啟發式演算法的例題

A. 求解一道關於啟發式演算法。『急』LINGO、matlab都可以

表2在哪裡？

B. 有關啟發式演算法（Heuristic Algorithm）的一些總結

節選自維基網路：

啟發法 （ heuristics ，源自古希臘語的εὑρίσκω，又譯作：策略法、助發現法、啟發力、捷思法）是指 依據有限的知識 （或「不完整的信息」）在短時間內找到問題解決方案的一種技術。

它是一種依據 關於系統的有限認知 和 假說 從而得到關於此系統的結論的分析行為。由此得到的解決方案有可能會偏離最佳方案。通過與最佳方案的對比，可以確保啟發法的質量。

計算機科學的兩大基礎目標，就是 發現可證明其運行效率良好 且可 得最佳解或次佳解 的演算法。

而啟發式演算法則 試圖一次提供一個或全部目標 。例如它常能發現很不錯的解， 但也沒辦法證明它不會得到較壞的解 ； 它通常可在合理時間解出答案，但也沒辦法知道它是否每次都可以這樣的速度求解。

有時候人們會發現在某些特殊情況下，啟發式演算法會得到很壞的答案或效率極差， 然而造成那些特殊情況的數據結構，也許永遠不會在現實世界出現 。

因此現實世界中啟發式演算法很常用來解決問題。啟發式演算法處理許多實際問題時通常可以在合理時間內得到不錯的答案。

有一類的 通用啟發式策略稱為元啟發式演算法（metaheuristic） ，通常使用隨機數搜索技巧。他們可以應用在非常廣泛的問題上，但不能保證效率。

節選自網路：

啟發式演算法可以這樣定義：一個 基於直觀或經驗構造 的演算法， 在 可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解 ， 該可行解與最優解的偏離程度一般不能被預計。 現階段，啟發式演算法以仿自然體演算法為主，主要有蟻群演算法、模擬退火法、神經網路等。

目前比較通用的啟發式演算法一般有模擬退火演算法（SA）、遺傳演算法（GA）、蟻群演算法（ACO）。

模擬退火演算法(Simulated Annealing, SA)的思想借鑒於固體的退火原理，當固體的溫度很高的時候，內能比較大，固體的內部粒子處於快速無序運動，當溫度慢慢降低的過程中，固體的內能減小，粒子的慢慢趨於有序，最終，當固體處於常溫時，內能達到最小，此時，粒子最為穩定。模擬退火演算法便是基於這樣的原理設計而成。

求解給定函數的最小值：其中，0<=x<=100,給定任意y的值，求解x為多少的時候，F(x)最小？

遺傳演算法（Genetic Algorithm, GA）起源於對生物系統所進行的計算機模擬研究。它是模仿自然界生物進化機制發展起來的隨機全局搜索和優化方法，借鑒了達爾文的進化論和孟德爾的遺傳學說。其本質是一種 高效、並行、全局搜索 的方法，能在搜索過程中自動獲取和積累有關搜索空間的知識，並 自適應 地控制搜索過程以求得最佳解。

給定一組五個基因，每一個基因可以保存一個二進制值 0 或 1。這里的適應度是基因組中 1 的數量。如果基因組內共有五個 1，則該個體適應度達到最大值。如果基因組內沒有 1，那麼個體的適應度達到最小值。該遺傳演算法希望 最大化適應度 ，並提供適應度達到最大的個體所組成的群體。

想像有一隻螞蟻找到了食物，那麼它就需要將這個食物待會螞蟻穴。對於這只螞蟻來說，它並不知道應該怎麼回到螞蟻穴。

這只螞蟻有可能會隨機選擇一條路線，這條路可能路程比較遠，但是這只螞蟻在這條路上留下了記號（一種化學物質，信息素）。如果這只螞蟻繼續不停地搬運食物的時候，有其它許多螞蟻一起搬運的話，它們總會有運氣好的時候走到更快返回螞蟻穴的路線。當螞蟻選擇的路線越優，相同時間內螞蟻往返的次數就會越多，這樣就在這條路上留下了更多的信息素。

