生物启发算法书

‘壹’ 《生物信息学算法导论》pdf下载在线阅读全文，求百度网盘云资源

《生物信息学算法导论》网络网盘pdf最新全集下载:
链接: https://pan..com/s/1e5BHq-Si5exzRvzcElxm0g

‘贰’ 有关启发式算法（Heuristic Algorithm）的一些总结

节选自维基网络：

启发法 （ heuristics ，源自古希腊语的εὑρίσκω，又译作：策略法、助发现法、启发力、捷思法）是指 依据有限的知识 （或“不完整的信息”）在短时间内找到问题解决方案的一种技术。

它是一种依据 关于系统的有限认知 和 假说 从而得到关于此系统的结论的分析行为。由此得到的解决方案有可能会偏离最佳方案。通过与最佳方案的对比，可以确保启发法的质量。

计算机科学的两大基础目标，就是 发现可证明其运行效率良好 且可 得最佳解或次佳解 的算法。

而启发式算法则 试图一次提供一个或全部目标 。例如它常能发现很不错的解， 但也没办法证明它不会得到较坏的解 ； 它通常可在合理时间解出答案，但也没办法知道它是否每次都可以这样的速度求解。

有时候人们会发现在某些特殊情况下，启发式算法会得到很坏的答案或效率极差， 然而造成那些特殊情况的数据结构，也许永远不会在现实世界出现 。

因此现实世界中启发式算法很常用来解决问题。启发式算法处理许多实际问题时通常可以在合理时间内得到不错的答案。

有一类的 通用启发式策略称为元启发式算法（metaheuristic） ，通常使用随机数搜索技巧。他们可以应用在非常广泛的问题上，但不能保证效率。

节选自网络：

启发式算法可以这样定义：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一般不能被预计。 现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、神经网络等。

目前比较通用的启发式算法一般有模拟退火算法（SA）、遗传算法（GA）、蚁群算法（ACO）。

模拟退火算法(Simulated Annealing, SA)的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火算法便是基于这样的原理设计而成。

求解给定函数的最小值：其中，0<=x<=100,给定任意y的值，求解x为多少的时候，F(x)最小？

遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种 高效、并行、全局搜索 的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并 自适应 地控制搜索过程以求得最佳解。

给定一组五个基因，每一个基因可以保存一个二进制值 0 或 1。这里的适应度是基因组中 1 的数量。如果基因组内共有五个 1，则该个体适应度达到最大值。如果基因组内没有 1，那么个体的适应度达到最小值。该遗传算法希望 最大化适应度 ，并提供适应度达到最大的个体所组成的群体。

想象有一只蚂蚁找到了食物，那么它就需要将这个食物待会蚂蚁穴。对于这只蚂蚁来说，它并不知道应该怎么回到蚂蚁穴。

这只蚂蚁有可能会随机选择一条路线，这条路可能路程比较远，但是这只蚂蚁在这条路上留下了记号（一种化学物质，信息素）。如果这只蚂蚁继续不停地搬运食物的时候，有其它许多蚂蚁一起搬运的话，它们总会有运气好的时候走到更快返回蚂蚁穴的路线。当蚂蚁选择的路线越优，相同时间内蚂蚁往返的次数就会越多，这样就在这条路上留下了更多的信息素。

这时候，蚂蚁们就会选择一些路径上信息素越浓的，这些路径就是较优的路径。当蚂蚁们不断重复这个过程，蚂蚁们就会更多地向更浓的信息素的路径上偏移，这样最终会确定一条路径，这条路径就是最优路径。

‘叁’ 《计算机：一部历史 》| 想要看清未来，需要首先了解过去

写在前面的话：

先做个自我介绍。某高校苦逼科研狗兼导师一枚，平常主要工作就是代课和科研。闲暇时喜欢读读书，口味比较杂，偏爱文史类。写荐书其实是源自于某次和组里研究生聊天，发现大家平时都不怎么读书。我觉着不好。所猛逗羡以就动笔写点东西，推荐几本个人觉着不错的书给同学们，希望能从抖音里抢一些时间出来。

类别：提升

书名：计算机：一部历史

内容简介

《计算机：一部历史》，给大众读者写的计算机科普读物，零门槛入门计算机科学。讲述计算机背后鲜为人知的故事，普及关于计算机和互联网你不得不了解的知识。无论你是否具备计算机专业背景，只要你使用计算机，这本书就是你的案头必备。（摘自微信读书）

