生物啟發演算法書

『壹』 《生物信息學演算法導論》pdf下載在線閱讀全文，求百度網盤雲資源

《生物信息學演算法導論》網路網盤pdf最新全集下載:
鏈接: https://pan..com/s/1e5BHq-Si5exzRvzcElxm0g

『貳』 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。

『叄』 《計算機：一部歷史 》| 想要看清未來，需要首先了解過去

寫在前面的話：

先做個自我介紹。某高校苦逼科研狗兼導師一枚，平常主要工作就是代課和科研。閑暇時喜歡讀讀書，口味比較雜，偏愛文史類。寫薦書其實是源自於某次和組里研究生聊天，發現大家平時都不怎麼讀書。我覺著不好。所猛逗羨以就動筆寫點東西，推薦幾本個人覺著不錯的書給同學們，希望能從抖音里搶一些時間出來。

類別：提升

書名：計算機：一部歷史

內容簡介

《計算機：一部歷史》，給大眾讀者寫的計算機科普讀物，零門檻入門計算機科學。講述計算機背後鮮為人知的故事，普及關於計算機和互聯網你不得不了解的知識。無論你是否具備計算機專業背景，只要你使用計算機，這本書就是你的案頭必備。（摘自微信讀書）

作者簡介

彼得·本特利（Peter J.Bentley），倫敦大學學院計算機科學系教授，數字生物實驗室負責人。於1993年獲得英國埃塞克斯大學計算機科學學士學位，1996年獲得英國哈德斯菲爾德大學設計應用進化計算博士學位。目前已發表250多篇科學論文。主要研究興趣包括建模和生物啟發式計算、代理建模、進化演算法和其他復雜系統及相關應用。（摘自ieee.org）

優秀的科普讀物

我每年代的課是計算機導論，是一年級新生的通識課。這門課不好代。原因在於課程內容雜，覆蓋面廣，基本上一章就是一個獨立的計算機領域，但是課時卻是一減再減，從64減到32。去年開始，軟體學院又減到了16學時。 本來這門課就不能講太多理論知識，是以激發興趣為主，多講故事，留下扣子，為的是同學們將來上後續專業課時保持一點求知慾。 但是課時的限制導致我上課時，只能指雹砍掉很多有趣的故事。所以我一直在找一本適合沒有任何專業背景的同學，能夠讀懂，讀明白而又樂意讀下去的課外科普讀物。這本書就是我要找的。

這是一部不錯的講述計算機科學史的科普讀物。 我把這本書類別定義為了提升，不是專業，原因在於這本書對於非計算機專業的同學而言，閱讀也不吃力。 可能沒有專業的知識沉澱，對於書中的某些概念不好理解，但是這並不妨礙同學們對計算機歷史發展的了解。

這本書比之前推薦過的《艾倫·圖靈傳》要好讀很多。 圖靈傳里有很多數學理論的內容，我讀著非常吃力。開始還試著理解它們，但是以我的數學基礎，完全看不懂。 所以，在讀圖靈傳的時候，這些內容我基本是跳過的。原因是因為圖靈傳的作者是圖靈在劍橋的同事，也是研究數學的。所以在著書時可能習慣性會著筆於一些理論內容的探討。這對於有相關知識沉澱的讀者，可能會更好的理解圖靈的思想，但是對於大多數向我這樣的門外漢，讀著就異常吃力了。

傳記風格的科普讀物

這本書就好很多。本書的作者是彼得·本特利（Peter J. Bentley），倫敦大學學院計算機系教授。網上隨便搜搜，就能發現他的很多專著（Researchgate，IEEE，Zlibrary上都能找到）。這本書英文版在2012年出版，中文版2015年出版（抱歉文中我貼的是英文版的封面，因為中文版封面的解析度太低了）。不算特別新，但是對於科學史的科普讀物，也足夠了。英文原名叫《Digitized：The Science of Computer and How It shapes Our World》。又一本被譯名耽誤的好書，之前推薦的百年都鐸王朝也算一本。 原文里的Digitized（數字化）一詞，真的太重要了。現在的譯名，就少了那個味道。