這時候，螞蟻們就會選擇一些路徑上信息素越濃的，這些路徑就是較優的路徑。當螞蟻們不斷重復這個過程，螞蟻們就會更多地向更濃的信息素的路徑上偏移，這樣最終會確定一條路徑，這條路徑就是最優路徑。

C. 啟發式演算法介紹 啟發式演算法簡介

1、啟發式演算法（heuristic algorithm)是相對於最優化演算法提出的。一個問題的最優演算法求得該問題每個實例的最優解。

2、啟發式演算法可以這樣定義：一個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度一般不能被預計。現階段，啟發式演算法以仿自然體演算法為主，主要有蟻群演算法、模擬退火法、神經網路等。

D. 在什麼樣的情境下，人們喜歡用啟發法解決問題，並舉例說明

針對模型求解方法而言的，一種逐次逼近最優解的方法，這種方法對所求得的解進行反復判斷實踐修正直至滿意為止。啟發法的特點是模型簡單，需要進行方案組合的個數少，因此便於找出最終答案。此方法雖不能保證得到最優解，但只要處理得當，可獲得決策者滿意的近似最優解。

一般步驟包括：定義一個計算總費用的方法；報定判別准則；規定方案改選的途徑；建立相應的模型；送代求解。

(4)啟發式演算法的例題擴展閱讀

計算機科學的兩大基礎目標，就是發現可證明其執行效率良好且可得最佳解或次佳解的演算法。而啟發式演算法則試圖一次提供一或全部目標。 例如它常能發現很不錯的解，但也沒辦法證明它不會得到較壞的解；它通常可在合理時間解出答案，但也沒辦法知道它是否每次都可以這樣的速度求解。

有時候人們會發現在某些特殊情況下，啟發式演算法會得到很壞的答案或效率極差，然而造成那些特殊情況的數據組合，也許永遠不會在現實世界出現。因此現實世界中啟發式演算法常用來解決問題。啟發式演算法處理許多實際問題時通常可以在合理時間內得到不錯的答案。

