五种典型启发式算法对比总结
说明：
1. 五种启发式算法包括：遗传算法，粒子群算法，蚁群算法，禁忌搜索，模拟退火
之前的博文中已经写了五种启发式算法的偏应用的总结，避开背景知识和代码，已经尝试从问题和解的角度去总结五种算法的流程和思路
其中：
遗传算法，粒子群算法，模拟退火 附带的示例是求解函数极值
蚁群算法，禁忌搜索 附带的示例是求解TSP
遗传算法（GA）： 遗传算法（GA）总结：算法流程，实例，思路
粒子群算法（PSO）：粒子群算法（PSO）总结：算法流程，实例，思路
蚁群算法（ACO）： 蚁群算法（ACO）总结：算法流程，实例，思路
禁忌搜索（TS）： 禁忌搜索（TS）总结：算法流程，实例，思路
模拟退火（SA）： 模拟退火（SA）总结：算法流程，实例，思路
2. 不同的启发式算法原本就是针对不同的问题而发明的，各种方法有各自的适用范围，原则上应该是根据具体问题选择算法，脱离具体问题而单独对比算法不太合理。但是对比总结有助于理清各个算法的思路，所以本文还是给出简要对比
3. 各种启发式方法都存在各种改进版，都在不断的更新完善，这里只是根据个人的理解，总结基础版的五种启发式方法
以下是根据个人理解的对比总结
注意：各种算法里的每种操作都可以自由设计，而且设计方式不固定，所以对比总结里的某些方面不一定完全准确，这里仍然是尝试从问题和解的角度去总结
| 1.遗传算法 | 2.粒子群算法 | 3.蚁群算法 | 4.禁忌搜索 | 5.模拟退火 | |
| 群体/单体 | 群体 | 群体 | 群体 | 单体 | 单体 |
| 使用问题范围 | 离散优化 连续优化 | 连续优化 | 离散优化 | 离散优化 | 离散优化 连续优化 |
| 新解的产生方式 | （选择） 交叉 变异 | 速度更新公式产生增量，增量添加到当前解上 | 依据信息素和城市间距，以概率产生新解 | 构造邻域，邻域中选取 | 构造偏移量，偏移量加到当前解上 |
| 逐步靠近优解 （优解对于新解的产生过程的引导性） | 选择过程中的轮盘赌，更优的解保留的几率更大 | 群体最优解、单体最优解都影响每个解的更新过程 | 信息素越浓、城市间距越短的路径被选中的概率越大 | 选用最优解产生领域 | 更优的解一定接受 |
| 劣解概率接受 （跳出局部最优） | 交叉变异都会产生新解，种群更新时采用轮盘赌，劣解有几率保留 | 解的更新过程中产生的新解会覆盖群体最优解、单体最优解的周边解空间 | 信息素不浓、城市间距不短的路径也有概率被选中 | 只能取和禁忌表中保存的解不相同的解，有几率取到次优解或劣解 | Metropolis准则，以概率接受劣解 |
| 算法中的随机性 | 1.初始解 2.选择环节 某个解是否保留 3.交叉环节 某个基因是否用于交叉，交叉位置 4.变异环节 某个基因是否变异，变异位置 | 1.初始解 2.初始速度 3.速度更新公式里的随机权重 | 蚂蚁在某城市选择下一个要去的城市的概率 | 初始解 | 1.初始解 2.产生的新解 3.接受劣解时概率 |
| 核心思路 （思想内涵） （算法特色） | 选择环节保留优解，交叉变异环节产生新解 | 解的更新同时利用全局最优解和局部最优解信息 | 反馈机制，且搜索机制深入到具体问题层面 | 通过禁忌表避开已经搜索到的最优解，迫使算法搜索新的最优解 | 搜索到的更好的解一定接受，搜索到的更差的解以概率接受 |
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
50
1- 0
已为社区贡献1条内容
所有评论(0)