這本書有幾個優點。一是表述不晦澀。作者的文風看不出有太多慣用的科技文獻寫作手法的痕跡，而更有歷史傳記作家的感覺。讀起來很順暢，一個個歷史人物依次登場，從圖靈、香農、馮·諾依曼，到恩格爾巴特、文特·瑟夫、伯納斯·李，看著一個個熟悉的名字躍入紙上，跟著作者的文字去再現當年的歷史故事，實在有趣。此外，作者對枝拍大佬級的人物，都做了背景描述。讓同學們能對人物有更全面的了解。這很合我的口味，我很受用。上面這些名字，計算機和信息專業的同學，估計沒有不認識的。

這個地方特別提一下文特·瑟夫（Vint Cerf）， 原因是我曾有幸聽過一次老爺子的現場報告，並且還合過影，因為是老爺子給我頒的獎。 如果有認識我的同學，網路上還能搜得到新聞，應該是我不多的高光時刻了。當然，獎也不是啥重要的獎，就是蹭了個獎台。沒聽說過這個人？這老爺子有個頭銜，互聯網之父。原因是他和另外一個人提出了TCP/IP。另一個人是戈登·摩爾，就是提出摩爾定律的那個摩爾。

技術和標準的國家屬性

上次說到互聯網之父，文特·瑟夫（Vint Cerf）。當年的文特很理想，他認為全世界都應該使用同樣的通訊協議，這就構成了建立跨越國家和地區的全世界連接的網路的前提。但是他的老師彼得·柯斯坦卻很現實，「文特的想法在美國可以實現，但在英國不行，英國總有人開發不同的網路協議。因此必須有人發揮橋梁的作用，使各種類型的網路兼容並包。 我們必須考慮到，不同國家和地區有著不同的發展步伐，這不僅僅表現在技術上，也表現在政治上。 要想推動互聯網的發展，必須因地制宜。」不僅科學有國家屬性，技術和標準的國家屬性更明顯。同學們聯系現在正在發生的事想想看。復制之前的那句話，無論什麼時候，身在哪裡，永遠記住你證件上的國徽。對了，彼得·柯斯坦被稱為歐洲互聯網之父，授過大英帝國勛章。供職於倫敦大學學院，和本書作者一個地方。

寬泛的內容

這本書的第二個優點，內容比較寬泛，涉及到了計算機科學幾個重要領域，基本每一章是一個獨立領域。而且相互的聯系不大，同學們可以各取所需。 以硬體為例，在書里同學們可以了解計算機從無到有的過程，從圖靈的理論模型到香農的邏輯電路到約翰·埃克特的ENIAC到馮·諾依曼的EDVAC，元器件從電子管到晶體管再到羅伯特·諾伊斯（英特爾的創始人）的集成電路，包括到現在研究者們正在努力突破馮·諾依曼體系，嘗試各種包括仿生、量子等未來計算晶元的可能性。

除此之外，軟體，書里從二進制談到了存儲程序到微指令到軟體開發到軟體測試和評估。網路，從APRNET談到了TCP/IP到萬維網到超文本標記語言到網路安全。人機交互，從圖形用戶界面（GUI）談到了多媒體到虛擬現實/增強現實（VR/AR）。人工智慧，談到了圖靈最初的自動下棋的想法到馮·諾依曼的最小最大定理到人工智慧的三大流派到人工智慧的幾次低谷（那個時候研究者都羞於提自己是研究人工智慧，都換其他詞了）。

新的進展

受限於本書的成書時間在八年前，所以對於目前的一些最新的進展，書中並沒有表述出來。比如AR/VR而言，現在我們已經提出了混合現實（MR）的概念，微軟已經推出了HoloLens的二代產品，融合了手勢交互。價格不便宜，感興趣同學可以自行網路下。我一朋友的公司買了一部做開發，有本校同學感興趣的話可以私信我，我回頭帶你去體驗下。

我想一定會有同學提人工智慧。最近太火了，撲面而來，躲之不及。但是，組里同學一定都知道我的個人觀點。上個月也寫過一篇短文，回頭整理整理發公眾號上。這里我只想引用兩個人的話，來作為此篇薦書的收尾。

