4、随机局部搜索中接受准则的比较

随机局部搜索中接受准则的比较

在优化问题的求解中，随机局部搜索算法是一类常用的方法，而接受准则在其中起着关键作用。本文将介绍几种常见的接受准则，并通过实验比较它们在不同问题上的性能。

常见接受准则

• GDA（Great Deluge Algorithm）接受准则 ：GDA接受目标函数值低于某个阈值的每一步移动，该阈值在搜索过程中逐渐降低。其接受概率公式为：
  [
  p_k =
  \begin{cases}
  1, & \text{if } f(s) \leq \varphi_k \
  0, & \text{otherwise}
  \end{cases}
  ]
  其中，(\overline{\varphi}_{k + 1} = \varphi_k - \lambda)，(\lambda)是一个固定参数。随着阈值的降低，GDA对解的接受变得越来越严格。
• LAHC（Late Acceptance Hill Climbing）接受准则 ：LAHC不使用类似温度的参数，但会记录搜索历史。它接受相对于当前最优解(\hat{s})或(\kappa)次迭代前的最优解有所改进的解。接受概率公式为：
  [
  p =
  \begin{cases}
  1, & \text{if } f(s) \leq \max{f(\hat{s}), f(s_{i - \kappa})} \
  0, & \text{otherwise}
  \end{cases}
  ]