求最优的算法及思想总结（启发式，线性规划，动态规划）

动态规划

核心思想

将问题分解为多个子问题，求解出多个子问题的解，然后将子问题的解存储起来，这些子问题的解相互是有关系的所以一般用迭代来解决，最后将子问题的解合并得到最终问题的解。
一般有以下性质：
最优子结构：最优问题的解包含子问题的最优解
重叠子问题：求解过程中要多次用到子问题的最优解。

启发式方法

随机或近似随机方法搜索非线性复杂空间中全局最优解

根据百度百科，它是类似于人的一种思考方式，基于经验来解决问题的一种方法，并不是像算法那样有一套固定的步骤，我认为就像是一种根据经验来试错。空间变小了，目的性强，但是可能失败。
具体更深入的理解可以看相关的算法：

(1)兔子朝着比现在高的地方跳去。他们找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山法，由于视野有限，它不能保证所求的最优值就是全局最优值，可能是局部最优。

(2)兔子喝醉了。他随机地跳了很长时间。这期间，它可能走向高处,也可能踏入平地。但是,他渐渐清醒了并朝他踏过的最方向跳去。这就是模拟退火，根据之前的经验来确定最终结果，但依然不是全局的。

(3)兔子们知道一个兔的力量是渺小的。他们互相转告着，哪里的山已经找过，并组找过的每一座山他们都留 下一只兔子做记号。他们制定了下一步去哪里寻找的策略。这就是禁忌搜索。他们并不在已经找到的解上停留，可以跳出局部最优。

(4)兔子们吃了失忆药片，并被发射到太空,然后随机落到了地球上的某些地方。他们不知道自己的使命是什么。但是,如果你过几年就杀死一部分海拔低的兔子， 多产的兔子们自己就会找到珠穆朗玛峰。这就是遗传算法。

（5）蚁群算法，利用大量的信息反馈机制，可以不断的逼近最优解。

线性规划

线性规划方法一般需要知道约束条件，然后根据问题建立数学模型，然后求解最优。

在一定约束条件下求最优解