元启发式如何跳出局部最优？

        在使用启发式算法的时候，一个常见的问题是融入陷入局部最优，导致很长时间内算法的解难以得到改进，现总结一下几种常见的元启发式如何跳出局部最优。

一、跟算法内部设计无关： 使用多个初始解搜索；

二、跟算法内部设计有关：接受较差的解/扰动/交叉变异

        SA: 若新解优于原解，接受，否，以一定概率/接受标准 exp((sol.Cost-newsol.Cost)/ck)接受较差解。

        VND：纯静态算法，邻域只有一个的话，跟爬山无异；跟爬山相比多了邻域的个数。

        VNS：shake策略，扰动初始解，shaking本质上来说也是邻域搜索的一种，但需要注意的是，shake强度不能太小，不然很容易被局部搜索拉回，且shake对解的扰动程度比local search要强；同时shake的强度不能太大，不然与random search无异。

        GA:通过交叉/变异跳出局部最优；

•  交叉：需要两个父代的基因进行互换产生新的个体，改动程度比较大，类似于VNS当中的扰动，常见算子（OX、PMX、CX）
• 变异：针对单个个体按照一定概率对某些基因进行swap、insert等操作得到新的个体，类似于local search中的邻域算子；

        ILS：同时使用shaking+SA的接受标准，使得算法的探索性更强，跳出局部最优的可能性更大。

        Tabu：通过禁忌列表的设置保证跳出局部最优。