智能優(yōu)化方法是一類類似于啟發(fā)式方法的新型算法,己經(jīng)成功地解決了多種優(yōu)化問題。 LPO2506I-474LC組合優(yōu)化問題涉及找到一組離散變量的值,使得所給定的目標函數(shù)的解達到最優(yōu)。從形式化的角度來說,組合優(yōu)化問題表示為一個三元組(s,/,Ω),S是候選集的集合,r是目標函數(shù),對于每一個候選集都對應著一個目標函數(shù)值,夕是約束條件的集合。集合中滿足約束條件夕的解稱為可行解,優(yōu)化的目標就是找出―個全局最優(yōu)的可行解。求最小值的問題就是要找出一個具有最小目標函數(shù)值的解s汴∈s,即一個對于所有),而求最大值的問題就是要找出一個具有最大目標函數(shù)值的解,即一個對于所有。

   組合優(yōu)化問題的求解方法有兩種:精確算法和近似算法。精確算法可以保證找到問題的最優(yōu)解,事實證明對于任何規(guī)模有限的組合優(yōu)化問題,算法都可以在一個與問題有關的運行時間內(nèi)得到最優(yōu)解。對于NP-llard問題,精確算法在最差情況下需要指數(shù)級的時間來

尋找最優(yōu)解,導致算法在問題規(guī)模變得較大時就不再可行。

   如果在實際應用中不能有效地得到最優(yōu)解,唯一可行的方法就是降低最優(yōu)值的精度來換取計算效率的提高。即為了在多項式時問內(nèi)求得比較好的解,可以以犧牲找到最優(yōu)解作為代價。近似算法在非嚴格定義下稱為啟發(fā)式方法,是尋求在相對較低的計算成本下,找到好的或接近最優(yōu)解的解答,但是算法并不保證一定能夠找到最優(yōu)解。