[论文解读] Combining heuristics and Exact Algorithms: A Review

Hengameh Fakhravar|arXiv (Cornell University)|Feb 6, 2022

Optimization and Mathematical Programming被引用 5

一句话总结

本文综述了将元启发式算法与精确数学规划方法相结合的混合方法，用于求解复杂的组合优化问题。该研究整合了数十年的研究成果，分析了诸如利用启发式算法生成初始解、指导分支定界法中的分支策略，或加速精确算法等集成策略，表明此类混合方法在解的质量和计算效率方面通常优于单一方法。

ABSTRACT

Several different ways exist for approaching hard optimization problems. Mathematical programming techniques, including (integer) linear programming-based methods and metaheuristic approaches, are two highly successful streams for combinatorial problems. These two have been established by different communities more or less in isolation from each other. Only over several years ago, a larger number of researchers recognized the advantages and huge potentials of building hybrids of mathematical programming methods and metaheuristics.

研究动机与目标

• 对元启发式算法与精确数学规划技术融合的研究成果进行系统性综述与归纳。
• 识别元启发式算法与精确算法在组合优化中常见的集成模式。
• 分析结合启发式与精确方法所带来的性能优势及实际挑战。
• 为希望设计或应用混合优化框架的研究人员提供全面参考。
• 指出混合算法设计中尚未充分探索的机会与未来研究方向。

提出的方法

• 系统性回顾1990年代至2022年期间发表于主要期刊与会议的混合优化方法文献。
• 将混合策略划分为三类主要类型：基于启发式的初始化、精确算法的增强，以及迭代优化。
• 分析集成技术，如利用元启发式算法为分支定界法或列生成法提供热启动解。
• 考察在局部搜索与精确解验证步骤之间交替执行的混合框架。
• 评估包括解质量、收敛速度和鲁棒性在内的性能指标，覆盖基准实例。
• 识别架构模式，如基于分解的混合方法以及混合求解器中的自适应控制机制。

实验结果

研究问题

• RQ1 在不同优化问题中，元启发式算法与精确算法在实践中是如何结合的？
• RQ2 结合启发式与精确方法时，最有效的集成策略是什么？
• RQ3 在哪些问题类别中，混合方法能持续优于独立的元启发式或精确算法？
• RQ4 导致成功混合优化框架的关键设计原则是什么？
• RQ5 在混合求解器的开发与部署中，仍存在哪些关键挑战与研究空白？

主要发现

• 在复杂组合优化问题上，混合方法通常比独立的元启发式或精确方法获得更优的解质量。
• 利用元启发式算法生成高质量初始解，可显著减少精确算法收敛所需时间。
• 通过启发式算法指导分支定界法中的分支规则或变量选择，可加快收敛速度并缩小搜索树规模。
• 在局部搜索与精确验证步骤之间交替的混合框架，通常比单一方法更高效地找到最优或近似最优解。
• 最有效的混合方法具备自适应特性，能根据问题特征动态调整启发式探索与精确强化之间的平衡。
• 尽管实证性能表现强劲，当前文献中系统化的混合设计准则与混合行为的理论分析仍显不足。