元启发式算法介绍，按解的数量分类

分类框架：单解方法与种群方法

按照"算法在任一时刻维护多少个候选解"这一维度，元启发式算法可分为两大类：

对比维度	单解方法（轨迹方法）	种群方法
候选解数量	只维护 1 个"当前解"	同时维护几十到几百个解
搜索轨迹形态	解空间中的一条路径	一片不断移动的"点云"
信息来源	当前解 + 邻域结构（＋记忆）	个体之间的信息交换
跳出局部最优的手段	概率接受劣解、禁忌约束	交叉重组、变异、多样性维持
单次迭代开销	小（只评估一个或少数候选）	大（每代评估整个种群）
并行能力	以串行为主	天然适合并行
代表算法	模拟退火、禁忌搜索	遗传算法、蚁群算法、粒子群优化算法

形象比喻 ：

单解方法像一位独行登山者在浓雾中寻找谷底，每一步只能根据脚下情况决定走不走；

种群方法像一支出发位置各异的探险队，队员之间互相通报各自发现的好位置，整体上覆盖更广，但队形也可能集体涌向同一个山头（早熟收敛）。

单解方法（轨迹方法）

这一类的共性 ：整个搜索过程是"当前解"被不断替换形成的一条轨迹。算法每步只需回答两个问题------"往哪里走" （邻域与移动规则）和 "走不走"（接受准则）。内存占用小、实现轻量，但探索覆盖面完全依赖接受准则的设计。

模拟退火

灵感来源 ：金属退火的物理过程------高温时原子剧烈运动，缓慢降温后系统逐渐趋于能量最低的有序状态。

核心思想 ：用一个温度参数控制"容忍劣解"的程度。温度高时敢于大幅退让（大范围探索），温度降低后越来越挑剔（精细开发）。

关键机制------概率接受准则（源自统计物理中的梅特罗波利斯准则）：

新解不劣于当前解 → 必然接受
新解更差、目标值增加量为 ΔE → 以概率 P = exp(−ΔE / T) 接受

温度 T 越高，接受劣解的概率越大；

温度趋近零时，算法退化为纯贪心的爬山法。

冷却进度表：温度按固定比例下降（例如每轮乘以 0.95~0.99），或采用更缓慢的对数降温。

算法流程：

随机产生初始解，设置较高初始温度
对当前解做邻域随机扰动，得到新解
按概率接受准则决定是否移动到新解
在同一温度下重复若干次扰动
降温，回到第 2 步，直至温度足够低

理论性质 ：已被证明当降温足够缓慢时，算法以概率一收敛到全局最优解------这给了它坚实的理论地位，但实际中满足该条件需要的迭代次数往往过大。

优缺点 ：实现简单、能跳出局部最优、理论完备；但单点搜索效率偏低，性能高度依赖降温策略与邻域设计。

典型应用：旅行商问题、超大规模集成电路布图规划、组合优化问题；也常作为混合算法中的扰动算子。

禁忌搜索

灵感来源 ：人类记忆------"好记性让人不重蹈覆辙"。

核心思想 ：每一步都在邻域中选择最优的移动 （即使会让解变差，也照样执行，保证持续前进的能力），同时用一张禁忌表禁止近期已经做过的移动，防止搜索绕圈。

关键机制：

邻域与移动：定义"一步"意味着什么，例如交换两个元素、插入、翻转等------这直接决定搜索空间的结构
禁忌表与禁忌长度：记录最近 L 步做过的移动或访问过的解，这些方向在近期内被禁止，避免循环
特赦准则：若某个被禁忌的移动能把历史最优解显著改善，则破例解禁允许执行

算法流程：

产生初始解，清空禁忌表
生成当前解的邻域候选集合
剔除禁忌中的移动（除非满足特赦条件）
在剩余候选中选最优的一个执行移动，即使目标值变差
更新禁忌表和历史最优解，重复直至满足终止条件

优缺点 ：局部开发能力极强、下降速度快；但邻域设计高度依赖领域经验，禁忌长度需要精细调节，且需要维护记忆结构。

典型应用：车间调度问题、车辆路径问题、图着色问题等邻域结构清晰的组合优化问题。

同属单解，两者为何不同

对比点	模拟退火	禁忌搜索
移动决策方式	概率性、随机扰动	确定性、系统性扫描邻域
跳出局部最优	靠"概率退让"（接受劣解）	靠"记忆避让"（禁止回头、允许劣化移动）
记忆机制	无显式记忆	显式短期记忆（禁忌表）
关键参数	初始温度、降温速度	禁忌长度、邻域结构

