我正在对两个保护区设计工具进行比较，即Marxan和ConsNet，两者都使用元启发式算法来解决最小集合覆盖问题的版本。 Marxan使用模拟退火，ConsNet使用禁忌搜索。虽然我的背景是生物学，但我认为我能够通过元启发式掌握一些优化的概念。
然而，有两件事我还没有想到Tabu搜索。首先是它是如何逃脱当地的最佳选择。我知道它不能改变它的动作，并且它会阻止它骑自行车，但是我不知道是什么让它在发现它时会留下局部最佳状态。我可以理解模拟退火是如何做到的 - 它有一定的概率接受一个更糟的解决方案，随着时间的推移逐渐减少，直到它不再接受更糟糕的解决方案 - 但我不知道TS是如何做到的。
第二个问题是，在ConsNet手册中，找到以下声明
搜索完全是确定性的，但它可以根据如何继续进行决策 解决方案存档的当前状态或目标的当前状态
TS总是确定性的吗？通过阅读一些来源，我认为移动可能是随机的，就像SA一样。但后来有一些论文谈论“确定性禁忌搜索”。确定性禁忌搜索如何知道采取哪些动作以及如何逃避局部最优？它有时候必须接受更糟糕的解决方案，对吗？
非常感谢提前
答案 0 :(得分：2)
多个问题，所以多个答案：）
禁忌搜索脱离本地最佳状态，here是一张显示方式的图片。如果所有改进的解决方案都是禁忌（并且没有预期）并且已经评估了所有移动或者已经达到selectionLimit或acceptedLimit，那么它接受更糟糕的解决方案。
TS和SA都可以写成“可重复的”，这意味着运行它两次将产生相同的结果。我认为通过说“完全确定性”（这是一个不同的属性）意味着什么。获得可重现性的技巧很简单：只需在任何地方重用相同的Random实例，然后使用固定的randomSeed启动它。
当缩小时，TS将无法评估合理大小的数据集上每步的所有可能移动。所以它也需要随机选择。
TS，SA（以及此事的延迟接受）具有竞争力。它取决于性能最佳的用例（事先不可能预测）。因此，所需的约束可以影响哪个表现最佳，但实际数据集的影响要小得多。
注意：我隶属于OptaPlanner（java，开源）。