python代码实现-常用的启发式算法（不是最优但是合理）

启发式算法是一类基于直观或经验构造的算法，旨在在可接受的花费下为组合优化问题提供可行解。这些算法通常不能保证找到最优解，但可以在合理的时间内得到不错的答案。启发式算法的主要应用领域包括：

1. 模拟退火算法（SA）：模拟退火算法借鉴了固体的退火原理，通过随机生成临域解并计算解的优劣，以概率方式接受新解，并在迭代过程中逐步降低温度，最终找到问题的近似解。
2. 遗传算法（GA）：遗传算法模拟生物进化过程中的遗传和变异过程，将问题的解编码为染色体（个体），并在群体中进行选择、交叉和变异等操作，通过迭代进化来逐渐找到最优解。
3. 蚁群算法（ACO）：蚁群算法受到自然界中真实的蚁群集体行为研究成果的启发，通过模拟蚁群的觅食行为来解决组合优化问题。
4. 粒子群算法（PSO）：粒子群算法是一种基于群体智能的优化算法，通过模拟鸟群觅食行为来解决组合优化问题。
5. 禁忌搜索算法（TS）：禁忌搜索算法是一种基于启发式搜索的优化算法，通过引入禁忌表来避免搜索过程中的重复操作，从而提高搜索效率。

启发式算法的代码示例：

1. 模拟退火算法（SA）：

import random
import math

def sa_optimize(func, x0, T_max, T_min, cooling_rate):
    x_best = x0
    f_best = func(x0)
    T = T_max

    while T > T_min:
        x_new = x_best + random.uniform(-1, 1)
        f_new = func(x_new)

        if f_new < f_best:
            x_best = x_new
            f_best = f_new
        else:
            p = math.exp(-(f_new - f_best) / T)
            if random.random() < p:
                x_best = x_new
                f_best = f_new

        T *= cooling_rate

    return x_best, f_best

# 示例函数
def func(x):
    return x**2

# 初始值
x0 = 10

# 模拟退火参数
T_max = 100
T_min = 1e-6
cooling_rate = 0.9

x_best, f_best = sa_optimize(func, x0, T_max, T_min, cooling_rate)
print("x_best:", x_best)
print("f_best:", f_best)

2. 遗传算法（GA）：

import random

def ga_optimize(func, n_pop, n_gen, p_crossover, p_mutation):
    def create_individual():
        return [random.uniform(-10, 10) for _ in range(1)]

    def crossover(parent1, parent2):
        child1 = [parent1[0], parent2[1]]
        child2 = [parent2[0], parent1[1]]
        return child1, child2

    def mutate(individual):
        mutated = individual.copy()
        for i in range(len(mutated)):
            if random.random() < p_mutation:
                mutated[i] = random.uniform(-10, 10)
        return mutated

    population = [create_individual() for _ in range(n_pop)]
    best_individual = min(population, key=func)

    for _ in