*本文主要记录和分享学习到的知识，算不上原创。

*参考文献见链接。

本文讲述的是求解MIP问题的启发式算法。

启发式算法的目的在于短时间内获得较优解。

个人认为局部搜索(local search)几乎包括所有的求解MIP的启发式算法的核心框架，从简单的爬山算法(Hill-climbing)到复杂的禁忌搜索(Tabu search)，从一个初始解出发的爬山算法(Hill-climbing)到一群初始解出发的遗传算法(Genetic algorithm)，其核心框架都是local search。

所以说，学习求解MIP的启发式算法，一定要掌握到local search的思想和算法过程。

目录

　　引言

　　local search的过程

　　local search的要素

引言

求解一个MIP问题的困难之一在于，当问题的解空间很大时，我们想从中获取最优解是很耗时间的。但是，我们可以做到的是，从一个小的解空间短时间获得最优解。

就像一个标准型的线性规划问题，我们并不想逐一判断解空间中的所有解的大小，从而确定出最优解，而是希望有一种更加高效的方法。由于我们知道一个标准型的线性规划问题，其解空间可以表示成一个凸多边形(polyhedron)，而最优解只会发生在凸多边形的顶点(vertex)处，所以我们可以仅仅判断顶点上的解的大小，从而获得最优解。

那么如何找到“最有可能成为最优解”的解呢？

我们知道，一个全局最优解一定是局部最优解，而一个解如果都不是局部最优解，那也不可能是全局最优解。所以我们认为那些局部最优解是最有可能成为全局最优解的解。

那么能不能找到所有的局部最优解呢？

只有判断所有的局部最优解的大小，才能确定全局最优解。但是由于解空间很大，想找到所有的局部最优解也是很耗时间的。从时间的角度上看，我们只能获得一部分的局部最优解，找到一个问题的较优解。

那么如何找到局部最优解，实现当前解的迭代呢？

local search寻找局部最优解的思想和过程和“梯度下降法”类似。

local search 的过程

（1）生成初始解：算法从一个初始解或若干个初始解开始；

从一个初始解出发，如：Tabu search,

从若干个初始解出发，如：genetic algorithm

（2）定义邻域，获得候选解：定义解的邻域，并产生若干个候选解；

不同的算法会考虑不同的邻域结构。邻域结构的定义对算法的性能影响比较大。

（3）确定新界：从候选解中确定新解；

最简单的选择策略是将候选解中的最优解作为新解。不过不同的算法会考虑不同的选择策略。

（4）迭代：重复上述搜索过程，直至满足终止条件。期间可能伴随着参数的调整。

终止条件可能是时间、迭代次数等。

local search 的要素

（1）目标函数：用于判断解的优劣；

（2）初始解的产生方法；

初始解的好坏可能会对结果造成很大的影响，与具体算法有关。

（3）邻域的定义；

（4）新解的确定规则；

（5）终止条件。

*local search，包括以local search为核心框架的启发式算法，一般在设计算法时都必须考虑算法的两个方面：

（1）Intensification：深度搜索。尽可能找到局部最优解。

（2）Diversification：广度搜索。尽可能搜索到更多的解空间，以及避免陷入局部最优解。

 

参考文献