作者简介

彼得·本特利（Peter J.Bentley），伦敦大学学院计算机科学系教授，数字生物实验室负责人。于1993年获得英国埃塞克斯大学计算机科学学士学位，1996年获得英国哈德斯菲尔德大学设计应用进化计算博士学位。目前已发表250多篇科学论文。主要研究兴趣包括建模和生物启发式计算、代理建模、进化算法和其他复杂系统及相关应用。（摘自ieee.org）

优秀的科普读物

我每年代的课是计算机导论，是一年级新生的通识课。这门课不好代。原因在于课程内容杂，覆盖面广，基本上一章就是一个独立的计算机领域，但是课时却是一减再减，从64减到32。去年开始，软件学院又减到了16学时。 本来这门课就不能讲太多理论知识，是以激发兴趣为主，多讲故事，留下扣子，为的是同学们将来上后续专业课时保持一点求知欲。 但是课时的限制导致我上课时，只能指雹砍掉很多有趣的故事。所以我一直在找一本适合没有任何专业背景的同学，能够读懂，读明白而又乐意读下去的课外科普读物。这本书就是我要找的。

这是一部不错的讲述计算机科学史的科普读物。 我把这本书类别定义为了提升，不是专业，原因在于这本书对于非计算机专业的同学而言，阅读也不吃力。 可能没有专业的知识沉淀，对于书中的某些概念不好理解，但是这并不妨碍同学们对计算机历史发展的了解。

这本书比之前推荐过的《艾伦·图灵传》要好读很多。 图灵传里有很多数学理论的内容，我读着非常吃力。开始还试着理解它们，但是以我的数学基础，完全看不懂。 所以，在读图灵传的时候，这些内容我基本是跳过的。原因是因为图灵传的作者是图灵在剑桥的同事，也是研究数学的。所以在着书时可能习惯性会着笔于一些理论内容的探讨。这对于有相关知识沉淀的读者，可能会更好的理解图灵的思想，但是对于大多数向我这样的门外汉，读着就异常吃力了。

传记风格的科普读物

这本书就好很多。本书的作者是彼得·本特利（Peter J. Bentley），伦敦大学学院计算机系教授。网上随便搜搜，就能发现他的很多专着（Researchgate，IEEE，Zlibrary上都能找到）。这本书英文版在2012年出版，中文版2015年出版（抱歉文中我贴的是英文版的封面，因为中文版封面的分辨率太低了）。不算特别新，但是对于科学史的科普读物，也足够了。英文原名叫《Digitized：The Science of Computer and How It shapes Our World》。又一本被译名耽误的好书，之前推荐的百年都铎王朝也算一本。 原文里的Digitized（数字化）一词，真的太重要了。现在的译名，就少了那个味道。

这本书有几个优点。一是表述不晦涩。作者的文风看不出有太多惯用的科技文献写作手法的痕迹，而更有历史传记作家的感觉。读起来很顺畅，一个个历史人物依次登场，从图灵、香农、冯·诺依曼，到恩格尔巴特、文特·瑟夫、伯纳斯·李，看着一个个熟悉的名字跃入纸上，跟着作者的文字去再现当年的历史故事，实在有趣。此外，作者对枝拍大佬级的人物，都做了背景描述。让同学们能对人物有更全面的了解。这很合我的口味，我很受用。上面这些名字，计算机和信息专业的同学，估计没有不认识的。

这个地方特别提一下文特·瑟夫（Vint Cerf）， 原因是我曾有幸听过一次老爷子的现场报告，并且还合过影，因为是老爷子给我颁的奖。 如果有认识我的同学，网络上还能搜得到新闻，应该是我不多的高光时刻了。当然，奖也不是啥重要的奖，就是蹭了个奖台。没听说过这个人？这老爷子有个头衔，互联网之父。原因是他和另外一个人提出了TCP/IP。另一个人是戈登·摩尔，就是提出摩尔定律的那个摩尔。

