启发式算法详解

NP问题

      了解启发式算法之前，我们需要先了解下启发式算法所使用的场景，启发式算法主要的使用场景是NP问题，例如一维装箱，旅行商问题。这些问题有一个显著的特征：获得准确解需要付出很大的代价，而启发式算法则是利用有限的资源，尽可能的去计算较优解。

解决NP问题的算法

以一维装箱为例，传统的NP问题解法有：

• 穷举法：穷尽法需要搜索 n! 次，这么搞cpu吃不消；
• 动态规划：搜索次数是能减少，但是一旦输入的参数较大，创建DP所需的数组可能直接OOM了；
• 贪心算法：贪心算法的确能获得一个较好的结构,常见的贪心算法有：
  • First-fit：遍历当前箱子，把物品放入第一个能放下该物品的箱子，都放不下则新开一个箱子。
  • Best-fit：对每个物品遍历当前箱子，把物品放入最合适放下该物品的箱子。
  • Worst-fit：对每个物品遍历当前箱子，把物品放入最不合适放下该物品的箱子。

      贪心算法虽然能获取到一个比较好的解，但是上述提到的贪心算法比较依赖于输入顺序，举个栗子，有一堆物品 {14，6，14，6，4，6，6，4}，箱子的总容量为30，使用First-fit解得的结果为：{14，6，6，4}，{14，6，6，4}。
      如果改变下输入顺序，排个序变成{4，4，6，6，6，6，14，14}，结果：{4，4，6，6，6}，{6，6，6}，{14，14}

启发式算法的诞生

      既然得到最优解需要耗费很多资源，那退而求其次，获取次优解或者以一定概率获取最优解也是能接受的。那么随机改变数组的输入顺序，就有那么一丝希望能获取到最优解或者次优解。

      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。

第一个版本的启发式算法

第一个版本的启发式算法，乱数搜索，只接受比当前更好的解

    private void getMinBoxes(int[] bins) {
    	// 利用贪心算法计算结果
        int best = fitness.getMinimumBins(bins);
        for (int i = 0; i < 1000; i++) {
            int positionA = random.nextInt(length);
            int positionB = random.nextInt(length);
            int[] temp = Arrays.copyOf(bins, bins.length);
            swap(temp, positionA, positionB);
            int cur = fitness.getMinimumBins(temp);
            if (cur <= best) {
                bins = temp;
                best = cur;
            }
        }
    }

这个最初版本的启发式算法有很多的不足，我们只一味的接受更好的解，而有些时候往往会产生一些局限性，导致最优解无法被找到。

更好的启发式算法

现在诞生的启发式算法都是由第一个版本的启发式算法改良得到的，可以参考后续的文章：

• 启发式算法——模拟退火
• 启发式算法——禁忌搜索
• 启发式算法详解——遗传算法