元啟發式演算法

『壹』 智能計算/計算智能、仿生演算法、啟發式演算法的區別與關系

我一個個講好了，
1）啟發式演算法：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不一定事先可以預計。意思就是說，啟發式演算法是根據經驗或者某些規則來解決問題，它求得的問題的解不一定是最優解，很有可能是近似解。這個解與最優解近似到什麼程度，不能確定。相對於啟發式演算法，最優化演算法或者精確演算法（比如說分支定界法、動態規劃法等則能求得最優解）。元啟發式演算法是啟發式演算法中比較通用的一種高級一點的演算法，主要有遺傳演算法、禁忌搜索演算法、模擬退火演算法、蟻群演算法、粒子群演算法、變鄰域搜索演算法、人工神經網路、人工免疫演算法、差分進化演算法等。這些演算法可以在合理的計算資源條件下給出較高質量的解。
2）仿生演算法：是一類模擬自然生物進化或者群體社會行為的隨機搜索方法的統稱。由於這些演算法求解時不依賴於梯度信息，故其應用范圍較廣，特別適用於傳統方法難以解決的大規模復雜優化問題。主要有：遺傳演算法、人工神經網路、蟻群演算法、蛙跳演算法、粒子群優化演算法等。這些演算法均是模仿生物進化、神經網路系統、螞蟻尋路、鳥群覓食等生物行為。故叫仿生演算法。
3）智能計算：也成為計算智能，包括遺傳演算法、模擬退火演算法、禁忌搜索演算法、進化演算法、蟻群演算法、人工魚群演算法，粒子群演算法、混合智能演算法、免疫演算法、神經網路、機器學習、生物計算、DNA計算、量子計算、模糊邏輯、模式識別、知識發現、數據挖掘等。智能計算是以數據為基礎，通過訓練建立聯系，然後進行問題求解。
所以說，你接觸的很多演算法，既是仿生演算法，又是啟發式演算法，又是智能演算法，這都對。分類方法不同而已。

這次樓主不要再老花了哈！

『貳』 metaheuristic包括哪些演算法

metaheuristic是元啟發式方法。包含一些隨機搜索演算法諸如進化演算法、蟻群演算法、粒子群演算法這類具有啟發式框架的智能演算法稱為元啟發式演算法。

『叄』 近年來比較新穎的智能演算法有哪些，比蜂群演算法更新穎的演算法。最好是元啟發式的演算法。

螢火蟲演算法、雜草演算法、蝙蝠演算法。在知網上可搜索到相應論文。

『肆』 元啟發式演算法中針對問題的靈敏度分析是否有意義

都是人工智慧

『伍』 對 啟發式演算法的理解

啟發式演算法是一種能在可接受的費用內尋找最好的解的技術,但不一定能保證所得解的可行性和最優性,甚至在多數情況下,無法闡述所得解同最優解的近似程度

『陸』 元啟發式演算法的介紹

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。

『柒』 誰能詳細介紹一下啟發式演算法的原理或者方法

整數規劃一般是不容易得到最優解的。啟發式演算法可以在合理的計算時間內得到較解。局域搜索啟發式演算法應用廣泛。局域搜索的一般步驟如下： 從一個初始可行解出發 找出相鄰的可行解 從相鄰的可行解中找出更好的可行解 地，局域搜索啟發式演算法會得到一個局部最優解，而這個局部最優解有時就是全局。演算法的好與壞都決定於步驟 3。 1.1 模擬退火方法 相鄰元素是隨機選擇的，選上的概率為pn ， pn= 1∑。移動的決策取n∈ N標成本和退火概率： c(y)?c(x)??py(x)?eTc(y)φ c(x) pxy= ? ?py(x)?Ct溫度梯度是根據一定的規則選擇的，比如T (t) =T t() = Calog t或， a π 1。