1965年，希爾伯特·西蒙（有九個博士學位的把妹高手）宣稱：「不到二十年，機器就能夠做到人可以做的任何事情。」1970年，馬文·明斯基（人工智慧之父，有這個頭銜的人有點多，回頭給大家說說）說「不出一代人的時間...創造人工智慧的問題就會基本得到解決。」 事實證明，人們對人工智慧的發展總是過於樂觀。 說起流派，我覺著原來的三大流派已經過時了。現在應該是四大流派，瘋狂鼓吹媒體派，風口圈錢資本派，謹小慎微學者派，無辜吃瓜群眾派。

一家之言，難免偏頗。

有貽笑大方處，歡迎留言指出。

『肆』 啟發式演算法

什麼是演算法？從枚舉到貪心再到啟發式（上）
目標 ：要優化的東西
決策 ：根據目標做出的決策
約束 ：進行決策時必須遵循的條件
算例 ：問題參數的具體化

枚舉法 ：將問題所有的解一一枚舉出來，挨個去評價，選出最好的那個
1.枚舉法能夠找到問題的最優解
2.枚舉法求解時間隨問題規模增長而呈爆炸式增長

貪心法 ：利用「構造」的方式生成解，速度相對而言會非常快，同時不會隨著問題規模的增長而大幅度增加，是平緩的線性增長
什麼是演算法？從枚舉到貪心再到啟發式（下）
啟發式演算法 ：在一個合理的求解資源范圍內（合理的時間，合理的內存開銷等）求得一個較為滿意的解。目前主要包括鄰域搜索和群體仿生兩大類。
解空間 ：所有該問題的解的集合，包括可行解和不可行解
局部搜索 ：不完全遍歷解空間，只選擇一部分進行遍歷，進而大大降低搜索需要的資源。為了提高局部搜索的質量，大部分局部搜索演算法都會在搜索的時候不斷地抓取多個區域進行搜索，直到滿足演算法終止條件。
鄰域 ：在鄰域結構定義下的解的集合，它是一個相對的概念，即鄰域肯定是基於某個解產生的
鄰居解 ：鄰域內某個解的稱呼
鄰域結構 ：定義了一個解的鄰域
鄰域結構的設計在啟發式演算法中非常重要，它直接決定了搜索的范圍，對最終的搜索結構有著重要的影響，直接決定了最終結果質量的好壞
搜索過程

不斷重復步驟2-步驟5，直到滿足終止條件，最後輸出全局最優解

所有的啟發式找到的都是滿意解，不能說是最優解（即便真的是），因為它遍歷的是解空間的局部。
一般情況下，啟發式演算法的時間是隨著問題規模增長而呈線性增長的
干貨 | 想學習優化演算法，不知從何學起？
鄰域搜索類
迭代局部搜索演算法
模擬退火演算法
變鄰域搜索演算法
禁忌搜索
自適應大鄰域搜索
群體仿生類
遺傳演算法
蟻群演算法
粒子群演算法
人工魚群演算法
演算法應用
禁忌搜索演算法求解帶時間窗的車輛路徑問題
基於樹表示法的變鄰域搜索演算法求解考慮後進先出的取派貨旅行商問題
變鄰域搜索演算法求解Max-Mean dispersion problem
遺傳演算法求解混合流水車間調度問題

『伍』 啟發式搜索演算法的演算法舉例

啟發演算法有： 蟻群演算法，遺傳演算法、模擬退火演算法等 蟻群演算法是一種來自大自然的隨機搜索尋優方法，是生物界的群體啟發式行為，現己陸續應用到組合優化、人工智慧、通訊等多個領域。蟻群演算法的正反饋性和協同性使其可用於分布式系統，隱含的並行性更使之具有極強的發展潛力。從數值模擬結果來看，它比目前風行一時的遺傳演算法、模擬退火演算法等有更好的適應性。