E. 貪心演算法的例題分析

例題1、
[0-1背包問題]有一個背包，背包容量是M=150。有7個物品，物品不可以分割成任意大小。
要求盡可能讓裝入背包中的物品總價值最大，但不能超過總容量。
物品 A B C D E F G
重量 35kg 30kg 6kg 50kg 40kg 10kg 25kg
價值 10$ 40$ 30$ 50$ 35$ 40$ 30$
分析：
目標函數：∑pi最大
約束條件是裝入的物品總重量不超過背包容量：∑wi<=M(M=150）
⑴根據貪心的策略，每次挑選價值最大的物品裝入背包，得到的結果是否最優？
⑵每次挑選所佔重量最小的物品裝入是否能得到最優解？
⑶每次選取單位重量價值最大的物品，成為解本題的策略。
值得注意的是，貪心演算法並不是完全不可以使用，貪心策略一旦經過證明成立後，它就是一種高效的演算法。
貪心演算法還是很常見的演算法之一，這是由於它簡單易行，構造貪心策略不是很困難。
可惜的是，它需要證明後才能真正運用到題目的演算法中。
一般來說，貪心演算法的證明圍繞著：整個問題的最優解一定由在貪心策略中存在的子問題的最優解得來的。
對於例題中的3種貪心策略，都是無法成立（無法被證明）的，解釋如下：
⑴貪心策略：選取價值最大者。
反例：
W=30
物品：A B C
重量：28 12 12
價值：30 20 20
根據策略，首先選取物品A，接下來就無法再選取了，可是，選取B、C則更好。
⑵貪心策略：選取重量最小。它的反例與第一種策略的反例差不多。
⑶貪心策略：選取單位重量價值最大的物品。
反例：
W=30
物品：A B C
重量：28 20 10
價值：28 20 10
根據策略，三種物品單位重量價值一樣，程序無法依據現有策略作出判斷，如果選擇A，則答案錯誤。
【注意：如果物品可以分割為任意大小，那麼策略3可得最優解】
對於選取單位重量價值最大的物品這個策略，可以再加一條優化的規則：對於單位重量價值一樣的，則優先選擇重量小的！這樣，上面的反例就解決了。
但是，如果題目是如下所示，這個策略就也不行了。
W=40
物品：A B C
重量：25 20 15
價值：25 20 15
附：本題是個DP問題，用貪心法並不一定可以求得最優解，以後了解了動態規劃演算法後本題就有了新的解法。
例題2、
馬踏棋盤的貪心演算法
123041-23 XX
【問題描述】
馬的遍歷問題。在8×8方格的棋盤上，從任意指定方格出發，為馬尋找一條走遍棋盤每一格並且只經過一次的一條路徑。
【初步設計】
首先這是一個搜索問題，運用深度優先搜索進行求解。演算法如下：
⒈ 輸入初始位置坐標x,y；
⒉ 步驟 c:
如果c> 64輸出一個解，返回上一步驟c--
（x,y) ← c
計算(x,y）的八個方位的子結點，選出那些可行的子結點
循環遍歷所有可行子結點，步驟c++重復2
顯然⑵是一個遞歸調用的過程，大致如下：
C++程序： #defineN8voiddfs(intx,inty,intcount){inti,tx,ty;if(count>N*N){output_solution();//輸出一個解return;}for(i=0;i<8;i++){tx=hn[i].x;//hn[]保存八個方位子結點ty=hn[i].y;s[tx][ty]=count;dfs(tx,ty,count+1);//遞歸調用s[tx][ty]=0;}}Pascal程序： ProgramYS;ConstFXx:array[1..8]of-2..2=（1,2,2,1,-1,-2,-2,-1）；FXy:array[1..8]of-2..2=（2,1,-1,-2,-2,-1,1,2）；VarRoad:array[1..10,1..10]ofinteger;x,y,x1,y1,total:integer;ProcereFind(x,y:integer);varNx,Ny,i:integer;BeginFori:=1to8dobegin{8個方向}If(x+FXx[i]in[1..8])and(y+FXy[i]in[1..8])Then{確定新坐標是否越界}IfRoad[x+Fxx[i],y+Fxy[i]]=0Thenbegin{判斷是否走過}Nx:=x+FXx[i];Ny:=y+FXy[i];Road[Nx,Ny]:=1;{建立新坐標}If(Nx=x1）and(Ny=y1）Theninc(total)elseFind(Nx,Ny);{遞歸}Road[Nx,Ny]:=0{回朔}endendEnd;BEGIN{Main}Total:=0;FillChar(Road,sizeof(road),0);Readln(x,y);{讀入開始坐標}Readln(x1,y1）；{讀入結束坐標}If(x>10）or(y>10）or(x1>10）or(y1>10）Thenwriteln('Error'){判斷是否越界}ElseFind(x,y);Writeln('Total:',total){打出總數}END.這樣做是完全可行的，它輸入的是全部解，但是馬遍歷當8×8時解是非常之多的，用天文數字形容也不為過，這樣一來求解的過程就非常慢，並且出一個解也非常慢。
怎麼才能快速地得到部分解呢？
【貪心演算法】
其實馬踏棋盤的問題很早就有人提出，且早在1823年，J.C.Warnsdorff就提出了一個有名的演算法。在每個結點對其子結點進行選取時，優先選擇『出口』最小的進行搜索，『出口』的意思是在這些子結點中它們的可行子結點的個數，也就是『孫子』結點越少的越優先跳，為什麼要這樣選取，這是一種局部調整最優的做法，如果優先選擇出口多的子結點，那出口少的子結點就會越來越多，很可能出現『死』結點（顧名思義就是沒有出口又沒有跳過的結點），這樣對下面的搜索純粹是徒勞，這樣會浪費很多無用的時間，反過來如果每次都優先選擇出口少的結點跳，那出口少的結點就會越來越少，這樣跳成功的機會就更大一些。這種演算法稱為為貪心演算法，也叫貪婪演算法或啟發式演算法，它對整個求解過程的局部做最優調整，它只適用於求較優解或者部分解，而不能求最優解。這樣的調整方法叫貪心策略，至於什麼問題需要什麼樣的貪心策略是不確定的，具體問題具體分析。實驗可以證明馬遍歷問題在運用到了上面的貪心策略之後求解速率有非常明顯的提高，如果只要求出一個解甚至不用回溯就可以完成，因為在這個演算法提出的時候世界上還沒有計算機，這種方法完全可以用手工求出解來，其效率可想而知。

