什麼是啓發式算法（轉）

演化算法（Evolutionary Algorithm）, 蟻羣算法（Ant Algorithms）， 擬人擬物算法，量子算法等。
各個算法的思想這就不再詳細給出（以後會給出一些，關注我的blog） ，爲什麼要引出啓發式算法，因爲NP問題，一般的經典算法是無法求解，或求解時間過長，我們無法接受。這裏要說明的是：啓發式算法得到的解只是近似最優解（近似到什麼程度，只有根據具體問題才能給出）. 二十一世紀的最大的數學難題NP？=P，如果NP=P啓發式算法就不在有存在的意義。 優勝劣汰是大自然的普遍規律，它主要通過選擇和變異來實現。選擇是優化的基本思想，變異（多樣化）是隨機搜索或非確定搜索的基本思想。“優勝劣汰”是算法搜索的核心，根據“優勝劣汰”策略的不同，可以獲得不同的超啓發式算法。超啓發式算法的主要思想來自於人類經過長期對物理、生物、社會的自然現象仔細的觀察和實踐，以及對這些自然現象的深刻理解，逐步向大自然學習，模仿其中的自然現象的運行機制而得到的。遺傳算法：是根據生物演化，模擬演化過程中基因染色體的選擇、交叉和變異得到的算法。在進化過程中，較好的個體有較大的生存機率。模擬退火：是模擬統計物理中固體物質的結晶過程。在退火的過程中，如果搜索到好的解接受；否則，以一定的概率接受不好的解（即實現多樣化或變異的思想），達到跳出局部最優解得目的。神經網絡：模擬大腦神經處理的過程，通過各個神經元的競爭和協作，實現選擇和變異的過程。禁忌搜索：模擬人的經驗，通過禁忌表記憶最近搜索過程中的歷史信息，禁忌某些解，以避免走回頭路，達到跳出局部最優解的目的。螞蟻算法：模擬螞蟻的行爲，擬人擬物，向螞蟻的協作方式學習。這幾種超啓發式算法都有一個共同的特點：從隨機的可行初始解出發，才用迭代改進的策略，去逼近問題的最優解。他們的基本要素：（1）隨機初始可行解；（２）給定一個評價函數（常常與目標函數值有關）；（３）鄰域，產生新的可行解；（４）選擇和接受解得準則；（５）終止準則。