在使用启发式算法的时候，一个常见的问题是融入陷入局部最优，导致很长时间内算法的解难以得到改进，现总结一下几种常见的元启发式如何跳出局部最优。
一、跟算法内部设计无关： 使用多个初始解搜索；
二、跟算法内部设计有关：接受较差的解/扰动/交叉变异
【启发式|元启发式如何跳出局部最优（）】SA: 若新解优于原解，接受，否，以一定概率/接受标准 exp((sol.Cost-newsol.Cost)/ck)接受较差解。
VND：纯静态算法，邻域只有一个的话，跟爬山无异；跟爬山相比多了邻域的个数。
VNS：shake策略，扰动初始解，shaking本质上来说也是邻域搜索的一种，但需要注意的是，shake强度不能太小，不然很容易被局部搜索拉回，且shake对解的扰动程度比local search要强；同时shake的强度不能太大，不然与random search无异。
GA:通过交叉/变异跳出局部最优；
- 交叉：需要两个父代的基因进行互换产生新的个体，改动程度比较大，类似于VNS当中的扰动，常见算子（OX、PMX、CX）
- 变异：针对单个个体按照一定概率对某些基因进行swap、insert等操作得到新的个体，类似于local search中的邻域算子；
Tabu：通过禁忌列表的设置保证跳出局部最优。
推荐阅读
- 算法|【整数规划算法】列生成（理论分析+Python代码实现）
- 算法|AAAI2021（面向交通流预测的时空融合图神经网络）
- 算法|图神经网络（01）-图与图学习(上)
- 神经网络|干货！图神经网络及其自监督学习
- 数据结构|数据结构学习笔记（第六章 图）
- C数据结构|C数据结构（哈夫曼树算法实现与应用）
- 数据结构|数据结构（图(Graph)【详解】）
- 数据结构|数据结构（树(Tree)【详解】）
- DHU-----OJ|邻接表（顶点u的下一个邻接点）