这次并不算十分深入地学习了三种现代启发式算法，具体内容有待补充。先做一个简单的记录。
模拟退火 遗传算法 蚁群算法
先说一下什么是现代启发式算法
启发式算法（heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法就是求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。现阶段，启发式算法以仿自然体算法为主。
模拟退火算法
退火是一个物理过程，粒子可以从高能状态转换为低能状态，而从低能转换为高能则有一定的随机性，且温度越低越难从低能转换为高能。就是在物体冷却的过程中，物体内部的粒子并不是同时冷却下来的。因为在外围粒子降温的时候，里边的粒子还会将热量传给外围粒子，就可能导致局部粒子温度上升，当然，最终物体的温度还是会下降到环境温度的。
先给出一种求最优解的方法，在寻找一个最优解的过程中采取分段检索的方式，在可行解中随机找出来一个，然后在这个解附近进行检索，找到更加优化的解，放弃原来的，在新得到的解附近继续检索，当无法继续找到一个更优解的时候就认为算法收敛，最终得到的是一个局部最优解。
那当我们更想找到一个全局最优解的时候应该怎么做呢？人们想到在进行的优化问题的邻域搜索的时候引入退火规则，即当下一状态比当前状态更优时直接接受，反之则以一定概率接受较差解，此概率随着迭代进行不断减小，最后趋近零，这保证了算法是一定收敛的。
接下来给出一个算法步骤：
还没有学会打公式，就先截组长的ppt了
简单解释一下这个吧，就像刚才说的，以一定概率接受较差解，并且这个概率随着迭代循环的次数增加而减少。就是当优化前的算法往局部最优解走的时候，有一点可能会退回来，再寻找相邻峰的最优解，这就有一定可能跳出局部最优的陷阱。但是这并不表示一定能够跳出局部最优，当p逐渐减小的时候还是会有可能被困在局部最优接，但是这比一股脑往上怼要灵活不少，不是吗？
遗传算法
遗传算法感觉不是很好讲清楚哇，试着跟着自己的理解说一点吧！
首先，要把问题的每一组可行解看作一个染色体（就是一段连续的二进制编码），从所有的可行解组中随机选择一部分当作起始搜索点的初始群体。
接下来就是要模仿生物进化中的选择，交配，变异过程了。
选择了初始群体之后，肯定要先选择一次了，找到更优的解组，这就需要一个选择标准，就是适应度计算。在实际中有很多标准，一般是将可行解在实际背景下的预报值计算出来，求每一个可行解占所有解预报值之和的频数。然后，随机生成0~1中的一个数，查看随机数落在哪个可行解对应的预报值中间，就留下此可行解，未被随机数选中的自然淘汰掉了。
然后就是交配过程，将上一步选择后的几组解两两配对，随机选择一个交叉点，将交叉点分成的段互换，就会得到新的一组解，然后再做适应度计算，选择更优解。
交配完成后就需要变异了，这很简单，将得到的借的二进制编码上的数字随机取反一次，再做适应度计算，选择更优。
然后就是上述的 选择交配变异过程循环，直到找到最优解。
蚁群算法
很显然，就是模仿蚂蚁寻找食物而发明的算法，主要用途就是寻找最佳路径。
先讲一下蚂蚁是怎么寻找食物，并且在寻找到了食物后怎么逐渐确定最佳路径的。
事实上，蚂蚁的目光很短，它只会检索它附近的很小一部分空间，但是它在寻路过程中不会去重复它留下信息素的空间，也就是它不会往回走。当一群蚂蚁遇到障碍物了之后，它们会随机分为两拨，一波往左一波往右，但是因为环境会挥发掉它们的信息素，于是，较短的路留下的信息素多，而较长的路因为挥发较多，也就留下得少了。接下来，蚁群就会趋向于行走信息素较多的路径，于是大部分蚂蚁就走了较短的路了。但是蚁群中又有一些特别的蚂蚁，它们并不会走大家走的路，而是以一定概率寻找新路，如果新路更短，信息素挥发更少，渐渐得蚁群就会走向更短的路径。
以上就是蚂蚁寻路的具体过程。
把这个过程映射到计算机算法上，计算机在单次迭代过程中，会在路径的节点上留下信息素（可以使用数据变量来表示）。每次迭代都做信息素蒸发处理，多次迭代后聚集信息素较多的路径即可认为是较优路径。
下面给出信息素更新公式
以上公式就是代表信息素的蒸发，然后，蚁群会进行一个概率选择，选择概率计算方式如下
这三种算法具体实现还没弄清楚，毕竟只是刚开始学习，先做一个学习记录吧。
三种算法都引入了概率接受，这就是在传统算法基础上做的一个提升，我觉得这个概率接受是学习次三种算发最大的收获吧。