技术和标准的国家属性

上次说到互联网之父，文特·瑟夫（Vint Cerf）。当年的文特很理想，他认为全世界都应该使用同样的通讯协议，这就构成了建立跨越国家和地区的全世界连接的网络的前提。但是他的老师彼得·柯斯坦却很现实，“文特的想法在美国可以实现，但在英国不行，英国总有人开发不同的网络协议。因此必须有人发挥桥梁的作用，使各种类型的网络兼容并包。 我们必须考虑到，不同国家和地区有着不同的发展步伐，这不仅仅表现在技术上，也表现在政治上。 要想推动互联网的发展，必须因地制宜。”不仅科学有国家属性，技术和标准的国家属性更明显。同学们联系现在正在发生的事想想看。复制之前的那句话，无论什么时候，身在哪里，永远记住你证件上的国徽。对了，彼得·柯斯坦被称为欧洲互联网之父，授过大英帝国勋章。供职于伦敦大学学院，和本书作者一个地方。

宽泛的内容

这本书的第二个优点，内容比较宽泛，涉及到了计算机科学几个重要领域，基本每一章是一个独立领域。而且相互的联系不大，同学们可以各取所需。 以硬件为例，在书里同学们可以了解计算机从无到有的过程，从图灵的理论模型到香农的逻辑电路到约翰·埃克特的ENIAC到冯·诺依曼的EDVAC，元器件从电子管到晶体管再到罗伯特·诺伊斯（英特尔的创始人）的集成电路，包括到现在研究者们正在努力突破冯·诺依曼体系，尝试各种包括仿生、量子等未来计算芯片的可能性。

除此之外，软件，书里从二进制谈到了存储程序到微指令到软件开发到软件测试和评估。网络，从APRNET谈到了TCP/IP到万维网到超文本标记语言到网络安全。人机交互，从图形用户界面（GUI）谈到了多媒体到虚拟现实/增强现实（VR/AR）。人工智能，谈到了图灵最初的自动下棋的想法到冯·诺依曼的最小最大定理到人工智能的三大流派到人工智能的几次低谷（那个时候研究者都羞于提自己是研究人工智能，都换其他词了）。

新的进展

受限于本书的成书时间在八年前，所以对于目前的一些最新的进展，书中并没有表述出来。比如AR/VR而言，现在我们已经提出了混合现实（MR）的概念，微软已经推出了HoloLens的二代产品，融合了手势交互。价格不便宜，感兴趣同学可以自行网络下。我一朋友的公司买了一部做开发，有本校同学感兴趣的话可以私信我，我回头带你去体验下。

我想一定会有同学提人工智能。最近太火了，扑面而来，躲之不及。但是，组里同学一定都知道我的个人观点。上个月也写过一篇短文，回头整理整理发公众号上。这里我只想引用两个人的话，来作为此篇荐书的收尾。

1965年，希尔伯特·西蒙（有九个博士学位的把妹高手）宣称：“不到二十年，机器就能够做到人可以做的任何事情。”1970年，马文·明斯基（人工智能之父，有这个头衔的人有点多，回头给大家说说）说“不出一代人的时间...创造人工智能的问题就会基本得到解决。” 事实证明，人们对人工智能的发展总是过于乐观。 说起流派，我觉着原来的三大流派已经过时了。现在应该是四大流派，疯狂鼓吹媒体派，风口圈钱资本派，谨小慎微学者派，无辜吃瓜群众派。

一家之言，难免偏颇。

有贻笑大方处，欢迎留言指出。

‘肆’ 启发式算法

什么是算法？从枚举到贪心再到启发式（上）
目标 ：要优化的东西
决策 ：根据目标做出的决策
约束 ：进行决策时必须遵循的条件
算例 ：问题参数的具体化

枚举法 ：将问题所有的解一一枚举出来，挨个去评价，选出最好的那个
1.枚举法能够找到问题的最优解
2.枚举法求解时间随问题规模增长而呈爆炸式增长

贪心法 ：利用“构造”的方式生成解，速度相对而言会非常快，同时不会随着问题规模的增长而大幅度增加，是平缓的线性增长
什么是算法？从枚举到贪心再到启发式（下）
启发式算法 ：在一个合理的求解资源范围内（合理的时间，合理的内存开销等）求得一个较为满意的解。目前主要包括邻域搜索和群体仿生两大类。
解空间 ：所有该问题的解的集合，包括可行解和不可行解
局部搜索 ：不完全遍历解空间，只选择一部分进行遍历，进而大大降低搜索需要的资源。为了提高局部搜索的质量，大部分局部搜索算法都会在搜索的时候不断地抓取多个区域进行搜索，直到满足算法终止条件。
邻域 ：在邻域结构定义下的解的集合，它是一个相对的概念，即邻域肯定是基于某个解产生的
邻居解 ：邻域内某个解的称呼
邻域结构 ：定义了一个解的邻域
邻域结构的设计在启发式算法中非常重要，它直接决定了搜索的范围，对最终的搜索结构有着重要的影响，直接决定了最终结果质量的好坏
搜索过程

