13、跨域启发式算法生成与超启发式自主问题求解

跨域启发式算法生成与超启发式自主问题求解

在解决问题时，算法设计是一项关键任务。对于搜索和优化问题，由于算法设计空间巨大，这项任务变得极具挑战性。传统算法大多是针对特定问题设计的，缺乏通用性。而超启发式算法和跨域启发式算法的出现，为解决这一问题提供了新的思路。

跨域启发式算法生成

训练阶段

在生成建设性和扰动性启发式算法的过程中，训练阶段是基础。
- 背包约束采样 ：背包的约束条件从正态分布中采样，均值为 $c$，标准差为 $sdc$。
- 启发式适应度计算 ：
- 建设性启发式 ：在训练集上的适应度计算为训练实例集返回的适应度中位数。
- 扰动性启发式 ：将启发式作为爬山算法中的移动算子，从随机初始化的解开始应用于每个训练实例。爬山算法运行 $x$ 次迭代，采用仅接受改进的标准。最终适应度在 5 个实例上取平均值并分配给启发式。
- 实验重复与启发式集合 ：所有实验在每个领域重复 10 次，每次运行生成一组新的训练实例。每次运行中表现最佳的启发式被保留，形成一个包含 10 个启发式的集合，用于测试阶段。

测试阶段

测试阶段用于评估进化后的启发式算法的性能。
- 基准选择与比较 ：从每个领域选择一组有代表性的基准，将进化后的启发式与文献中的知名方法进行比较。
- TSP 领域 ：使用 TSPLib 中的