随机搜索:
该方法接受两个参数,Domain和costf,其中Domain是一个由二元组构成的列表,指定了每个变量的最大最小值。而costf胃成本函数,为其他优化问题所重用,它会跟踪最佳猜测(即具有最低成本的题解)并将结果返回。
本质:随机选择出一些题解,并进行尝试,比较得出尝试解中的最佳值,但不一定是问题的全局最优值。
爬山法:以一个随机解开始,然后在其接近的解集中寻找更好的题解。
缺陷:简单的从斜坡滑下不一定会产生全局最优解。有可能最后的解会是一个局部范围内的最小值,它比临近解的表现都好,但却不是全局最优的。
改进方法:随机重复爬山法,即让爬山法以多个随机生成的初始解为起点运行若干次,借此希望其中有一个解能够逼近全局的最小值。
模拟退火算法:以一个问题的随机解开始,多次迭代。每一次迭代会随机选中题解中的某个数字,然后朝某个方向变化。算法的关键部分:如果新的成本值更低,则新的题解就会称为当前题解,这和爬山法非常相似。但是如果成本值更高的话,则新的题解仍将可能成为当前题解——避免局部最小值问题。
遗传算法:先随机生成一组解(称为种群),在优化过程中的每一步,算法会计算整个种群的成本函数,从而得到一个有关题解的有序列表。在对题解进行排序之后,一个新的种群(下一代)被创建出来了。首先,我们将当前种群中位于最顶端的题解加入其所在的新种群中。新种群中的余下部分是由修改