禁忌搜索算法详解：从局部最优到全局优化

我先抛一个不少做优化的人都会遇到的场景你要排一条产线几十个工件的先后顺序直接影响总加工时间或者你给一个物流网络设计派单路线几十上百个点位的访问顺序怎么看都是爆炸级组合问题。很多人一开始第一反应是上贪心、剪枝、动态规划这些常规招数但当问题规模稍微上来一点比如几十个点位的路径问题、带复杂约束的调度问题精确求解往往撑不住普通局部搜索又容易陷入“走两步就绕回原地”的魔咒。禁忌搜索算法Tabu Search简称TS就是在这个背景下被推到我面前的也是我后来处理这类组合优化问题时最依赖的算法之一。说穿了禁忌搜索就是在普通邻域搜索的底子上加了一块“短期记忆板”用它记住最近访问过的解或者最近用过的移动操作在后续搜索中暂时禁止重复这些步骤从而绕开局部最优。再配合藐视准则在关键时刻“破例”就能做到既不会反复绕圈又不会错过真正的好解。它不需要问题具备特别强的数学性质只要你能定义出“解是什么、邻居怎么生成、目标怎么计算”就能套上去用。这篇文章会从背后的机制谈起再到参数怎么选、代码怎么搭、实际项目里踩过哪些坑尽量把TS讲透让不同基础的读者都能上手。1. 项目概述与问题背景1.1 禁忌搜索是什么一句话版本禁忌搜索是一种基于邻域搜索的元启发式算法核心由三部分组成邻域结构、禁忌表和藐视准则。它不像遗传算法那样有成群结队的个体也不像模拟退火那样需要掷骰子决定是否接受坏解而是从头到尾只维护一个当前解通过“避开最近走过的路”来不断探索更远的地方。你可以把它理解成一个不太愿意走回头路的登山者。这个人每次只往周围看看选一个没在最近走过方向迈步哪怕这一步短期看起来高度下降了只要还没被禁忌表禁止他就会硬着头皮走。同时他还揣着一张“豁免卡”当某个被禁的方向突然出现了更优质解时他可以亮卡破例。这张卡就是藐视准则。TS最大的特点是对问题模型的依赖很小。只要你有办法生成初始解、枚举或采样邻居、计算目标函数就能跑起来。对于路径优化、生产调度、资源分配这类典型的离散组合优化问题TS在工程中经常是那个“最后帮你再挤出几个点收益”的算法。1.2 解决的核心问题为什么光靠局部搜索不行局部搜索的思路非常直白从一个初始解出发在它的邻居里找一个比当前解更好的解然后跳过去反复执行直到邻居里找不到更好的解为止。这种“贪心式爬山”在很多场景下很有效但它有一个致命缺陷容易卡在局部最优。我常用下面这个例子解释给业务同事听。一个凹凸不平的地形里你站在某个小山坡上周围能看到的地方都不比你高但远处其实有一座更高的山峰。普通局部搜索没有“远视”能力它只会因为认为眼前已经最高而停下来。更麻烦的是当解空间里有大量对称结构时搜索很容易在两个或几个看似不同但实际等价的解之间反复横跳形成死循环消耗了大量算力却没有任何进展。禁忌搜索解决的就是这个问题。它通过禁忌表把“最近走过的路”暂时封死迫使搜索接受变差的解、走到从未探索过的区域从而有机会翻过山谷爬到另一个山坡。注意它并不是真的要禁止所有重复而是用一种有记忆的节奏让搜索保持新鲜度。也就是说TS是在“局部搜索会陷入循环”这个痛点之上加了系统性的逃逸机制。1.3 哪些人群适合读这篇文章如果你的工作里经常跟组合优化打交道比如物流路径规划、产线排程、任务调度、选点选址、星型网络设计那禁忌搜索很可能是比遗传算法更务实、比精确求解更容易落地的一个选项。你可以通过这篇文章直接掌握它的工程套路落到自己的数据上试。如果你是学生或者刚接触元启发式算法对粒子群、蚁群、遗传算法这些名字熟悉但对禁忌搜索的原理比较陌生那本文会把机制拆得很细包括禁忌对象、禁忌长度、藐视准则这些容易被教科书一笔带过的东西。