啟發(fā)式算法簡談（一）
引言：
解決實際的問題，要建模型，在求解。求解要選擇算法，只有我們對各種算法的優(yōu)缺點都很熟悉后才能根據(jù)實 際問題選出有效的算法。但是對各種算法都了如指掌是不現(xiàn)實的，但多知道一些，會使你的選擇集更大，找出最好算法的概率越大?，F(xiàn)在研一，要開題了些點文獻綜 述，愿與大家分享。

大自然是神奇的，它造就了很多巧妙的手段和運行機制。受大自然的啟發(fā)，人們從大自然的運行規(guī)律中找到了許多解決實際問題 的方法。對于那些受大自然的運行規(guī)律或者面向具體問題的經(jīng)驗、規(guī)則啟發(fā)出來的方法，人們常常稱之為啟發(fā)式算法（Heuristic Algorithm）?，F(xiàn)在的啟發(fā)式算法也不是全部來自然的規(guī)律，也有來自人類積累的工作經(jīng)驗。

啟發(fā)式算法的發(fā)展：
啟發(fā)式算法的計算量都比較大，所以啟發(fā)式算法伴隨著計算機技術(shù)的發(fā)展，取得了巨大的成就。
40年代：由于實際需要，提出了啟發(fā)式算法（快速有效）。
50年代：逐步繁榮，其中 貪婪算法和局部搜索 等到人們的關(guān)注。
60年代: 反思，發(fā)現(xiàn)以前提出的啟發(fā)式算法速度很快，但是解得質(zhì)量不能保證，而且對大規(guī)
        模的問題仍然無能為力（收斂速度慢）。
70年代：計算復(fù)雜性理論的提出，NP問題。許多實際問題不可能在合理的時間范圍內(nèi)找到全局最優(yōu)解。發(fā)現(xiàn)貪婪算法和局部搜索算法速度快，但解不好的原因主要是他們只是在局部的區(qū)域內(nèi)找解，等到的解沒有全局最優(yōu)性。
        由此必須引入新的搜索機制和策略………..
        Holland的遺傳算法出現(xiàn)了（Genetic Algorithm）再次引發(fā)了人們研究啟發(fā)式算法的
        興趣。
80年代以后：
        模擬退火算法（Simulated Annealing Algorithm），人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network），禁忌搜索（Tabu Search）相繼出現(xiàn)。
最近比較熱或剛熱過去的：
演化算法（Evolutionary Algorithm）, 蟻群算法（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（以后會給出一些，關(guān)注我的blog） ，為什么要引出啟發(fā)式算法，因為NP問題，一般的經(jīng)典算法是無法求解，或求解時間過長，我們無法接受。這里要說明的是：啟發(fā)式算法得到的解只是近似最優(yōu)解 （近似到什么程度，只有根據(jù)具體問題才能給出）. 二十一世紀(jì)的最大的數(shù)學(xué)難題NP？=P，如果NP=P啟發(fā)式算法就不在有存在的意義。

啟發(fā)式算法的不足和如何解決方法：
（水平有限 僅僅提出6點）
啟發(fā)式算法目前缺乏統(tǒng)一、完整的理論體系。
很難解決！ 啟發(fā)式算法的提出就是根據(jù)經(jīng)驗提出，沒有什么堅實的理論基礎(chǔ)。
由于NP理論，啟發(fā)式算法就解得全局最優(yōu)性無法保證。
等NP？=P有結(jié)果了再說吧，不知道這個世紀(jì)能不能行。
各種啟發(fā)式算法都有個自優(yōu)點如何，完美結(jié)合。
如果你沒有實際經(jīng)驗，你就別去干這個，相結(jié)合就要做大量嘗試，或許會有意外的收獲。
啟發(fā)式算法中的參數(shù)對算法的效果起著至關(guān)重要的作用，如何有效設(shè)置參數(shù)。
還是那句話，這是經(jīng)驗活但還要悟性，只有try again………..
啟發(fā)算法缺乏有效的迭代停止條件。
還是經(jīng)驗，迭代次數(shù)100不行，就200，還不行就1000…………
還不行估計就是算法有問題，或者你把它用錯地方了………..
啟發(fā)式算法收斂速度的研究等。
你會發(fā)現(xiàn)，沒有完美的東西，要快你就要付出代價，就是越快你得到的解也就遠差。      (待續(xù))