两者高度互补：模拟退火擅长大范围随机探索，禁忌搜索擅长结构化的精细开发，实践中常先退火后禁忌地串联使用。

种群方法

这一类的共性 ：同时维护一组解，靠个体之间的信息交换实现协同搜索；

每代计算量更大，但覆盖面广、天然可并行。

三个算法的差异主要在两点------个体是什么 、个体之间怎么交流：

遗传算法 ：个体是"染色体"，交流靠两个父代两两交叉重组（直接交换成分）
蚁群算法 ：个体是构造解的"蚂蚁"，交流靠信息素这一环境媒介（间接通信，后来者读取并修改环境）
粒子群优化算法 ：个体是带速度的"粒子"，交流靠广播全局最优位置（直接获取共享信息）

遗传算法

灵感来源 ：达尔文进化论------"物竞天择，适者生存"。

核心思想 ：把解编码为染色体，维护一个种群，通过选择、交叉、变异三类遗传算子模拟自然进化，让种群整体适应性逐代提升。

关键机制：

编码：二进制串、实数向量或排列（如旅行商问题直接用城市访问顺序）
选择：适应度高者更易被选为父代，常用轮盘赌选择或锦标赛选择
交叉：以交叉概率（通常 0.6~0.9）让两个父代交换基因片段产生后代，这是种群间信息交换的核心
变异：以小概率（通常 0.01~0.1）随机改动基因，维持多样性
精英保留：当代最优个体直接进入下一代，防止最优解丢失

算法流程 ：随机初始化种群 → 评估适应度 → 选择 → 交叉 → 变异 → 精英保留 → 进入下一代，循环直至收敛。

理论基础 ：模式定理------短的、低阶的、适应度高于平均的模式，在遗传操作下数量呈指数增长，这解释了算法为什么有效。

优点：全局探索能力强、通用性好；

缺点：收敛慢、易早熟、参数较多。

典型应用：函数优化、调度问题、特征选择、神经网络结构搜索。

蚁群算法

灵感来源 ：蚂蚁觅食------蚂蚁在路径上释放信息素，短路径上蚂蚁往返快、信息素积累多，最终整个蚁群涌现出最短路径。这是一种通过修改环境实现间接协作的现象（共识主动性）。

核心思想 ：多只人工蚂蚁独立构造完整解，用信息素浓度作为共享的集体经验 指导后续搜索，形成正反馈放大；同时用挥发机制防止过早锁定坏路径。

关键机制 （以旅行商问题为例）：

① 转移概率规则------蚂蚁在城市 i 选择下一个城市 j 的倾向正比于：

信息素浓度(i, j) 的 α 次方 × 启发式信息(i, j) 的 β 次方

其中启发式信息通常取两城距离的倒数（近的更有吸引力），α 与 β 控制经验与贪心的相对权重。

② 信息素挥发与强化------每轮迭代结束后：

每条边上的信息素 ← (1 − 挥发系数) × 原信息素 + 各蚂蚁按其路径质量追加的量

两个平衡机制是算法的灵魂：

正反馈（强化）：好路径吸引更多蚂蚁、沉积更多信息素 → 加速开发
挥发（遗忘）：防止信息素无限累积、避免错误路径被过早固化 → 保持探索

值得注意：蚂蚁本身没有记忆，记忆被外化存储在信息素场（环境）中 。

优点：分布式、鲁棒、特别适合离散组合问题；

缺点：收敛慢，大规模问题的信息素更新开销大。

典型应用：旅行商问题、车辆路径问题、网络路由、任务分配。著名变体包括蚁群系统、最大最小蚁群算法。

粒子群优化算法

灵感来源 ：鸟群觅食的社会行为------个体同时参考自己的经验和群体共享的信息来调整飞行方向。

核心思想 ：每个粒子有位置和速度，受自身历史最优 （认知学习）和群体历史最优 （社会学习）的双重牵引飞向有前途的区域。

更新公式（用文字表述）：

新速度 = 惯性权重 × 当前速度＋第一学习因子 × 随机数 × （个体历史最优位置 − 当前位置）＋第二学习因子 × 随机数 × （群体历史最优位置 − 当前位置）

新位置 = 当前位置 + 新速度

三项分量的作用：

分量	含义	作用
惯性项	保持原有飞行方向	权重大偏探索，权重小偏开发；常用线性递减策略
认知项	拉向自己走过的最好位置	自我经验的利用
社会项	拉向全体走过的最好位置	群体信息的共享（广播式直接通信）