不断重复步骤2-步骤5，直到满足终止条件，最后输出全局最优解

所有的启发式找到的都是满意解，不能说是最优解（即便真的是），因为它遍历的是解空间的局部。
一般情况下，启发式算法的时间是随着问题规模增长而呈线性增长的
干货 | 想学习优化算法，不知从何学起？
邻域搜索类
迭代局部搜索算法
模拟退火算法
变邻域搜索算法
禁忌搜索
自适应大邻域搜索
群体仿生类
遗传算法
蚁群算法
粒子群算法
人工鱼群算法
算法应用
禁忌搜索算法求解带时间窗的车辆路径问题
基于树表示法的变邻域搜索算法求解考虑后进先出的取派货旅行商问题
变邻域搜索算法求解Max-Mean dispersion problem
遗传算法求解混合流水车间调度问题

‘伍’ 启发式搜索算法的算法举例

启发算法有： 蚁群算法，遗传算法、模拟退火算法等 蚁群算法是一种来自大自然的随机搜索寻优方法，是生物界的群体启发式行为，现己陆续应用到组合优化、人工智能、通讯等多个领域。蚁群算法的正反馈性和协同性使其可用于分布式系统，隐含的并行性更使之具有极强的发展潜力。从数值仿真结果来看，它比目前风行一时的遗传算法、模拟退火算法等有更好的适应性。

‘陆’ 什么是启发式算法

什么是启发式算法
大自然是神奇的，它造就了很多巧妙的手段和运行机制。受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（HeuristicAlgorithm）。现在的启发式算法也不是全部来自然的规律，也有来自人类积累的工作经验。驾驶汽车到达某人的家，写成算法是这样的：沿167 号高速公路往南行至阳谷；从阳谷高速出口出来后往山上开4.5 英里；在一个杂物店旁边的红绿灯路口右转，接着在第一个路口左转；从左边褐色大房子的车道进去，就是某人的家。启发式方法来描述则可能是这样：找出上一次我们寄给你的信，照着信上面的寄出地址开车到这个镇；到了之后你问一下我们的房子在哪里。这里每个人都认识我们—顶肯定有人会很愿意帮助你的；如果你找不到人，那就找个公共电话亭给我们打电话，我们会出来接你。
什么是启发式算法
建议你去了解下a*算法吧

简而言之就是会有一个评估函数进行评价以辅助选出最优接
经典的启发式算法包括哪些？ 5分
蚁群，模拟退火，禁忌搜索，人工神经网络等。。。

推荐教材《现代优化计算方法》第二版 邢文训，谢金星 清华大学出版社

另一本补充，《最优化理论与方法》 黄平 清华大学出版社

第一本教材网上有电子版，你自己搜下
对 启发式算法的理解
什么是启发式算法转自：p:blog.csdn/aris_zzy/archive/2006/05/27/757156.aspx引言：

解决实际的问题，要建模型，在求解。求解要选择算法，只有我们对各种算法的优缺点都很熟悉后才能根据实际问题选出有效的算法。但是对各种算法都了如指掌是不现实的，但多知道一些，会使你的选择集更大，找出最好算法的概率越大。现在研一，要开题了些点文献综述，愿与大家分享。大自然是神奇的，它造就了很多巧妙的手段和运行机制。受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。现在的启发式算法也不是全部来自然的规律，也有来自人类积功的工作经验。启发式算法的发展：

启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，取得了巨大的成就。

40年代：由于实际需要，提出了启发式算法（快速有效）。

50年代：逐步繁荣，其中 贪婪算法和局部搜索 等到人们的关注。

60年代: 反思，发现以前提出的启发式算法速度很快，但是解得质量不能保证，而且对大规

模的问题仍然无能为力（收敛速度慢）。启发式算法的不足和如何解决方法：

（水平有限 仅仅提出6点）

启发式算法目前缺乏统一、完整的理论体系。

很难解决！ 启发式算法的提出就是根据经验提出，没有什么坚实的理论基础。

由于NP理论，启发式算法就解得全局最优性无法保证。

等NP？=P有结果了再说吧，不知道这个世纪能不能行。

各种启发式算法都有个自优点如何，完美结合。

如果你没有实际经验，你就别去干这个，相结合就要做大量尝试，或许会有意外的收获。

启发式算法中的参数对算法的效果起着至关重要的作用，如何有效设置参数。

还是那句话，这是经验活但还要悟性，只有try again………..

