最优化问题自然地分成两类：一类是连续变量的问题，另一类是离散变量的问题。在连续变量的问题里，一般是求一组实数，或者一个函数。离散变量的最优化问题被称为组合优化的问题，是从一个无限集或可数无限集里寻找一个对象，典型对象如一个整数、一个集合、一个排列或一个图。
生活中许多问题都是由相互冲突和影响的多个目标组成的。人们会经常遇到使多个目标在给定区域同时尽可能最佳的优化问题。组合优化问题在工程应用等现实生活中非常普遍，并且处于非常重要的地位，这些实际问题通常非常复杂、困难。自 20 世纪 60 年代早期以来，组合优化问题吸引了越来越多不同背景的研究人员的注意力。因此，解决组合优化问题具有非常重要的科研价值和实际意义，尤其是当今 AI 算法和模型的研究中，也有大量优化问题需要解决。
一般情况下，多目标优化问题的各个子目标之间是矛盾的，一个子目标的改善有可能会引起另一个或另几个子目标的性能降低。也就是说，要同时使多个子目标一起达到最优值是不可能的，而只能在它们中间进行协调和折中处理，使各个子目标都尽可能地达到最优化。如果用 f i 代表子目标 i 的成本函数，f=y 代表总成本函数，多目标优化问题的解就是使总成本函数最小。这可以表达为
典型的多目标组合优化问题求解思路是对问题进行数学建模，将其抽象为数值函数，选择最佳组合的优化问题。当该函数在连续、可求导、低阶的简单情况下可解析地求出其最优解，但因为各种因素影响复杂，大部分情况下只能进行近似优化计算。尤其当问题规模较大时，优化计算的搜索空间也随之急剧扩大，要求出真正的最优解几乎不可能。使用自然计算算法能够在可接受的时间和精度范围内，求出一种近似最优解。
当人们出行时，可以使用地图搜索连接出发点和目的地的最佳路线。根据不同的目的，可以选择什么是最佳路线，例如可以选择在最短的时间内到达，或交通费用更便宜，以得出最佳组合。
这类问题一个比较著名的例子是旅行商问题（Traveling Salesma
（本章节未完结，点击下一页翻页继续阅读）
正在加载...