第一、第二学习因子通常取 2 左右，随机数在 0 到 1 之间，它们带来随机扰动、避免所有粒子走完全相同的路线。

优点：在元启发式算法中实现最简单、参数最少、连续问题收敛快；

缺点：全体粒子趋向同一个全局最优位置，容易早熟收敛，高维多峰问题性能下降。

典型应用：连续函数优化、控制器与神经网络参数整定、多目标优化的粒子群扩展版本。

三个种群算法的深层差异：记忆存在哪里

算法	个体是否携带记忆	记忆存储位置	通信方式
遗传算法	无（个体是静态编码）	隐式分布在种群基因池中	父代两两交叉重组
蚁群算法	无（蚂蚁构造完即结束）	外化到信息素场（环境）中	通过环境媒介间接交流
粒子群优化算法	有（记录个体历史最优）	显式记录在每个粒子与全局变量中	广播全局最优的直接交流

5种算法总览对比

算法	所属类别	核心机制	跳出局部最优	强项	弱项	擅长问题类型
模拟退火	单解	温度控制的概率接受	高温容忍劣解	理论完备、实现简单	效率低、依赖降温策略	通用，混合算法扰动算子
禁忌搜索	单解	禁忌表＋允许劣化移动	禁忌防循环	局部开发强、下降快	邻域设计靠经验	调度、车辆路径等结构清晰问题
遗传算法	种群	选择＋交叉＋变异	重组与变异	全局探索、通用	收敛慢、易早熟	编码灵活的各类问题
蚁群算法	种群	信息素正反馈＋挥发	挥发遗忘＋随机探索	离散构造类问题	收敛慢、开销大	旅行商、路径、分配类问题
粒子群优化算法	种群	认知＋社会学习	随机项与惯性扰动	连续优化、极简	易早熟、高维退化	连续参数优化

选型建议

离散组合问题 （旅行商问题、调度、车辆路径问题）→ 优先考虑蚁群算法、禁忌搜索、排列编码的遗传算法

连续参数优化 → 优先考虑粒子群优化算法、实数编码的遗传算法

计算预算紧张、追求轻量实现 → 模拟退火（单解方法每步开销最小）

需要并行或分布式部署 → 种群方法天然占优

邻域结构清晰、有领域知识可用的工程问题 → 禁忌搜索

发展趋势：两类方法的融合

实践中单一算法正让位于混合元启发式算法 ，恰好体现两大类方法的优势互补：

模因算法 ：遗传算法提供种群级全局探索，局部搜索（禁忌搜索等）负责个体级精修

退火式接受准则嵌入粒子群优化算法 ：缓解向全局最优聚集导致的早熟

自适应参数控制：让交叉概率、惯性权重、禁忌长度等随搜索状态动态调整

排列专用交叉算子详解

问题回顾：为什么必须专用

普通交叉对排列编码必然产生非法解。以 8 个波束排时隙为例，在第 4 位之后做单点交叉：

复制代码

父代一：  2 5 4 6 | 3 1 8 7
父代二：  7 4 1 8 | 2 6 5 3
拼合结果：2 5 4 6 | 2 6 5 3   ← 波束2、6重复，1、7缺失，非法

排列约束是"每个元素恰好出现一次"。所有排列专用算子的共同目标 ：保证子代天然合法（不需要修复或惩罚），同时把父代中"有价值的结构"传给子代。各算子的区别，只在于它们认为什么结构有价值。

总框架：排列中的三种"遗传信息"

一条排列里能被继承的信息只有三种，这决定了算子的三大门派：

遗传信息	含义	这类信息重要的问题	主打算子
绝对位置	某元素放在第几个槽位	调度（第几个时隙）、指派	部分匹配交叉、循环交叉、基于位置的交叉
相对顺序	谁排在谁前面	作业排序、装配顺序	顺序交叉、基于顺序的交叉
邻接关系	哪些元素紧挨着	旅行商问题、路径规划、切换代价	边重组交叉、边装配交叉

另一个二级分类维度：

重组式：直接从父代复制片段，冲突时修复------部分匹配、顺序、循环交叉属于此类，通常一次产生两个互补子代
构造式：把父代当"材料库"，按规则从零逐位建造子代------边重组交叉属于此类，通常一次产生一个子代

