超启发式算法（hyper heuristic）

简介

超启发式算法是新近提出的一类解决复杂优化问题的概念模型。该模型主要通过一种高层次启发式策略(High-level Heuristic，简称 HLH)管理和操纵一系列低层次启发式(Low-level Heuristics，简称 LLH)方法以实现在解空间中的寻优。
作为一种有效的搜索方法，超启发式算法可以自动选择、组合或生成多个简单的 LLH 方法以解决复杂的优化问题。
超启发式算法与传统的启发式方法最主要的区别在于它搜索的是启发式算法，而不是问题的解，并通过搜索过程得到的相关信息控制搜索过程。在组合优化领域，超启发式算法被描述为“搜索启发式算法的启发式算法”。给定一个问题实例和一些底层启发式算法集，高层算法就可以在算法搜索过程中，在相应的决策点做出恰当的“指挥”，从而选择并应用最合适的低层启发算法，而选择出来的算法将被直接用于问题的求解。

分类

根据搜索空间的性质的不同进行分类
由上文可知，超启发式算法搜索的不是问题的解，而是求解问题所使用的一些启发式方法。这些启发式算法也被称作低层启发式算法，根据他们的性质的不同，分成建设型和扰动型两种方式。
其中，建设型是指从现有的启发式中选择合适的进行利用；
扰动型是指从现有的启发式方法中的某些部分进行扰动，从而产生出新的启发式方法。

根据信息反馈方式的不同进行分类。主要包括在线信息反馈，离线信息反馈和不反馈三种方式。
（1）在线信息反馈：在算法正在运行的过程中，低层算法的表现被实时地反馈给高层策略，然后根据高层策略进行评定哪些低层算法最适合在当前使用。
（2）离线信息反馈：将实例集合分为训练实例和待求解实例两部分，训练实例主要用于积累LLH的历史信息，而待求解实例则可以根据这些历史信息来决定LL