就算你只是对“如何给一个算法调参”感兴趣也能在后面的章节里看到针对参数敏感度、候选集规模、邻域算子设计的实操经验这些是只看论文很难学到的部分。2. 核心机制拆解为什么它管用2.1 邻域搜索的地基要理解禁忌搜索必须先对邻域结构有清晰认识。当前解s的所有可能一步操作结果组成它的邻域N(s)。这里的“一步操作”叫做移动通常用一个操作算子来定义。比如路径规划里把路径上两个点的访问顺序互换调度问题里把一个任务从位置i搬到位置j连续优化里把某个维度的数值增加或减少一个步长这些都是移动。TS有个很容易踩的坑禁忌对象到底记什么。我见过不少人把禁忌表当作“禁用的解”集合比如某个解被访问过后就把它加入黑名单。结果当问题稍微大一点一个个解会很快占满内存而且往往跳过一个解并不会阻止搜索回到同一片区域效果很差。经验之谈多数情况下应该把“移动”作为禁忌对象。移动是动作不是终点。比如在TSP里禁忌“交换了城市a和城市b这两个位置上的访问顺序”而不是禁忌“交换后的这条完整路径”。记动作的好处是动作数量相对可控而且能更精确地防止循环记解则容易把大量有效邻居误伤把搜索限制得越来越死。2.2 禁忌表与禁忌长度禁忌表本质上是一个带“时间戳”的列表里面记录最近若干次迭代中执行过的移动。每当搜索做出一个新的移动就把这个移动放入表里当表长度超过预设的禁忌长度Tabu Tenure时最早进入的移动被移出恢复可用。举个例子假设禁忌长度为5那么当前这个时刻前5次迭代用过的移动都会被禁止。为什么要禁止这些移动因为我刚从状态A通过移动m到达状态B如果不禁止m下一轮搜索很可能又用m换回A形成来回横跳。禁止掉最近几次用过的移动等于在时间维度上强制搜索不要走回头路。禁忌长度的设置很讲究。太短防不住周期循环搜索可能在几个状态之间反复振荡太长可用移动太少邻域被锁死搜索容易陷入“无路可走”的尴尬处境。后面我会详细给一套经验值这里先记住一条核心原则禁忌长度应该和问题规模、邻域大小挂钩实际中等规模问题通常在7~20之间调。2.3 藐视准则网开一面才不至于错过只依赖禁忌表会带来一个问题某一次移动被禁忌了但它其实能带来一个比历史最优解还要好的结果。这时候如果还死板地拒绝那搜索就白白错过了提升机会。所以禁忌搜索必须配一个藐视准则也叫破禁准则、特赦原则。藐视准则最简单的实现方式是当某个被禁忌的移动如果执行后能得到的目标函数值比当前搜索过程记录下来的全局最优解还要好那就打破禁忌允许执行这个移动。换句话说禁忌表拒绝的是“普通的后退”但无法拒绝“真正的突破”。这个准则在实现时一点也不能省。我见过几个把TS写成纯禁忌表的版本跑出来的结果往往很差原因就是搜索后期真正能提升的最优移动往往早就被禁忌了如果没有破禁机制算法只能眼睁睁错过它。藐视准则给算法开了一扇窗让它在记忆的限制和探索的进取之间保持平衡这也是TS比普通局部搜索聪明得多的关键所在。2.4 邻域构造与候选集TS的上限通常不由禁忌表决定而是由邻域构造和移动算子决定。你给出的“一步操作”越符合问题的结构搜索效率越高相反如果邻域设计得特别差禁忌表再精妙也没用。常见的移动算子包括交换两个元素的位置、把一个区间整体倒序、把一个元素插入到另一个位置、对连续变量做小步长扰动。除了移动算子之外你还要决定每次迭代展开多少邻居。很多问题里完整邻域巨大全部展开计算代价太高这时候就要用候选集策略。例如随机抽取K个邻居、按某种启发规则选出一批“看起来有希望”的邻居再从中做评价和挑选。候选集大小这个参数经常被忽略但影响很大。候选集太小搜索视野太窄效果接近瞎走候选集太大每轮耗时飙升同样不可取。比较好的做法是先保守一点比如从50到200之间试然后观察收敛曲线再根据调整预算决定是否扩大候选集。这部分接下来会具体展开。3. 