子集和问题的一个实例为_优化中一个少见但困难的问题实例

原文链接：优化中一个少见但困难的问题实例，欢迎关注微信公众号：二层楼实验室

问题描述，如下图。

这是一个少见的有类似 “离群”特性的问题，属于比较偏难怪的问题。

直观来看，也看不出哪个算法明显的合适，那就尝试几种不同的算法。

下面分别使用粒子群算法、遗传算法、模拟退火算法来求解。

粒子群算法求解过程及探索区域如下：其中:粒子个数10.评估点数2000.搜索区域较大，靠近最优解附近搜索密度较大，但没能找到最优解。求解结果：[210363,2.1,-21]，接近全局最优解，解缺乏精度。

遗传算法求解过程及探索区域如下：其中:粒子个数50.评估点数2000.搜索区域较大，在局部最优解附近搜索密度较大(陷入局部最优)，此次求解未能找到全局最优解。

求解结果：[2001,-775021, -15.21]，接近全局最优解，但缺乏精度。

模拟退火算法求解过程及探索区域如下：初始解随机生成.搜索区域较大，在最优解附近搜索密度较大，找到全局最优解。求解结果：[0,0,-31]，为全局最优解。

由前述系列文章及以上求解过程及最终结果可知，PSO算法及遗传算法探索区域较大，大部分情况下能够有效避免陷入局部极小值，同时在最小值附近能够集中搜索，得到较高的精度，但是所需求解步数较大，求解时间消耗较长。模拟退火算法也是一种启发式的算法，大部分情况下能够有效避免陷入局部极小值，所需求解步数较大。这三种算法所需算力较大，但前两种算法可用分布式并行计算，可缓解算力压力。实际工程中很少遇到上述类似的问题，这类问题可能会难倒绝大部分算法，本例中模拟退火算法搜寻到了精确全局最优解，但是可以想到，这是一种偶然的现象，在时间和算力资源有限的情况下，找不到全局最优解是大概率事件。

在实际工程应用中需结合经验，综合考虑，选取合适的优化算法，以期以较小的时间和资源开销得到较优的结果。