启发式算法算法机制特点现代启发式算法在优化机制方面存在一定的差异，但在优化流程上却具有较大的相似性，均是一种“邻域搜索”结构
算法都是从一个(一组)初始解出发，在算法的关键参数的控制下通过邻域函数产生若干邻域解，按接受准则(确定性、概率性或混沌方式)更新当前状态，而后按关键参数修改准则调整关键参数
如此重复上述搜索步骤直到满足算法的收敛准则，最终得到问题的优化结果
算法类型首次使用者机制优化流程关键参数收敛准则SAKirkpatrick基于蒙特卡洛进行串行搜索优化邻域搜索初始温度、退温函数迭代次数、搜索序列均值与极值的最小偏差GAHolland基于生物进化和遗传进行全局最优化邻域搜索种群数目、复制、交叉、变异概率同上TSGlove记忆功能的全局逐步优化算法邻域搜索列表大小、邻域函数结构与数量同上ACADorigo强化学习功能的全局性并行优化算法邻域搜索残留信息量、信息增量、积累量、启发或消失因子同上
以上内容由大学时代综合整理自互联网，实际情况请以官方资料为准。
