专用优化算法LKH

算法	优点	缺点	适用场景
LKH	1. 高效、高质量解，特别适用于大规模TSP。 2. 动态k-opt策略提升局部优化效果。	1. 对初始解敏感，依赖多次重新启动。 2. 需调整参数（如候选集策略）。	静态TSP，尤其是高精度要求的工业应用场景。
蚁群算法	1. 强大的全局搜索能力，能探索较优路径。 2. 参数可调，适应性强，适合动态问题。	1. 易陷入局部最优。 2. 参数（信息素更新规则）调优复杂。	动态或不确定性较强的TSP，如实时路径规划和通信网络设计。
遗传算法	1. 全局搜索能力强，适合大规模问题。 2. 易扩展到多目标优化问题。	1. 收敛速度较慢。 2. 依赖种群初始化及交叉、变异策略设计。	多目标或复杂约束下的TSP，如生产调度和多旅行商问题（MTSP）。
禁忌搜索	1. 跳出局部最优能力强，搜索质量高。 2. 禁忌表灵活，适应多种优化问题。	1. 内存需求大。 2. 禁忌表和步长设计需针对问题调整。	大规模TSP或复杂局部搜索问题，如路径优化与资源调度。
模拟退火	1. 跳出局部最优能力强。 2. 算法简单易实现，适合动态优化问题。	1. 收敛速度慢。 2. 初始温度和降温速率敏感，参数需调优。	动态环境下的全局优化问题，如实时物流路径和网络流量优化。
贪心算法	1. 简单快速，易于实现，适合中小规模问题。 2. 计算效率高。	1. 结果质量差，易陷入局部最优。 2. 对全局问题缺乏考虑。	快速获得初始解，或简单约束下的小规模TSP。
爬山法	1. 简单直观，适合初学者实现。 2. 适用于局部搜索场景。	1. 易陷入局部最优。 2. 缺乏全局搜索能力。	小规模问题的简单优化，如中短路径规划和低约束TSP问题。
随机算法	1. 实现简单，可在解空间快速生成解。 2. 用作其他算法的辅助（如生成初始解）。	1. 解质量不稳定，无优化能力。 2. 随机性强，不适合直接求解大规模问题。	快速生成初始解，或用于探索未知解空间。