算法流程与参数选择3.1 标准流程逐步讲禁忌搜索的整体流程并不复杂我把每一步拆开说明方便直接照着写。第一步生成一个初始可行解。可以用随机方法也可以用贪心法生成一个质量还不错的种子解。初始解质量高往往能节省大量迭代次数但如果初始解太高质量反而可能让搜索过早偏向某个区域所以也有人故意用随机解把前期探索的机会留给算法本身。第二步进入循环。每一轮迭代基于当前解生成候选邻居集合。生成方式可以是完整的邻域展开也可以是采样候选集。第三步对每个候选解计算目标函数值。这里要注意评价函数是否真的是合法解如果产生了不可行解要么丢弃要么用惩罚函数拉回来。第四步把所有候选解按目标值排序从中挑选最适合执行的移动。挑选时先判断这个移动是否在禁忌表里。如果不在直接采用如果在则看它能否触发藐视准则。能触发照样采用不能触发就去看下一个候选。第五步执行选定的移动更新当前解。如果新解比历史最优解更好就把全局最优更新掉。同时把这个移动加入禁忌表并移除超龄的禁忌记录。第六步检查终止条件。条件一般是到达最大迭代次数、达到指定计算时间、或者连续N轮全局最优没有改善。满足就结束否则回到第二步继续循环。这套流程看起来很简单真正决定效果的其实是里面的细节包括“禁忌对象的定义方式”“禁忌长度怎么变”“候选集怎么生成”“什么时候触发多样化重启”。3.2 参数选取建议表很多初学者问禁忌搜索参数怎么定其实没有万能公式但有可参考的经验区间。下面这张表是我在实践中摸索出来的一套初始参数适用于多数中等规模离散优化问题。参数名称作用建议初始范围调整策略禁忌长度Tabu Tenure控制移动被禁的时长7~20规模越大取偏大值太小容易振荡候选集大小每轮评估的邻居数量50~200按单次评价耗时调整耗时高则减小最大迭代次数搜索终止条件之一500~5000观察收敛曲线若后期还在提升则加大无改善触发多样化连续多少轮没更新全局最优20~60太短会破坏局部精搜太长容易浪费算力随机种子控制复现性固定多个种子多跑几个种子评估稳定性以100个城市的TSP为例我一般会把禁忌长度设在20左右候选集控制在100上下最大迭代跑到5000左右。注意禁忌长度不是越大越好太大的禁忌长度会让很多优质移动长期不可用反而限制搜索自由度。比较好的操作是设成一个区间比如每次迭代随机取8~15之间的一个数这样可以兼顾记忆强度和探索性。3.3 长期记忆与多样化很多文章讲禁忌搜索只提短期记忆也就是禁忌表但长期记忆同样重要它是解决“搜索停在某个区域出不来”的关键工具。实现长期记忆最简单的方式是频率表。每执行一个移动就给这个移动对应位置的操作次数加一。当连续多轮全局最优没有改善时可以启动多样化策略在对候选解排序时给那些“高频使用的移动”加上一个惩罚项迫使搜索去碰那些很少涉及的区域。这个惩罚不是永久的等搜索重新活跃起来再恢复原来的目标函数排序即可。除了多样化还有强化策略。当搜索找到一个比较好的区域时可以缩小邻域步长或者增加候选集密度围绕当前优质区域做更细致的挖掘。这就像先粗扫全图再对宝藏区域做细扫。多样化和强化是交替使用的搜索没有进展时多用多样化刚刚找到新最优的时候多花点时间做局部强化。实际项目和纯理论跑分有个很大不同计算预算有限。所以不要一上来就同时开所有机制而是先把基础TS跑通再逐步加长期记忆、多样化、强化这些高级功能。每加一个功能就对比一下有没有实际增益避免把代码越写越复杂。3.4 一个可复用的Python骨架这里给出一段通用性较强的TS实现骨架核心逻辑完整换到具体问题时只需替换目标函数、邻域生成和禁忌对象定义。