优化算法设计-面向离散优化问题构造型启发式和改进搜索

启发式的需求

大量的NP难、NP完全问题是几乎可以确定不存在多项式时间的精确算法，必须找合适的方法；很多大型离散优化问题，启发式方法简单、切实可行。

离散优化

离散优化：优化模型中决策变量如果存在离散变量，优化模型为离散优化（Discrete Optimization），否则称为连续优化。整数规划就是典型离散优化。

启发式特点

启发式方法，不追求一定是最优解（optimal），而是希望获得高质量的可行解（near-optimal feasible），当然，在部分情况下也可能就是得到了最优解 。 本部分关注严格意义上的启发式方法，不追求和精确算法的相似结构，而是基于问题的本身结构，寻找那些最有机会得到最优解、高质量解的办法。启发式方法可能结果很好，不过一般需要“大量的数
据实例的评估”。

构造型启发式

第一类启发式算法为构造型启发式搜索算法，这个方法可以逐步建立一个高质量的解。该算法逐个选择离散决策变量的值，即从部分解开始一次只选择一个决策变量的值，每次迭代中当前决策定的情况下，一个先前自由的变量固定为一个可行数
值，直到得到一个完整的可行解。

基础构造型的启发式方法：

1. 初始化。从初始解 x(0) 开始，其全部变量都是待定自由的。设定 t =0。
2. 逐步操作。选取解 x(t) 的一个自由分量 xp 并对其赋值，使得这个解有可能成为一个好的可行解。然后，x(t) 迭代更新解 x(t+1) ，解 x(t+1) 和 x(t) 除了已经固定的 xp,其他分量相同。
3. 增量。增加 t = t+1，返回第 1 步。

以上一个难点在于如何选择下一个待固定的自由变量，
并且确定它的值。贪婪 (greedy) 或短视 (myopic) 算
法是解决这一问题最常见的方法。

贪婪构造型启发式算法

定义：贪婪构造型启发式算法每次迭代都会选择并固定下一个变量，这种方法在当前临时解的变量已经固定的情况下，使得下一个解能够最大限度地改进目标函数值。极少数情况下，贪婪算法能够保证产生一个精确。由于该算法在进行下次选择时只能依靠局部信息，因此在一般情况下样做存在风险，可能进入可行解空间中非常差区域。贪婪算法计算过程一般十分高效。

例：集合覆盖问题是非常著名的离散优化问题。例如救护车选点规划问题，城市可以分成不同的救护车服务区，每个车站的地点是多个备选点中选出来的，使得尽可能多人口（服务区）得到服务。

城市分 20 服务区，每个站点服务相邻的区，有 10 个备选的车站点。
决策变量： $x_j=1or0$
假定最小化所需站点的总数目（成本系数等于1），模型为：
$min{\sum }_{j=1}^{10}{c}_j{x}_j={\sum }_{j=1}^{10}{x}_j$



例：公司希望向多个客户运送需求品，由一个仓库提供货物，安排卡车进行运输。客户只能被卡车一次服务完成，且卡车不能超载。卡车需要往返仓库多次，完成运输。

此问题称为车辆路径问题(vehicle routing problem，VRP)，是著名NP-hard问题。
其数学建模难以非常简洁，本节探讨其构造型启发式
方法。例如一种方法：