當我們需要最佳化一個複雜的問題時，有時候求得最佳解所需的計算時間非常龐大甚至於不可行。基於求解效率的考量，很多人發展啟發式演算法(Heuristic Algorithm)來求解原問題。這種啟發式演算法的求解特性通常有一個逐步尋找優良解的邏輯，而求得的解往往並非最佳解，而是近似最佳解。逐步尋找優良解的方法有時候會採用貪婪式的尋找方法(Greedy Algorithm)，之所以叫貪婪演算法，主要是因為短視近利的結果，這樣的搜尋有時會落入區域解的窠臼。若無加入適時跳出區域解的能力，就容易受到初始解好壞影響，找不到好的解。
這樣的求解過程，經由發展跟設計，具備有尋找優解及自動跳出區域解的邏輯跟機制，成為巨集啟發式演算法，這些方法具有彈性可適用在許多問題上。這類的方法通常利用收斂-跳出的邏輯，找到最後的滿意解。而這樣的方法不計其數，或者是說只要有尋優加上跳出區域解的設計，都能成為一套方法。但經過時間的檢驗，較著名的方法有基因遺傳式演算法(Genetic Algorithm,GA)、禁忌搜尋法(TABU)、螞蟻演算法(AS,ACS)、粒子群最佳化法(Particle Swam Optimization,PSO)、模擬退火法(SA)...等。
底下也將有各種Meta Hueristic的介紹：
- 基因遺傳式演算法(Genetic Algorithm,GA)
- 禁忌搜尋法(TABU)
- 螞蟻演算法(AS,ACS)
- 粒子群最佳化法(Particle Swam Optimization,PSO)
- 模擬退火法(SA)
沒有留言:
張貼留言