import random import copy def tabu_search(init_sol, evaluate, gen_neighbors, get_move_key, tabu_len10, cand_num100, max_iter1000, max_stagnate50, seed42): random.seed(seed) cur copy.deepcopy(init_sol) best copy.deepcopy(init_sol) best_val evaluate(best) tabu_dict {} # 记录每个move的上次使用迭代次数 stagnate 0 for it in range(max_iter): neighbors gen_neighbors(cur, cand_num) candidates [] for nbr in neighbors: move_key get_move_key(cur, nbr) val evaluate(nbr) candidates.append((val, nbr, move_key)) candidates.sort(keylambda x: x[0]) selected None for val, nbr, move_key in candidates: if move_key in tabu_dict: last_used tabu_dict[move_key] if it - last_used tabu_len: # 触碰禁忌只有满足藐视准则才接受 if val best_val: selected (val, nbr, move_key) continue else: selected (val, nbr, move_key) break else: selected (val, nbr, move_key) break if selected is None: # 候选集全部被禁且没有破禁机会做多样化简化处理 val, cur, move_key candidates[random.randint(0, len(candidates)-1)] else: val, cur, move_key selected tabu_dict[move_key] it if val best_val: best copy.deepcopy(cur) best_val val stagnate 0 else: stagnate 1 if stagnate max_stagnate: # 重置为当前最优并清空禁忌表触发简单重启 cur copy.deepcopy(best) tabu_dict.clear() stagnate 0 return best, best_val里面get_move_key是关键它决定你禁忌的是哪个“移动”。在TSP里如果你用2-opt反转一段路径move_key就可以定义为这一段的两个端点城市编号的二元组。使用时注意move_key必须是可哈希的否则需要转成元组或字符串。清空禁忌表的方式比较粗暴只作为示意实际项目中建议保留频率表再配合多样化惩罚效果会更好。4. 实战应用场景拆解4.1 案例一某仓储物流配送的路径安排先拿一个典型场景举例一批客户点分散在城市各处需要从仓库出发把所有点访问一遍再回来目标是总行驶距离最短也就是标准TSP的变体。我在做某仓储配送项目时最开始是用贪心构造初始路线再叠加2-opt局部搜索结果改进了大约10%就再也不动了。后来切换成禁忌搜索同样用2-opt作为移动算子用“被反转的区间两个端点编号”作为禁忌对象禁忌长度设成20候选集每轮随机生成100个2-opt操作跑了大概两三千次迭代总距离又降了约6%。这类问题里禁忌对象的定义比想象中更重要。