『陸』 什麼是啟發式演算法

什麼是啟發式演算法
大自然是神奇的，它造就了很多巧妙的手段和運行機制。受大自然的啟發，人們從大自然的運行規律中找到了許多解決實際問題的方法。對於那些受大自然的運行規律或者面向具體問題的經驗、規則啟發出來的方法，人們常常稱之為啟發式演算法（HeuristicAlgorithm）。現在的啟發式演算法也不是全部來自然的規律，也有來自人類積累的工作經驗。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陽谷；從陽谷高速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，就是某人的家。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—頂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。
什麼是啟發式演算法
建議你去了解下a*演算法吧

簡而言之就是會有一個評估函數進行評價以輔助選出最優接
經典的啟發式演算法包括哪些？ 5分
蟻群，模擬退火，禁忌搜索，人工神經網路等。。。

推薦教材《現代優化計算方法》第二版 邢文訓，謝金星 清華大學出版社

另一本補充，《最優化理論與方法》 黃平 清華大學出版社

第一本教材網上有電子版，你自己搜下
對 啟發式演算法的理解
什麼是啟發式演算法轉自：p:blog.csdn/aris_zzy/archive/2006/05/27/757156.aspx引言：

解決實際的問題，要建模型，在求解。求解要選擇演算法，只有我們對各種演算法的優缺點都很熟悉後才能根據實際問題選出有效的演算法。但是對各種演算法都了如指掌是不現實的，但多知道一些，會使你的選擇集更大，找出最好演算法的概率越大。現在研一，要開題了些點文獻綜述，願與大家分享。大自然是神奇的，它造就了很多巧妙的手段和運行機制。受大自然的啟發，人們從大自然的運行規律中找到了許多解決實際問題的方法。對於那些受大自然的運行規律或者面向具體問題的經驗、規則啟發出來的方法，人們常常稱之為啟發式演算法（Heuristic Algorithm）。現在的啟發式演算法也不是全部來自然的規律，也有來自人類積功的工作經驗。啟發式演算法的發展：

啟發式演算法的計算量都比較大，所以啟發式演算法伴隨著計算機技術的發展，取得了巨大的成就。

40年代：由於實際需要，提出了啟發式演算法（快速有效）。

50年代：逐步繁榮，其中 貪婪演算法和局部搜索 等到人們的關注。

60年代: 反思，發現以前提出的啟發式演算法速度很快，但是解得質量不能保證，而且對大規

模的問題仍然無能為力（收斂速度慢）。啟發式演算法的不足和如何解決方法：

（水平有限 僅僅提出6點）

啟發式演算法目前缺乏統一、完整的理論體系。

很難解決！ 啟發式演算法的提出就是根據經驗提出，沒有什麼堅實的理論基礎。

由於NP理論，啟發式演算法就解得全局最優性無法保證。

等NP？=P有結果了再說吧，不知道這個世紀能不能行。

各種啟發式演算法都有個自優點如何，完美結合。

如果你沒有實際經驗，你就別去干這個，相結合就要做大量嘗試，或許會有意外的收獲。

啟發式演算法中的參數對演算法的效果起著至關重要的作用，如何有效設置參數。

還是那句話，這是經驗活但還要悟性，只有try again………..

啟發演算法缺乏有效的迭代停止條件。

還是經驗，迭代次數100不行，就200，還不行就1000…………

還不行估計就是演算法有問題，或者你把它用錯地方了………..

啟發式演算法收斂速度的研究等。

你會發現，沒有完美的東西，要快你就要付出代價，就是越快你得到的解也就遠差。其中（4）集中反映了超啟發式演算法的克服局部最優的能力。雖然人們研究對啟發式演算法的研究將近50年，但它還有很多不足：1.啟發式演算法目前缺乏統一、完整的理論體系。2.由於NP理論，各種啟發式演算法都不可避免的遭遇到局部最優的問題，如何判斷3.各種啟發式演算法都有個自優點如何，完美結合。4.啟發式演算法中的參數對演算法的效果起著至關重要的作用，如何有效設置參數。5.啟發演算法缺乏有效的迭代停止條件。6.啟發式演算法收斂速度的研究等。

70年代：計算復雜性理論的提出，NP問題。許多實際問題不可能在合理的時間范圍內找到全局最優解。發現貪婪演算法和局部搜索演算法速度快，但解不好的原因主要是他們只是在局部的區域內找解，等到的解沒有全局最優性。

由此必須引入新的搜索機制和策略………..