启发算法缺乏有效的迭代停止条件。

还是经验，迭代次数100不行，就200，还不行就1000…………

还不行估计就是算法有问题，或者你把它用错地方了………..

启发式算法收敛速度的研究等。

你会发现，没有完美的东西，要快你就要付出代价，就是越快你得到的解也就远差。其中（4）集中反映了超启发式算法的克服局部最优的能力。虽然人们研究对启发式算法的研究将近50年，但它还有很多不足：1.启发式算法目前缺乏统一、完整的理论体系。2.由于NP理论，各种启发式算法都不可避免的遭遇到局部最优的问题，如何判断3.各种启发式算法都有个自优点如何，完美结合。4.启发式算法中的参数对算法的效果起着至关重要的作用，如何有效设置参数。5.启发算法缺乏有效的迭代停止条件。6.启发式算法收敛速度的研究等。

70年代：计算复杂性理论的提出，NP问题。许多实际问题不可能在合理的时间范围内找到全局最优解。发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，等到的解没有全局最优性。

由此必须引入新的搜索机制和策略………..

Holland的遗传算法出现了（Genetic Algorithm）再次引发了人们研究启发式算法的

兴趣。

80年代以后：

模拟退火算法（Simulated Annealing Algorithm），人工神经网络（Artificial Neural Network），禁忌搜索（Tab......
什么是启发式算法（转）
启发式方法（试探法）是一种帮你寻求答案的技术，但它给出的答案是具有偶然性的（subjecttochance），因为启发式方法仅仅告诉你该如何去找，而没有告诉你要找什么。它并不告诉你该如何直接从A点到达B点，它甚至可能连A点和B点在哪里都不知道。实际上，启发式方法是穿着小丑儿外套的算法：它的结果不太好预测，也更有趣，但不会给你什么30

天无效退款的保证。

驾驶汽车到达某人的家，写成算法是这样的：沿167

号高速公路往南行至Puyallup；从SouthHillMall出口出来后往山上开4.5

英里；在一个杂物店旁边的红绿灯路口右转，接着在第一个路口左转；从左边褐色大房子的车道进去，就是NorthCedar路714号。

用启发式方法来描述则可能是这样：找出上一次我们寄给你的信，照着信上面的寄出地址开车到这个镇；到了之后你问一下我们的房子在哪里。这里每个人都认识我们——肯定有人会很愿意帮助你的；如果你找不到人，那就找个公共电话亭给我们打电话，我们会出来接你。