『捌』 超啟發式演算法的超啟發式演算法的分類

由於超啟發式演算法的研究尚處於起步階段，對於已有的各種超啟發式演算法，國際上尚未形成一致的分類方法。按照高層策略的機制不同，現有超啟發式演算法可以大致分為4類：基於隨機選擇、基於貪心策略、基於元啟發式演算法和基於學習的超啟發式演算法。 該類超啟發式演算法在構造新啟發式演算法時，採用一定學習機制，根據現有各種LLH的歷史信息來決定採納哪一個LLH。根據LLH歷史信息來源的不同，該類超啟發式演算法可以進一步分為在線學習（on-line learning）和離線學習（off-line learning）兩種：前者是指LLH的歷史信息是在求解當前實例過程中積累下來的；後者通常將實例集合分為訓練實例和待求解實例兩部分，訓練實例主要用於積累LLH的歷史信息，而待求解實例則可以根據這些歷史信息來決定LLH的取捨

『玖』 元啟發式演算法和啟發式演算法有什麼區別

啟發式演算法與元啟發式演算法對區別在於是否存在「隨機因素」。 對一個同樣的問題，啟發式演算法（heuristics）只要給定了一個輸入，那麼演算法執行的步驟就固定下來了，輸出也因此固定，多次運算結果保持一致。

而元啟發式演算法（meta－heuristics）裡麵包括了隨機因素，如GA中的交叉因子，模擬退火中的metropolis准則，這些隨機因素也使得演算法有一定概率跳出局部最優解而去嘗試全局最優解，因此元啟發式演算法在固定的輸入下，而輸出是不固定的。

啟發式演算法(Heuristic Algorigthm)是一種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、計算空間等)給出待解決優化問題的每一實例的一個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。

啟發式演算法是一種技術,這種演算法可以在可接受的計算費用內找到最好的解,但不一定能保證所得到解的可行性及最優性，甚至大多數情況下無法闡述所得解與最優解之間的近似程度。

元啟發式演算法（MetaHeuristic Algorigthm）是啟發式演算法的改進，它是隨機演算法與局部搜索演算法相結合的產物，常見的啟發式演算法包括遺傳演算法、模擬退火演算法、禁忌搜索演算法及神經網路演算法等。

新興的元啟發式演算法有、粒子群優化演算法、差分進化演算法，蟻群優化演算法、螢火蟲演算法、布穀鳥演算法、和聲搜索演算法、差分進化演算法、隨機蛙跳演算法、細菌覓食演算法、蝙蝠演算法的演算法等。

『拾』 蟻群優化的目錄

1 從真實螞蟻到人工螞蟻
1.1 螞蟻的覓食行為及其優化過程
1.2 向人工螞蟻轉換
1.3 人工螞蟻和最小成本路徑
1.4 書目評注
1.5 需要牢記的知識點
1.6 思考與計算習題
2 蟻群優化元啟發式演算法
2.1 組合優化
2.2 ACO元啟發式演算法
2.3 如何應用ACO
2.4 其他元啟發式演算法
2.5 書目評注
2.6 需要牢記的知識點
2.7 思考與計算習題
3 旅行商問題中的蟻群優化演算法
3.1 旅行商問題
3.2 TSP中的ACO演算法
3.3 螞蟻系統及其直接後續演算法
3.4 螞蟻系統的擴展
3.5 並行執行
3.6 實驗測評
3.7 添加局部搜索的ACO
3.8 ACO演算法的實現
3.9 書目評注
3.10 需要牢記的知識點
3.11 思考與計算習題
4 蟻群優化理論
4.1 ACO的理論思考
4.2 問題和演算法
4.3 收斂性證明
4.4 ACO與基本模型的搜索
4.5 書目評注
4.6 需要牢記的知識點
4.7 思考與計算習題
5 NP-難問題的蟻群優化
6 數據網路路由中的ACO演算法
7 總結與對未來的展望
附錄 有關ACO領域的信息來源
參考文獻
索引