启发式算法和元启发式的区别

声明：本文为作者学习笔记，学习所得随手而记，部分材料来源于网上学习，若侵权请联系作者。

最近在研究APS的自动排程，涉及到一些启发式算法的概念，查找资料，对启发式和元启发式的区别总结如下：

什么是启发式算法？

   启发式算法（heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。

其实就是用迭代的算法，进行一定规模的测试，选出其中的最优解。

首先看看启发式和元启发式区别相关资料解释：

启发式是一种问题求解的方法，它基于经验和直觉，而不是严格的算法或学模型。

元启发式是一种启发式算法，它使用多个启发式算法来决问题。

以上说的有点含乎，那就看下面，纯属个人观点：

元启发式算法是启发式算法的升级版，不以一种规则执行，迭代过程中允许概率事件发生，跳出局部最优解，寻找整体最优解。

传统启发式算法包括：

1. 贪婪算法（Greedy Algorithms）：

这种算法在每一步都选择当前看起来最有利的选项，而不考虑将来的影响。虽然贪婪算法简单且高效，但它们通常不能保证找到全局最优解，因为它们容易陷入局部最优解。

元启发式算法包括：

一、基于个体 （Single solution-based heuristics）

1. 禁忌搜索算法（Tabu Search）

是一种启发式搜索算法，用于解决组合优化问题，如旅行推销员问题（TSP）、排程问题和图着色问题等。它的目标是在搜索空间中寻找全局最优解或接近最优解的解决方案。禁忌搜索算法的核心思想是通过维护一个"禁忌表"来避免重复探索之前已经访问过的解决方案，从而避免陷入局部最优解。

2. 模拟退火算法（Simulated Annealing）

模拟退火算法是一种启发式算法，受到固体退火过程的启发。它通过随机搜索和接受概率控制来跳出局部最优解，并逐渐减小温度来提高搜索的质量。

二、基于群体（Population-based heuristics）

1. 遗传算法（Genetic Algorithms）

遗传算法是受到生物遗传学的启发，模拟了生物进化过程。它使用种群中的个体之间的基因组合和变异来搜索最佳解决方案。

2. 粒子群优化算法（Particle Swarm Optimization）

粒子群优化算法模仿了鸟群或鱼群的协同行为，通过模拟粒子在搜索空间中的移动来寻找最优解。

3. 蚁群算法（Ant Colony Optimization）

蚁群算法受到蚂蚁在寻找食物时的行为启发，蚂蚁通过释放信息素来引导其他蚂蚁找到最短路径。

4. 人工神经网络（Artificial Neural Network，简称ANN）

是一种受到生物神经系统启发的计算模型，用于机器学习和人工智能任务。ANN由大量的人工神经元（或称为节点）组成，这些神经元通过连接（或称为权重）相互关联，可以进行信息处理和模式识别。