简介
超启发式算法是新近提出的⼀类解决复杂优化问题的概念模型。该模型主要通过⼀种⾼层次启发式策略(High-level Heuristic，简称 HLH)管理和操纵⼀系列低层次启发式(Low-level Heuristics，简称 LLH)⽅法以实现在解空间中的寻优。 长江三角洲经济
作为⼀种有效的搜索⽅法，超启发式算法可以⾃动选择、组合或⽣成多个简单的 LLH ⽅法以解决复杂的优化问题。 超启发式算法与传统的启发式⽅法最主要的区别在于它搜索的是启发式算法，⽽不是问题的解，并通过搜索过程得到的相关信息控制搜索过程。在组合优化领域，超启发式算法被描述为“搜索启发式算法的启发式算法”。给定⼀个问题实例和⼀些底层启发式算法集，⾼层算法就可以在算法搜索过程中，在相应的决策点做出恰当的“指挥”，从⽽选择并应⽤最合适的低层启发算法，⽽选择出来的算法将被直接⽤于问题的求解。 分类
根据搜索空间的性质的不同进⾏分类
由上⽂可知，超启发式算法搜索的不是问题的解，⽽是求解问题所使⽤的⼀些启发式⽅法。这些启发式算法也被称作低层启发式算法，根据他们的性质的不同，分成建设型和扰动型两种⽅式。
其中，建设型是指从现有的启发式中选择合适的进⾏利⽤；
扰动型是指从现有的启发式⽅法中的某些部分进⾏扰动，从⽽产⽣出新的启发式⽅法。
根据信息反馈⽅式的不同进⾏分类。主要包括在线信息反馈，离线信息反馈和不反馈三种⽅式。
（1）在线信息反馈：在算法正在运⾏的过程中，低层算法的表现被实时地反馈给⾼层策略，然后根据⾼层策略进⾏评定哪些低层算法最适合在当前使⽤。
（2）离线信息反馈：将实例集合分为训练实例和待求解实例两部分，训练实例主要⽤于积累LLH的历史信息，⽽待求解实例则可以根据这些历史信息来决定LLH的取舍。
（3）⽆信息反馈：在处理的过程中，信息不进⾏传递。2010体操世锦赛
按照⾼层策略的不同进⾏分类，参考Hyperheuristics: Recent Developments⼀⽂
（1）⾼层策略为随机选择：从给定的低层算法池中随机选择⼀个，或者选择⼀些进⾏组合，形成新的算法。
（2）⾼层策略为贪⼼机制：算法每次都挑选那些能够最⼤化改进当前解的低层启发式算法来构造新的算法。缺点在于每次挑选时需要对所有的低层算法进⾏评估，⼯作量巨⼤，因此这种⽅法效率较低。
（3）⾼层策略为元启发式算法：元启发式算法的研究已经有诸多成熟的成果，超启发式的现有研究中，选择元启发式算法作为⾼层策略的研究⽐较多，例如禁忌搜索、遗传算法、蚁算法等。染⾊体的基因是调度的优先规则，规则组成了启发式集，⽬的是到这些启发式的最优应⽤顺序。
（4）⾼层策略为基于学习的：超启发式运⽤各种技术来学习低⽔平启发式的历史表现。 超启发式根据在其运⾏的早期阶段（或在以前的运⾏中)积累的关于每个低级别启发式的有效性的信息，在每个决策点选择⼀个有前途的低级别启发式）。
（5）其他
廊坊师范学院学报LLH 策略与⽅法
作为超启发式算法框架的重要组成部分，LLH ⽅法是 HLH 策略管理和操纵的主要对象。过于复杂的 LLH ⽅法将会导致算法复杂度的提升，进⽽影响超启发式算法的整体性能。因此，对于 LLH ⽅法的选择和设计，其最主要的原则是简单且易于实现。
HLH 策略与⽅法
HLH 策略对超启发式算法有着重要的影响，合适的 HLH 策略将极⼤提⾼算法性能。
吕品晶算法的⾼层启发式策略，包括选择策略和解的接受准则两个部分。可⽤的 LLH 选择⽅法包括简单随机、选择函数、禁忌搜索和强化学习等，⽽移动接受策略则包括仅改进、任何移动、Metropolis 条件、模拟退⽕、延迟和Naive等。
中国古代典籍参考⽂献
基于超启发式算法的复杂多技能资源受限项⽬调度问题研究_朱磊、基于Q_学习的超启发式模型及算法求解多模式资源约束项⽬调度问题_崔建双
扬中市外国语中学Hyperheuristics: Recent Developments
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议