Tabu Search可能正在Genetic Algorithms使用。
遗传算法可能需要很多代才能获得成功，因此以高性能运行对他们来说非常重要。 Tabu搜索用于增强以避免局部最大值，并且具有良好的内存机制以通过迭代获得更好的成功。然而，禁忌搜索使算法比平常更慢，除了它的好处。
我的问题是：
是否有关于何时使用基因算法禁忌搜索的研究？何时没有？
答案 0 :(得分：4)
一般来说，GAs花费大量时间采样非常不理想的点。假设你正在优化一个看起来像几个驼峰的功能。 GA最初会在整个地方转移点，并慢慢收敛到位于驼峰顶部的点。然而，即使是非常简单的局部搜索算法也可以在GA的斜率上产生GA，并且基本上立即将其直接推到驼峰的顶部。如果让每次GA产生点通过这个简单的局部优化，那么你就结束了一个GA搜索仅局部最优，这通常会大大提高你找到最佳的解决方案的机会的空间。问题在于，当你开始真正的问题而不是驼峰时，简单的局部搜索算法通常不足以找到真正好的局部最优，但是像tabu搜索这样的东西可以用在它们的位置。
有两个缺点。其一，GA的每一代都要慢得多（但通常需要更少的代数）。第二，你会失去一些多样性，这会导致你更频繁地收敛到次优解决方案。
在实践中，我会总是尽可能在GA中包含某种形式的本地搜索。没有免费的午餐告诉我们，有时候你会让事情变得更糟，但是经过十年左右的时间专业地进行GA和本地搜索研究，我几乎总是提出一个清晰的新100美元账单，说本地搜索将改善事物对于你真正关心的大多数情况。它不一定是禁忌搜索;你可以使用模拟退火，VDS，或者只是一个简单的下一个登山攀岩者。
答案 1 :(得分：2)
当您将多个启发式方法组合在一起时，您可以使用所谓的混合启发式方法。
在过去十年左右的时间里，探索混合启发式在优化“群体”中的优势和劣势是一种趋势。
关于这个主题有几百篇的论文，其中很多都很好。我已经看过在每一代GA中为每个后代采用局部搜索（爬山，而不是禁忌）的文件，以将每个后代引导到局部最优。作者报告了良好的结果。我还看到过使用GA来优化模拟退火算法的冷却时间表的论文，用于特定问题实例和一般情况，并且具有良好的结果。我还阅读了一篇论文，它为模拟退火算法添加了一个禁忌列表，这样它就可以防止重新访问过去n次迭代中看到的解决方案，除非满足一些愿望功能。
如果您正在进行时间表（正如您的其他评论所示），我建议您阅读一些来自PATAT的文章（自动时间表中的实践和理论），特别是来自EKBurke和P.Brucker的非常活跃和良好的文章。在该领域已知。很多PATAT程序都是免费提供的。
尝试像这样的学术搜索：
很难用数学方法证明这些启发式的收敛性。我已经看到了模拟退火的马尔可夫链表示，它显示了收敛的上下界，并且存在类似的GA。通常，您可以在单个问题上使用许多不同的启发式方法，只有实验结果才会显示哪个更好。您可能需要进行计算实验，以确定您的GA是否可以通过TS或更通用的本地搜索进行改进，但总的来说，混合启发式算法似乎已成为现实。
答案 2 :(得分：0)
我还没有将禁忌搜索与遗传算法结合起来，但我有combined it with simulated annealing。它不是真正的禁忌搜索，它更多使用tabu增强其他算法。
根据我的经验，检查某些内容是否为禁忌并不会产生高性价比。