如果禁忌的是整个解路径那么几乎每轮都能找到大量新解可以用禁忌表形同虚设而禁忌的是“某条边被反转过”这个动作就可以有效防止搜索在几个核心路段附近反复折腾。除了2-opt还可以混合使用swap和insert算子但候选集是随机采样的算力足够的时候可以适当把候选集调大一点让这轮能同时看到更多类型的移动。4.2 案例二车间流水线任务排序调度调度问题是禁忌搜索另一个非常典型的应用领域。某制造车间的流水线上若干个工件有不同的加工时长、不同的交付优先级和先后约束目标是让最大完工时间尽可能短。这个问题的解就是一个有序的工件序列移动算子可以是“把某个工件从位置i搬到位置j”。我在做一条模拟装配线的排程优化时发现TS比人工经验排程要稳定得多。调度和路径问题不同约束更复杂经常出现“换了几个工件顺序之后某个约束被破坏”的情况。处理办法通常是两步第一步是尽量保证邻域生成出来的都是合法解比如移动方必须满足工件的先后依赖关系第二步是对少数无法避免的非法解用惩罚函数把它拉回合法区域比如超过交付时间就加一个较大的权值惩罚。注意惩罚系数不能设置得太大否则非法解被压得太低搜索几乎只会往合法方向走相当于损失了过渡解的桥梁作用。在参数上调度问题里候选集往往不要太大因为评价一个解需要做一次全线仿真代价高。我会把候选集控制在50左右禁忌长度设为12然后配合长期记忆里的频率惩罚来避免长时间没有进展。实际跑下来TS最后给出的解通常比纯人工排程提升10%~15%且稳定性明显好于同类随机启动的局部搜索。4.3 案例三机器学习超参数的连续优化提到禁忌搜索很多人以为它只能处理离散问题其实连续变量优化也能用关键是把邻域生成方式改成“在某个维度上做一个随机扰动”。比如给某图像分类模型的三个超参做调优每个超参用一个实数表示一组超参就是一个解。邻域生成时随机挑一个维度给它加上一个符合高斯分布或均匀分布的小增量就得到一个新解。禁忌对象可以定义成“最近若干次扰动过的维度编号加扰动方向”。连续问题里最大坑是步长选择。步长太小搜索在局部范围打转收敛慢步长太大又会跳过优质区域。比较实用的做法是设一个基础步长随着迭代逐渐衰减同时在每个维度上单独记录步长配合长期记忆动态调整。另外连续空间的禁忌对象不太好定义因为两个解极少完全重合更合理的做法是“离散化格子”比如把每个超参的取值分成若干个区间禁忌的是“最近访问过的区间”这样既好记录又有效果。在我测过的一个小数据集上用TS调某模型的超参虽然单次评估比较贵但只需要几百轮迭代就找到了一个不错的参数组合效果和网格搜索接近时间却省了不少。这个场景很适合那些目标函数复杂、不平滑、且带有大量局部极值的机器学习调参任务。4.4 多目标问题上的常见处理方式在实际项目里单目标的情况其实不算多更多是“既要成本低又要交付快还要资源均衡”。多目标禁忌搜索有两种主流路线一种是加权法把多个目标线性加权成一个标量这样TS不需要大改只要调整权重就能获得不同偏好下的解另一种是Pareto法维护一个非支配解集合每次迭代挑解时基于非支配排序和拥挤度做选择并用禁忌表把最近加入Pareto前沿的解保护起来。对绝大多数读者而言建议先从加权单目标开始。别一上来就做Pareto版本因为多目标版本的候选解比较和禁忌长度策略都会更复杂调试难度成倍增加。把单目标TS跑顺手之后再逐步引入权重区间上的多次运行也能获得一条不错的Pareto近似曲线。5. 常见问题与坑位排查5.1 搜着搜着就停在原地全局最优不更新这是TS最常见的症状。如果跑了很久全局最优一直不动第一个怀疑对象是禁忌表设得太大导致大量可用移动都被锁死搜索“无路可走”。把禁忌长度临时改成0或者1跑一遍对比如果马上有改善就说明是禁忌长度问题。