元启发式算法

‘壹’ 智能计算/计算智能、仿生算法、启发式算法的区别与关系

我一个个讲好了，
1）启发式算法：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。意思就是说，启发式算法是根据经验或者某些规则来解决问题，它求得的问题的解不一定是最优解，很有可能是近似解。这个解与最优解近似到什么程度，不能确定。相对于启发式算法，最优化算法或者精确算法（比如说分支定界法、动态规划法等则能求得最优解）。元启发式算法是启发式算法中比较通用的一种高级一点的算法，主要有遗传算法、禁忌搜索算法、模拟退火算法、蚁群算法、粒子群算法、变邻域搜索算法、人工神经网络、人工免疫算法、差分进化算法等。这些算法可以在合理的计算资源条件下给出较高质量的解。
2）仿生算法：是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。主要有：遗传算法、人工神经网络、蚁群算法、蛙跳算法、粒子群优化算法等。这些算法均是模仿生物进化、神经网络系统、蚂蚁寻路、鸟群觅食等生物行为。故叫仿生算法。
3）智能计算：也成为计算智能，包括遗传算法、模拟退火算法、禁忌搜索算法、进化算法、蚁群算法、人工鱼群算法，粒子群算法、混合智能算法、免疫算法、神经网络、机器学习、生物计算、DNA计算、量子计算、模糊逻辑、模式识别、知识发现、数据挖掘等。智能计算是以数据为基础，通过训练建立联系，然后进行问题求解。
所以说，你接触的很多算法，既是仿生算法，又是启发式算法，又是智能算法，这都对。分类方法不同而已。

这次楼主不要再老花了哈！

‘贰’ metaheuristic包括哪些算法

metaheuristic是元启发式方法。包含一些随机搜索算法诸如进化算法、蚁群算法、粒子群算法这类具有启发式框架的智能算法称为元启发式算法。

‘叁’ 近年来比较新颖的智能算法有哪些，比蜂群算法更新颖的算法。最好是元启发式的算法。

萤火虫算法、杂草算法、蝙蝠算法。在知网上可搜索到相应论文。

‘肆’ 元启发式算法中针对问题的灵敏度分析是否有意义

都是人工智能

‘伍’ 对 启发式算法的理解

启发式算法是一种能在可接受的费用内寻找最好的解的技术,但不一定能保证所得解的可行性和最优性,甚至在多数情况下,无法阐述所得解同最优解的近似程度

‘陆’ 元启发式算法的介绍

计算机科学的两大基础目标，就是发现可证明其执行效率良好且可得最佳解或次佳解的算法。而启发式算法则试图一次提供一或全部目标。

‘柒’ 谁能详细介绍一下启发式算法的原理或者方法

整数规划一般是不容易得到最优解的。启发式算法可以在合理的计算时间内得到较解。局域搜索启发式算法应用广泛。局域搜索的一般步骤如下： 从一个初始可行解出发 找出相邻的可行解 从相邻的可行解中找出更好的可行解 地，局域搜索启发式算法会得到一个局部最优解，而这个局部最优解有时就是全局。算法的好与坏都决定于步骤 3。 1.1 模拟退火方法 相邻元素是随机选择的，选上的概率为pn ， pn= 1∑。移动的决策取n∈ N标成本和退火概率： c(y)?c(x)??py(x)?eTc(y)φ c(x) pxy= ? ?py(x)?Ct温度梯度是根据一定的规则选择的，比如T (t) =T t() = Calog t或， a π 1。

‘捌’ 超启发式算法的超启发式算法的分类

由于超启发式算法的研究尚处于起步阶段，对于已有的各种超启发式算法，国际上尚未形成一致的分类方法。按照高层策略的机制不同，现有超启发式算法可以大致分为4类：基于随机选择、基于贪心策略、基于元启发式算法和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，采用一定学习机制，根据现有各种LLH的历史信息来决定采纳哪一个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-line learning）和离线学习（off-line learning）两种：前者是指LLH的历史信息是在求解当前实例过程中积累下来的；后者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，而待求解实例则可以根据这些历史信息来决定LLH的取舍

‘玖’ 元启发式算法和启发式算法有什么区别

启发式算法与元启发式算法对区别在于是否存在“随机因素”。 对一个同样的问题，启发式算法（heuristics）只要给定了一个输入，那么算法执行的步骤就固定下来了，输出也因此固定，多次运算结果保持一致。

而元启发式算法（meta－heuristics）里面包括了随机因素，如GA中的交叉因子，模拟退火中的metropolis准则，这些随机因素也使得算法有一定概率跳出局部最优解而去尝试全局最优解，因此元启发式算法在固定的输入下，而输出是不固定的。

启发式算法(Heuristic Algorigthm)是一种基于直观或经验构造的算法,在可接受的花费(指计算时间、计算空间等)给出待解决优化问题的每一实例的一个可行解，该可行解与与最优解的偏离程度一般不可以事先预计。

启发式算法是一种技术,这种算法可以在可接受的计算费用内找到最好的解,但不一定能保证所得到解的可行性及最优性，甚至大多数情况下无法阐述所得解与最优解之间的近似程度。

元启发式算法（MetaHeuristic Algorigthm）是启发式算法的改进，它是随机算法与局部搜索算法相结合的产物，常见的启发式算法包括遗传算法、模拟退火算法、禁忌搜索算法及神经网络算法等。

新兴的元启发式算法有、粒子群优化算法、差分进化算法，蚁群优化算法、萤火虫算法、布谷鸟算法、和声搜索算法、差分进化算法、随机蛙跳算法、细菌觅食算法、蝙蝠算法的算法等。

‘拾’ 蚁群优化的目录

1 从真实蚂蚁到人工蚂蚁
1.1 蚂蚁的觅食行为及其优化过程
1.2 向人工蚂蚁转换
1.3 人工蚂蚁和最小成本路径
1.4 书目评注
1.5 需要牢记的知识点
1.6 思考与计算习题
2 蚁群优化元启发式算法
2.1 组合优化
2.2 ACO元启发式算法
2.3 如何应用ACO
2.4 其他元启发式算法
2.5 书目评注
2.6 需要牢记的知识点
2.7 思考与计算习题
3 旅行商问题中的蚁群优化算法
3.1 旅行商问题
3.2 TSP中的ACO算法
3.3 蚂蚁系统及其直接后续算法
3.4 蚂蚁系统的扩展
3.5 并行执行
3.6 实验测评
3.7 添加局部搜索的ACO
3.8 ACO算法的实现
3.9 书目评注
3.10 需要牢记的知识点
3.11 思考与计算习题
4 蚁群优化理论
4.1 ACO的理论思考
4.2 问题和算法
4.3 收敛性证明
4.4 ACO与基本模型的搜索
4.5 书目评注
4.6 需要牢记的知识点
4.7 思考与计算习题
5 NP-难问题的蚁群优化
6 数据网络路由中的ACO算法
7 总结与对未来的展望
附录 有关ACO领域的信息来源
参考文献
索引