统一示例约定：下文所有算子共用同一对父代（切割点随机，各算子示例的切割点可以不同）：

复制代码

父代一：  2 5 4 6 3 1 8 7     （时隙1放2号波束，时隙2放5号波束......）
父代二：  7 4 1 8 2 6 5 3

位置类算子：认为"元素在哪个槽位"最值钱

部分匹配交叉（Partially Mapped Crossover）

思想：中段原位继承，外段从另一方照抄，用中段定义的位置映射 修复冲突。

切割点取在第 4、7 位之后：

复制代码

父代一：  2 5 4 6 | 3 1 8 | 7
父代二：  7 4 1 8 | 2 6 5 | 3

构造子代一：

复制代码

第1步  原位继承父代一中段：    _ _ _ _ | 3 1 8 | _
第2步  空位照抄父代二对应位：  7 4 1 8 | 3 1 8 | 3    ← 1、8、3与中段重复
第3步  映射修复：             7 4 6 5 | 3 1 8 | 2

映射的来历：两个中段按位置一一对应，形成"值对值"的映射关系：

中段位置	5	6	7
父代一的值	3	1	8
父代二的值	2	6	5

即 3↔2、1↔6、8↔5 。修复时把冲突值换成其映射伙伴：位置3的1换成6，位置4的8换成5，位置8的3换成2。

子代二对称构造（继承父代二中段 2 6 5，外面抄父代一并同样修复）：

复制代码

子代一：  7 4 6 5 3 1 8 2
子代二：  3 8 4 1 2 6 5 7

保留的信息 ：中段的"值+位置"原样传递；外段尽量维持来自另一父代的原位值，映射本身也是位置对应关系。整体偏重绝对位置 。

实现陷阱：若两个中段含有相同元素（本例刻意避开了），修复时替换值可能再次冲突，需沿映射链追溯多步------这是该算子最常见的实现出错点。

循环交叉（Cycle Crossover）

思想：先找出两个父代之间的"循环"（值的位置互换圈），同一循环内的位置，无论取哪个父代的值都合法，于是按循环分组抄值，元素绝不搬家 。

找循环：从位置1出发，做"父代一的值 → 去父代二里找同值的位置"的跳转：

位置1：父代一放2，父代二的2在位置5 → 跳到位置5
位置5：父代一放3，父代二的3在位置8 → 跳到位置8
位置8：父代一放7，父代二的7在位置1 → 回到起点，循环一闭合 = {1, 5, 8}

从剩余的位置2出发，同样跳转得 循环二 = {2, 3, 4, 6, 7} 。

合法性来源（关键洞察） ：同一循环内的位置，两个父代放的恰好是同一组值 （循环一：父代一放{2,3,7}，父代二放{7,2,3}）。所以循环内各位置随便取哪个父代的值都不会重复。

构造子代：循环一的位置取父代一的值，其余取父代二的值（子代二取反）：

复制代码

          位置：  1  2  3  4  5  6  7  8
                 [循环一]-----取父代一-----┐
父代一：          2  5  4  6  3  1  8  7
父代二：          7  4  1  8  2  6  5  3
子代一：          2  4  1  8  3  6  5  7   （位置1,5,8来自父代一，其余来自父代二）
子代二：          7  5  4  6  2  1  8  3

保留的信息 ：子代每一个位置的值都来自某个父代的同一位置------位置信息百分之百保留。这是最接近经典遗传算法"等位基因交叉"观念的排列版本，适合"槽位本身意义强烈"（如第一个时隙至关重要）的问题。

基于位置的交叉（Position-based Crossover）

思想：循环交叉的随机化替代------不做循环分析，直接随机选几个位置从父代一原位继承，其余空位按父代二的出现顺序填入。

随机选位置 {2, 4, 7}：

复制代码

第1步  位置2、4、7继承父代一：  _ 5 _ 6 _ _ 8 _
第2步  其余位按父代二顺序填（跳过5、6、8）：7 5 4 6 1 2 8 3

实现比循环交叉简单，效果相近，是位置类问题的常用工程选择。

顺序类算子：认为"先后次序"最值钱

顺序交叉（Order Crossover）

思想：中段原样继承，其余空位填入另一父代的值时，保持它们在另一父代中的相对先后次序 （从切割点起循环读取）。

切割点取在第 3、6 位之后：

复制代码

父代一：  2 5 4 | 6 3 1 | 8 7
父代二：  7 4 1 | 8 2 6 | 5 3

构造子代一：

复制代码

第1步  原位继承父代一中段：      _ _ _ 6 3 1 _ _
第2步  从父代二第7位起循环读取： 5 3 7 4 1 8 2 6
第3步  剔除已有的6、3、1，剩下： 5 7 4 8 2
第4步  从第7位起循环填入空位：   位置7←5  位置8←7  位置1←4  位置2←8  位置3←2