Holland的遺傳演算法出現了（Genetic Algorithm）再次引發了人們研究啟發式演算法的

興趣。

80年代以後：

模擬退火演算法（Simulated Annealing Algorithm），人工神經網路（Artificial Neural Network），禁忌搜索（Tab......
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。
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。
什麼啟發式演算法可以短時間求到最優解
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
啟發式演算法的新演算法
如何找到一個分叉率較少又通用的合理啟發式演算法，已被人工智慧社群深入探究過。 他們使用幾種常見技術：部分問題的解答的代價通常可以評估解決整個問題的代價，通常很合理。例如一個10-puzzle拼盤，解題的代價應該與將1到5的方塊移回正確位置的代價差不多。通常解題者會先建立一個儲存部份問題所需代價的模式資料庫(pattern database)以評估問題。 解決較易的近似問題通常可以拿來合理評估原先問題。例如曼哈頓距離是一個簡單版本的n-puzzle問題，因為我們假設可以獨立移動一個方塊到我們想要的位置，而暫不考慮會移到其他方塊的問題。 給我們一群合理的啟發式函式h1(n),h2(n),...,hi(n)，而函式h(n) = max{h1(n),h2(n),...,hi(n)}則是個可預測這些函式的啟發式函式。 一個在1993年由A.E. Prieditis寫出的程式ABSOLVER就運用了這些技術，這程式可以自動為問題產生啟發式演算法。ABSOLVER為8-puzzle產生的啟發式演算法優於任何先前存在的！而且它也發現了第一個有用的解魔術方塊的啟發式程式。
啟發式演算法的概括內容
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。有一類的通用啟發式策略稱為元啟發式演算法（metaheuristic），通常使用亂數搜尋技巧。他們可以應用在非常廣泛的問題上，但不能保證效率。近年來隨著智能計算領域的發展，出現了一類被稱為超啟發式演算法（Hyper-Heuristic Algorithm）的新演算法類型。最近幾年，智能計算領域的著名國際會議（GECCO 2009, CEC 2010，PPSN 2010）[1]分別舉辦了專門針對超啟發式演算法的workshop或session。從GECCO 2011開始，超啟發式演算法的相關研究正式成為該會議的一個領域（self* search-new frontier track）。國際智能計算領域的兩大著名期刊Journal of Heuristics和Evolutionary putation也在2010年和2012年分別安排了專刊，著重介紹與超啟發式演算法有關的研究進展。
什麼是啟發式
這兩天在看關於民航調度的文章，很多文章中都提到「啟發式」演算法，感覺和智能演算法類似，那到底演算法呢？我找到如下的一些我認為比較好的解釋：------------------------------------------------------------------------------------------------------------------------A heuristic (hyu-'ris-tik) is the art and science of discovery and invention. The word es from the same Greek root as "eureka" meaning "to find". A heuristic for a given problem is a way of directing your attention fruitfully to a solution. It is different from an algorithm in that a heuristic merely serves as a rule-of-thumb or guideline, as opposed to an invariant procere. Heuristics may not always achieve the desired oute, but can be extremely valuable to problem-solving processes. Good heuristics can dramatically rece the time required to solve a problem by eliminating the need to consider unlikely possibilities or irrelevant states. As such, it is particularly useful to those in the process of discovery and the are constantly rethinking their strategies in the face of a stubborn unknown.--------------------------------------------------------------------------------------------------------------------------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（subject to chance），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South Hill Mall 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North Cedar 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......

『柒』 啟發式演算法的相關書籍 我是想系統的學習一下。最好能解釋一些難易程度不同的書。

我向你推薦兩本，一是：《現代優化計算方法》；二是：《智能優化演算法及其應用》。這兩本書都不錯，其中前者算是入門的書籍，講解清晰易懂。禁忌搜索、模擬退火、遺傳演算法、人工神經網路等啟發式演算法都有講到。