启发式优化算法综述【精品文档】(完整版)

启发式优化算法综述

一、启发式算法简介

1、定义

由于传统的优化算法如最速下降法，线性规划，动态规划，分支定界法，单纯形法，共轭梯度法，拟牛顿法等在求解复杂的大规模优化问题中无法快速有效地寻找到一个合理可靠的解，使得学者们期望探索一种算法:它不依赖问题的数学性能，如连续可微，非凸等特性; 对初始值要求不严格、不敏感，并能够高效处理髙维数多模态的复杂优化问题，在合理时间内寻找到全局最优值或靠近全局最优的值。于是基于实际应用的需求，智能优化算法应运而生。智能优化算法借助自然现象的一些特点，抽象出数学规则来求解优化问题，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）。

为什么要引出启发式算法，因为NP问题，一般的经典算法是无法求解，或求解时间过长，我们无法接受。因此，采用一种相对好的求解算法，去尽可能逼近最优解，得到一个相对优解，在很多实际情况中也是可以接受的。启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定能保证所得的可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。

启发式算法是和问题求解及搜索相关的，也就是说,启发式算法是为了提高搜索效率才提出的。人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题

时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案，以随机或近似随机方法搜索非线性复杂空间中全局最优解的寻取。启发式解决问题的方法是与算法相对立的。算法是把各种可能性都一一进行尝试，最终能找到问题的答案，但它是在很大的问题空间内，花费大量的时间和精力才能求得答案。启发式方法则是在有限的搜索空间内，大大减少尝试的数量，能迅速地达到问题的解决。

2、发展历史

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，才能取得了巨大的成就。纵观启发式算法的历史发展史：

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）。

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（Tabu Search）相继出现。

最近比较火热的：演化算法（Evolutionary Algorithm）, 蚁群算法（Ant Algorithms），拟人拟物算法，量子算法等。

二、启发式算法类型

1、类型简介

大部分的算法都是仿生演变而来，如下：仿动物类的算法：粒子群优化，蚁群算法，鱼群算法，蜂群算法等；仿植物类的算法：向光性算法，杂草优化算法等；仿人类的算法有：遗传基因算法，和声搜索算法，神经网络；以及其他的理论成熟并被广泛使用的算法如：模拟退火算法、禁忌搜索等等

①、粒子群算法

粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解．粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。

设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在那。但是它们知道自己当前的位置距离食物还有多远。那么找到食物的最优策略是什么？最简单有效的就是搜寻目前离食物最近的鸟的周围区域。

②、蚁群算法

蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。

蚂蚁在运动过程中，会留下一种称为信息素的东西，并且会随着移动的距离，播散的信

息素越来越少，所以往往在家或者食物的周围，信息素的浓度是最强的，而蚂蚁自身会根据信息素去选择方向，当然信息素越浓，被选择的概率也就越大，并且信息素本身具有一定的挥发作用。蚂蚁的运动过程可以简单归纳如下：

1当周围没有信息素指引时，蚂蚁的运动具有一定的惯性，并有一定的概率选择其他方向；

2当周围有信息素的指引时，按照信息素的浓度强度概率性的选择运动方向；

3找食物时，蚂蚁留下家相关的A信息素，找家时，蚂蚁留下食物相关的B信息素，并随着移动距离的增加，洒播的信息素越来越少；

4随着时间推移，信息素会自行挥发；

由上面4点原则构成蚁群算法的核心规则。

③、遗传基因算法

遗传算法（Genetic Algorithm）又叫基因进化算法，或进化算法。生物只有经过许多世代的不断进化（evolution,演化），才能更好地完成生存与繁衍的任务。遗传算法也遵循同样的方式，需要随着时间的推移不断成长、演化，最后才能收敛，得到针对某类特定问题的一个或多个解。

遗传算法是一种基于自然选择和群体遗传机理的捜索算法，它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象。标准的遗传算法包括四个组成部分：

1)编码（产生初始种群）。在利用遗传算法求解问题时，首先要确定问题的目标函数和解变量，然后对解变量进行编码，遗传算法的所有操作都是基于这种实际变量的编码。编码是遗传算法的一个重要环节。它不仅决定了染色体的组织方式，还影响到交叉、变异算子的执行方式。不同的编码策略对遗传算法的运行效率有较大的影响。问题的编码一般应满足完备性、健全性和非冗长性H个原则，完备性是指问题空间中的所有点都能成为GA编码空

间中点的表现型；健全性是指GA编码空间中染色体必须对应问题空间中的某一潜在解；非冗长性是指染色体和潜在解必须一一对应PS1。对于一个特定的问题，如何设计出一种高效的编码方式是遗传算法所面临的难题之一，遗憾的是，研究者们至今也没能找到一种通用的编码策略。目前，工程优化中多采用两种常用的编码方式，即二进制编码Psi和实数编码PD1。二进制编码的染色体是由一个二值集合｛0,1｝所组成的二进制符号串。作为GA算法的标准编码方式，该编码方式尤其适用于能用二值向量描述的优化问题，如化学反应P11、多用途过程规划P3和最优水流参数评估Psi等；实数编码是指个体的每个基因值用某一范围的一个浮点数表示，个体的编码长度等于其决策变量（设计变量）的个数。这种编码方式适用于精度要求较高的遗传算法中，便于较大空间的遗传搜索：改善了遗传算法的计算复杂性，提高了运算效率；便于遗传算法和经典优化算法的混合使用：目前基于实数编码的遗传算法也被广泛用于优化问题中，如多目标优化IW，凸轮轮廓设汁等。

2)选择操作。选择是指从群体中选择优良的个体并淘汰劣质个体的操作。它建立在适应度评估的基础上，遼应度楚大的个体，被选择的可能性就越大，它的吁孙＂在下一代的个数就越多。选择出来的个体被放入配对库中。目前常用的选择方法有轮盘赌方法、最佳个体保留法、期望值法和排序选择法等。

3）交叉操作。交叉是指两个父代个体的部分结构加W替换重组而生成新个体的操作，目的是为了能够在下一代产生新的个体。通过交叉操作，遗传算法的搜索能力得W提高。交叉是遗传算法获取新优良个体最重要的手段，按照一定的交叉概率在配对库中随机地选取两个个体进行交叉，交叉的位置也是随机确定的。

4）变异。变异就是很小的变异概率随机地改变群体中个体的某些基因的值。变异操作中位置选取的基本过程如下：产生一个在0~1之间的随机数，如果小于Pm则进行变异操作。