子代一：  4 8 2 6 3 1 5 7

构造子代二（继承父代二中段 8 2 6，从父代一第7位起循环读取，剔除8、2、6后得 7 5 4 3 1，填入空位）：

复制代码

子代二：  4 3 1 8 2 6 7 5

保留的信息 ：中段的"值+位置"，以及外段值的循环相对顺序 （子代一中 5→7→4→8→2 的先后关系与父代二一致）。适合"先后次序决定优劣"的问题（作业加工顺序、服务次序），是文献和实践中的默认首选之一。

实现提示：另有"空位从左到右直接顺序填"的简化变体，效果相近；实现时固定一种即可，不要混用。

基于顺序的交叉（Order-based Crossover）

思想：随机选一组位置，读出父代二在这些位置的值；这组值保持它们在父代一中的位置 ，但相互间的顺序改为父代二的顺序 。

随机选父代二的位置 {2, 4, 6}，对应值为 4、8、6：

复制代码

第1步  以父代一为底板：        2 5 4 6 3 1 8 7
第2步  4、8、6在父代一的位置：  位置3、位置4、位置7
第3步  按(父代二的)顺序放回：   位置3←4  位置4←8  位置7←6
子代：    2 5 4 8 3 1 6 7

与基于位置的交叉是一对孪生算子（一个保位置、一个保顺序），注意两者在文献中命名时有互换，看机制不要看名字。

邻接类算子：认为"谁挨着谁"最值钱

边重组交叉（Edge Recombination Crossover）

思想：构造式算子。把两个父代中所有相邻元素对（"边"）汇成一张边表，然后贪心建造 子代：每一步优先继承已共享的边，其次选剩余边最少的邻居，尽量不让子代出现父代没有的新边。

第一步：建边表（两父代的相邻对合并去重）：

元素	2	5	4	6	3	1	8	7
邻居	5,8,6	2,4,6,3	5,6,7,1	4,3,2,5	6,1,5	3,8,4	1,7,2	8,4

（加粗的 1-8 是两父代共享的边------两边都出现，最有价值，优先继承）

第二步：贪心构造（从父代一首元素2出发）：

当前元素	候选邻居	选择依据	选定
2	5, 8, 6	8的剩余边最少	8
8	1, 7	边8-1是两父代共享边，优先	1
1	3, 4	3的剩余边更少	3
3	6, 5	平局，随机	6
6	4, 5	5只剩1条边	5
5	4	唯一候选	4
4	7	唯一候选	7

复制代码

子代：    2 8 1 3 6 5 4 7

效果检验 ：子代的 7 条邻接边（2-8、8-1、1-3、3-6、6-5、5-4、4-7）全部来自父代------这是理想情况；实际运行中绝大多数边被继承，偶尔出现新边，若走入死端（候选邻居全部用完）则随机跳到任一剩余元素。

适用判断标准 ：只有当目标函数主要由相邻元素对的代价决定时（旅行商问题的距离、相邻工序的切换成本），边重组交叉才显著优于前几类；否则边信息无价值，用它反而浪费。

进阶算子一瞥

边装配交叉（1999年）：构造式思路的高性能延伸，通过"边交换修复子回路"，在旅行商问题上接近专用求解器的水平
顺序构造交叉 ：构造过程中用启发式（如最近邻）而非纯继承来选下一个元素
这两个实现复杂度高，除非做旅行商类问题的深度研究，一般不必首选。

全部算子横向对比

算子	主打保留	产生方式	实现难度	经验适用场景
部分匹配交叉	绝对位置（中段原位+映射修复）	重组式，双子代	中	位置有意义的一般调度
循环交叉	绝对位置（逐位取值，元素不换位）	重组式，双子代	中	位置强烈敏感的问题
基于位置的交叉	绝对位置（随机位点继承）	重组式，双子代	低	同上，工程简化版
顺序交叉	相对顺序（外段循环保序）	重组式，双子代	低	顺序敏感问题，默认首选
基于顺序的交叉	相对顺序（子集换序不换位）	重组式，双子代	低	顺序敏感问题
边重组交叉	邻接关系	构造式，单子代	较高	旅行商等邻接代价主导的问题

经验规律（因问题而异，仅供参考）：

旅行商类邻接问题上邻接类占优、顺序交叉优于部分匹配交叉；

位置主导的调度问题上部分匹配交叉与循环交叉更好。