F. 啟發式演算法的最短路徑

所謂的最短路徑問題有很多種意思， 在這里啟發式指的是一個在一個搜尋樹的節點上定義的函數h(n)，用於評估從此節點到目標節點最便宜的路徑。啟發式通常用於資訊充分的搜尋演算法，例如最好優先貪婪演算法與A*。最好優先貪婪演算法會為啟發式函數選擇最低代價的節點；A*則會為g(n) + h(n)選擇最低代價的節點，此g(n)是從起始節點到目前節點的路徑的確實代價。如果h(n)是可接受的（admissible）意即h(n)未曾付出超過達到目標的代價，則A*一定會找出最佳解。
最能感受到啟發式演算法好處的經典問題是n-puzzle。此問題在計算錯誤的拼圖圖形，與計算任兩塊拼圖的曼哈頓距離的總和以及它距離目的有多遠時，使用了本演算法。注意，上述兩條件都必須在可接受的范圍內。

G. 數學建模中的那些模型究竟能有多大實際作用

很有用；只要你敢想，想得到就非常有用：比如1根據車流量控制任何交通路口紅綠燈秒數；2一張椅子不管路面多不平，在一定范圍內都可以放平3根據一定數據可以在商業經濟中使用，如商品庫存量計算，采購量計算；定價；4項目可行性研究中的建模，包含工程項目模擬化施工及開發等5科技領域，導彈火箭衛星；基本涉及計算應用領域都可以使用到，用途非常廣泛。

H. 什麼是啟發式演算法（轉）

它並不告訴你該如何直接從A點到達B點，它甚至可能連A點和B點在哪裡都不知道。實際上，啟發式方法是穿著小丑兒外套的演算法：它的結果不太好預測，也更有趣，但不會給你什麼30 天無效退款的保證。 駕駛汽車到達某人的家，寫成演算法是這樣的：沿167 號高速公路往南行至Puyallup；從SouthHillMall出口出來後往山上開4.5 英里；在一個雜物店旁邊的紅綠燈路口右轉，接著在第一個路口左轉；從左邊褐色大房子的車道進去，就是NorthCedar路714號。 用啟發式方法來描述則可能是這樣：找出上一次我們寄給你的信，照著信上面的寄出地址開車到這個鎮；到了之後你問一下我們的房子在哪裡。這里每個人都認識我們——肯定有人會很願意幫助你的；如果你找不到人，那就找個公共電話亭給我們打電話，我們會出來接你。 從上面的啟發式演算法的解釋可以看出，啟發式演算法的難點是建立符合實際問題的一系列啟發式規則。

