早提出，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、带确定性接受条件的随机、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即使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。 在蒙特卡罗超启发式算法中，若随机被选中的LLH不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”问题实例解的目标函数的值差计算）来决定是否采用该LLH。 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：每当一个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。在超启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，该阈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，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，它们会越来越少地被采纳。 带延迟接受条件的超启发式算法：在该工作中，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，若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。 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。 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。 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