启发式算法学习

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，主要有蚁群算法、模拟退火法、神经网络等

 

启发式算法的一般思想是通过逐步分解问题来降低求解复杂性，同时采用局部优化或贪婪搜索等技巧来保证生成解的质量。启发式算法由于计算成本小，可用来求解较大规模的排班问题。

贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。 [1] 

曼哈顿距离

曼哈顿距离被认为不能沿着对角线移动，如下图中，红、蓝、黄线都代表等距离的曼哈顿距离。绿线代表欧氏距离，如果地图允许对角线移动的话，曼哈顿距离会经常比欧式距离高。

 

arg min f(x) 是指使得函数 f(x) 取得其最小值的所有自变量 x 的集合