基于自然的灵感算法--元启发式

问题一：自然赋予的元启发式优化算法的分类

自然赋予的元启发式算法（模拟生物或者物理的现象去解决问题）有三大类也就是：基于进化，基于物理的，基于群体的

基于进化的主要是受达尔文的物种进化理论的启发，主要的算法有：GA(Genetic Algorithm)，ES（Evolution Strategy）PBIL（Probability-Based Incremental Learning），GP(GeneticProgramming)

BBO(Biogeography-Basedoptimizer)

基于物理现象的算法：模拟自然界的物理规律比如典型的算法有：SA（Simulated Annealing），GSA（Gravitation Local Search）CSS（ChargedSystem Search）CFO（Central Force Optimization）

ACROA（ArtificialChemical Reaction Optimization Algorithm）BH(Black Hole) RO(RayOptimization)

SMOA（Small-WorldOptimization Algorithm）GbSA（Galaxy-based Search Algorithm）CSO(Curved SpaceOptimization)

基于群的优化算法：模拟群体动物的社交行为。比如PSO（Particle Swarm Optimization）受鸟群的启发。Ant Colony Optimization

问题二：元启发式算法是什么鬼？

就是受自然的启发，而产生的一种解决优化问题的算法

问题三：启发式与元启发式有什么区别？

启发式算法：启发式算法_百度百科

https://baike.baidu.com/item/%E5%90%AF%E5%8F%91%E5%BC%8F%E7%AE%97%E6%B3%95/938987?fr=aladdin

元启发式算法：元启发式算法_百度百科

https://baike.baidu.com/item/%E5%85%83%E5%90%AF%E5%8F%91%E5%BC%8F%E7%AE%97%E6%B3%95/335967

现代启发式算法在优化机制方面存在一定的差异,但在优化流程上却具有较大的相似性,均是一种“邻域搜索”结构。算法都是从一个(一组)初始解出发,在算法的关键参数的控制下通过邻域函数产生若干邻域解,按接受准则(确定性、概率性或混沌方式)更新当前状态,而后按关键参数修改准则调整关键参数。如此重复上述搜索步骤直到满足算法的收敛准则,最终得到问题的优化结果。

禁忌搜索算法

禁忌搜索(tabu search)算法是一种全局性邻域搜索算法，它模拟了人类具有记忆功能的特征。禁忌搜索算法最早是由Glover在1986年提出的，随后很多学者对这个算法进行了完善，形成了一套完整的算法。

禁忌搜索算法主要针对一般的下降算法的缺点而提出来的，一般的下降算法在搜索到某个局部最优解时，算法很容易自动停止，而禁忌搜索算法采用禁忌策略尽量避免已搜索过的对象，从而保证了对不同的搜索路径的探索。（智能算法_百度百科

https://baike.baidu.com/item/%E6%99%BA%E8%83%BD%E7%AE%97%E6%B3%95/3387637?fr=aladdin

类似于在一个例子中的留下来一只兔子，让其在哪里坚守，告诉别人这里已经被搜索过了，然后还有线性的解也传给那只兔子）禁忌搜索算法不是搜索到局部最优解就停止搜索，而是引导算法跳出局部最优解，进而转向全局最优解。禁忌搜索算法是人工智能的一种体现，该算法最重要的思想是记住以往已搜索过的局部最优解，并在进一步迭代搜索中尽量避开这些局部最优解(而不是绝对禁止循环)，进而使得搜索途径多样化，以此跳出局部最优解。

在禁忌搜索算法中会涉及到邻域、候选集、禁忌对象、禁忌表、禁忌表规模、评价函数等内容，禁忌表特别指禁忌对象及其被禁的长度;禁忌对象多选择造成解变换的状态;候选集中的元素依评价函数而确定，根据评价函数的优劣选择一个可能替代被禁对象的元素，是否替代取决于禁忌的规则和其他一些特殊规则，如特赦规则;计算中的一些信息，如被禁对象对应的评价值、被禁的频率等，将对禁忌的长度和停止规则提供帮助。^[1] 

模拟退火算法

模拟退火(simulated annealing)算法属于一种通用的随机探索算法，最初是由Metropolis在1953年提出的，其基本思想是把某类优化问题的求解过程与统计热力学中的热平衡问题进行对比，试图通过模拟高温物体退火过程来找到优化问题的全局最优解或者近似最优解。1983年Kirkpartrick成功地将模拟退火算法应用在了组合优化问题。

模拟退火算法是受到了物体退火过程的启发。一个物体的退火过程大体如下:首先对该物体高温加热(融化)，显然物体内原了处于高速运行的高能状态，然而作为一个实际的物理系统，原子的运动又总是趋于最低的能量状态。在退火的初始状态，温度较高，物体处于高能状态，随着温度的逐渐降低，物体内部原了的运动趋于低能状态，这种有高能向低能逐渐降温的过程称为退火。当温度降至结晶温度后，物体由原了运动变成围绕晶体格点的微小振动，液体凝固成固体，退火过程结束。在求解组合优化问题时，将物体的内能E模拟为目标函数值f，温度T看成控制参数，就得到了我们所说的模拟退火算法