I. 什麼是啟發式演算法（轉）

啟發式方法（試探法）是一種幫你尋求答案的技術，但它給出的答案是具有偶然性的（subjecttochance），因為啟發式方法僅僅告訴你該如何去找，而沒有告訴你要找什麼。它並不告訴你該如何直接從A點到達B點，它甚至可能連A點和B點在哪裡都不知道。實際上，啟發式方法是穿著小丑兒外套的演算法：它的結果不太好預測，也更有趣，但不會給你什麼30
天無效退款的保證。
駕駛汽車到達某人的家，寫成演算法是這樣的：沿167
號高速公路往南行至Puyallup；從SouthHillMall出口出來後往山上開4.5
英里；在一個雜物店旁邊的紅綠燈路口右轉，接著在第一個路口左轉；從左邊褐色大房子的車道進去，就是NorthCedar路714號。
用啟發式方法來描述則可能是這樣：找出上一次我們寄給你的信，照著信上面的寄出地址開車到這個鎮；到了之後你問一下我們的房子在哪裡。這里每個人都認識我們——肯定有人會很願意幫助你的；如果你找不到人，那就找個公共電話亭給我們打電話，我們會出來接你。
從上面的啟發式演算法的解釋可以看出，啟發式演算法的難點是建立符合實際問題的一系列啟發式規則。啟發式演算法的優點在於它比盲目型的搜索法要高效，一個經過仔細設計的啟發函數，往往在很快的時間內就可得到一個搜索問題的最優解，對於NP問題，亦可在多項式時間內得到一個較優解。

J. A*演算法（啟發式演算法）

A*演算法
這是我寫的第一篇有關A*演算法的文章，寫得比較簡潔，我決定再寫一篇，補充一下對A*演算法的理解。

A*演算法把 Dijkstra演算法 （靠近初始點的結點）和 BFS演算法 （靠近目標點的結點）的信息塊結合起來。
g(n)表示從初始結點到任意結點n的實際代價
h(n)表示從結點n到目標點的啟發式評估代價

（1）h(n)=0，一種極端情況
如果h(n)=0，則只有g(n)起作用，此時A*演變成Dijkstra演算法，這保證能找到最短路徑，但效率不到，因為得不到啟發。
（2）h(n)<實際代價
如果h(n)經常都比從n移動到目標的實際代價小（或者相等），則A*保證能找到一條最短路徑。h(n)越小，A*擴展的結點越多，運行就越慢。
（3）h(n)=實際代價
如果h(n)精確地等於從n移動到目標的實際代價，則A*將會僅僅尋找最佳路徑而不擴展別的任何結點，這會運行得非常快。盡管這不可能在所有情況下發生，你仍可以在一些特殊情況下讓它們精確地相等（指讓h(n)精確地等於實際代價）。只要提供完美的信息，A*就會運行得很完美。
（4）h(n)>實際代價
如果h(n)有時比從n移動到目標的實際代價大，則A*不能保證找到一條最短路徑，但它運行得更快。
（5）h(n)>>實際代價（>>遠大於），另一種極端情況
如果h(n)比g(n)大很多，則只有h(n)起作用，A*演變成BFS演算法。

數組？鏈表？
在Open集上主要有三種操作：查找優先順序最高的結點&刪除結點、查找相鄰結點是否在集合中、插入新結點
在Close集上主要有兩種操作：查找相鄰結點是否在集合中、插入新節點
（1）未排序數組或鏈表
最簡單的數據結構是未排序數組或鏈表。查找結點，花費O(N)；插入結點，花費O(1)；刪除結點，花費O(N)
（2）排序數組
為了加快刪除操作，可以對數組進行排序。查找結點，變成O(logN)，因為可以使用折半查找；插入結點，花費O(N)；查找和刪除優先順序最高的結點，花費O(1)
（3）排序鏈表
在排序數組中，插入操作很慢。如果使用鏈表則可以加速該操作。查找結點，花費O(N)；插入結點，花費O(1)，但查找插入位置，需要花費O(N)
（4）哈希表
使用哈希表，查找結點，花費O(1)；插入結點，花費O(1)；查找和刪除優先順序最高的結點，花費O(N)

https://blog.csdn.net/coutamg/article/details/53923717#!/_alzvzu0wsphb4nstr5bbro1or