从上面的启发式算法的解释可以看出，启发式算法的难点是建立符合实际问题的一系列启发式规则。启发式算法的优点在于它比盲目型的搜索法要高效，一个经过仔细设计的启发函数，往往在很快的时间内就可得到一个搜索问题的最优解，对于NP问题，亦可在多项式时间内得到一个较优解。
启发式算法的最短路径
所谓的最短路径问题有很多种意思， 在这里启发式指的是一个在一个搜寻树的节点上定义的函数h(n)，用于评估从此节点到目标节点最便宜的路径。启发式通常用于资讯充分的搜寻算法，例如最好优先贪婪算法与A*。最好优先贪婪算法会为启发式函数选择最低代价的节点；A*则会为g(n) + h(n)选择最低代价的节点，此g(n)是从起始节点到目前节点的路径的确实代价。如果h(n)是可接受的（admissible）意即h(n)未曾付出超过达到目标的代价，则A*一定会找出最佳解。最能感受到启发式算法好处的经典问题是n-puzzle。此问题在计算错误的拼图图形，与计算任两块拼图的曼哈顿距离的总和以及它距离目的有多远时，使用了本算法。注意，上述两条件都必须在可接受的范围内。
什么启发式算法可以短时间求到最优解
马踏棋盘的问题很早就有人提出，且早在1823年，J.C.Warnsdorff就提出了一个有名的算法。在每个结点对其子结点进行选取时，优先选择‘出口’最小的进行搜索，‘出口’的意思是在这些子结点中它们的可行子结点的个数
启发式算法的新算法
如何找到一个分叉率较少又通用的合理启发式算法，已被人工智能社群深入探究过。 他们使用几种常见技术：部分问题的解答的代价通常可以评估解决整个问题的代价，通常很合理。例如一个10-puzzle拼盘，解题的代价应该与将1到5的方块移回正确位置的代价差不多。通常解题者会先建立一个储存部份问题所需代价的模式数据库(pattern database)以评估问题。 解决较易的近似问题通常可以拿来合理评估原先问题。例如曼哈顿距离是一个简单版本的n-puzzle问题，因为我们假设可以独立移动一个方块到我们想要的位置，而暂不考虑会移到其他方块的问题。 给我们一群合理的启发式函式h1(n),h2(n),...,hi(n)，而函式h(n) = max{h1(n),h2(n),...,hi(n)}则是个可预测这些函式的启发式函式。 一个在1993年由A.E. Prieditis写出的程式ABSOLVER就运用了这些技术，这程式可以自动为问题产生启发式算法。ABSOLVER为8-puzzle产生的启发式算法优于任何先前存在的！而且它也发现了第一个有用的解魔术方块的启发式程式。
启发式算法的概括内容
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。 例如它常能发现很不错的解，但也没办法证明它不会得到较坏的解；它通常可在合理时间解出答案，但也没办法知道它是否每次都可以这样的速度求解。有时候人们会发现在某些特殊情况下，启发式算法会得到很坏的答案或效率极差，然而造成那些特殊情况的数据组合，也许永远不会在现实世界出现。因此现实世界中启发式算法常用来解决问题。启发式算法处理许多实际问题时通常可以在合理时间内得到不错的答案。有一类的通用启发式策略称为元启发式算法（metaheuristic），通常使用乱数搜寻技巧。他们可以应用在非常广泛的问题上，但不能保证效率。近年来随着智能计算领域的发展，出现了一类被称为超启发式算法（Hyper-Heuristic Algorithm）的新算法类型。最近几年，智能计算领域的着名国际会议（GECCO 2009, CEC 2010，PPSN 2010）[1]分别举办了专门针对超启发式算法的workshop或session。从GECCO 2011开始，超启发式算法的相关研究正式成为该会议的一个领域（self* search-new frontier track）。国际智能计算领域的两大着名期刊Journal of Heuristics和Evolutionary putation也在2010年和2012年分别安排了专刊，着重介绍与超启发式算法有关的研究进展。
什么是启发式
这两天在看关于民航调度的文章，很多文章中都提到“启发式”算法，感觉和智能算法类似，那到底算法呢？我找到如下的一些我认为比较好的解释：------------------------------------------------------------------------------------------------------------------------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.--------------------------------------------------------------------------------------------------------------------------启发式方法（试探法）是一种帮你寻求答案的技术，但它给出的答案是具有偶然性的（subject to chance），因为启发式方法仅仅告诉你该如何去找，而没有告诉你要找什么。它并不告诉你该如何直接从A 点到达B 点，它甚至可能连A点和B点在哪里都不知道。实际上，启发式方法是穿着小丑儿外套的算法：它的结果不太好预测，也更有趣，但不会给你什么30 天无效退款的保证。 驾驶汽车到达某人的家，写成算法是这样的：沿167 号高速公路往南行至Puyallup；从South Hill Mall 出口出来后往山上开4.5 英里；在一个杂物店旁边的红绿灯路口右转，接着在第一个路口左转；从左边褐色大房子的车道进去，就是North Cedar 路714 号。用启发式方法来描述则可能是这样：找出上一次我们......

‘柒’ 启发式算法的相关书籍 我是想系统的学习一下。最好能解释一些难易程度不同的书。

我向你推荐两本，一是：《现代优化计算方法》；二是：《智能优化算法及其应用》。这两本书都不错，其中前者算是入门的书籍，讲解清晰易懂。禁忌搜索、模拟退火、遗传算法、人工神经网络等启发式算法都有讲到。