第二个怀疑对象是禁忌对象定义得太宽。比如你禁忌的是整个解而不是移动那么当解空间很大时禁忌表基本不影响搜索但当解空间结构复杂时又会因为误伤大量解而导致搜索走过一遍的地方全被封住很快就卡死。检查办法很简单把禁忌对象改成移动再看效果。第三个原因是候选集生成机制出了问题。如果候选集每一次都生成得很窄比如总是盯着当前解附近的少数邻居那搜索很难走远。建议在候选集里加入一定比例的随机邻居保证视野足够宽。5.2 搜索在几条路线之间反复横跳这种问题通常表现为目标函数值起起伏伏但每一轮都只是在几个状态之间来回切换始终没有新的全局最优产生。核心原因是禁忌长度太短没有覆盖住回路的周期。举个例子如果搜索在3个状态之间循环而禁忌长度只有2那么第3轮回到第一个状态时第一步使用的移动可能已经被移出禁忌表于是又开始循环。解决办法是把禁忌长度拉长到至少与回路的周期相当或者用动态随机禁忌长度每轮随机取8~15之间的一个值让循环更难形成。5.3 每次运行结果差异很大不稳定禁忌搜索本身带有随机性尤其是候选集随机采样、初始解随机生成的时候方差会很明显。这不是算法出了问题而是它的随机性没有被管理好。实践中的做法是多启动用不同的随机种子跑多次比如跑10次取里面最好的结果作为最终输出同时统计均值、方差给业务方一个“预计波动范围”。在工程落地时也可以先用贪心解作为初始解固定随机种子这样结果相对可复现方便后续调参对比。5.4 评价函数太慢整个搜索跑不动很多TS的应用场景里评价一次解的成本很高比如要跑一次仿真、要训练一次模型。如果每轮候选集有100个邻居每个邻居全量重算一遍目标函数代价会非常恐怖。关键优化方式是增量评价。拿TSP举例2-opt反转一段路径时路径总长的变化只和反转区段的两端边有关系没有必要把整条路径重新遍历一遍。用增量计算单次评价的开销可以从O(n)降到O(1)。调度问题里调整某个工件的顺序通常也只需要重新计算受影响的时间段而不是整个排程全部重算。能不能做增量评价往往决定了你这个TS项目能不能在合理时间内跑完。另外如果增量评价很难实现就缩小候选集大小比如每轮只随机评估20~30个邻居。宁可每轮走得少一点也要保证代码能跑完。5.5 参数太多调不动怎么办禁忌搜索的可调参数确实不少但不需要全部精细调。我的经验是先固定候选集大小、迭代次数只调整禁忌长度观察它对收敛曲线的影响确定好禁忌长度之后再微调候选集大小最后才考虑长期记忆和多样化策略。不要试图同时把所有参数都调成“最优”那样不仅耗时还可能过拟合到某个特定算例上。下面整理一份快速自查清单适合每次跑完一轮结果后逐条核对。检查项现象对应处理禁忌长度搜索振荡反复加长或改为动态随机禁忌长度搜索过早停滞缩短或清空禁忌表对比禁忌对象禁忌表形同虚设改为以移动为对象候选集每轮评价太慢缩小候选集或用增量评价候选集搜索视野窄加入随机邻居多样化全局最优长期不更新增加频率惩罚和重启机制初始解结果波动大使用贪心初始解固定随机种子5.6 长期记忆和多样化的搭配技巧多样化策略不是随便把解跳到一个随机位置就完事。我常用的中间策略是记录每个移动历史上被使用的次数当连续无改善超过阈值时把候选解排序公式从“目标函数值”改成“目标函数值 惩罚系数 × 该移动的使用频率”这样会让搜索优先考虑那些很少被尝试过的动作。惩罚系数可以设置为当前最优目标函数值的5%到10%避免惩罚太轻没效果、太重又偏离目标函数本身。还有一种温和的重启方式不把解重置到随机位置而是把当前解替换为历史次优解然后清空禁忌表继续搜索。这种重启既保留了前期积累的信息又给搜索制造了新的出发点。多种化机制要在基础TS稳定后再加否则代码里同时存在好几个随机因素出了问题很难定位。6. 经验与边界认知6.1 我在实际项目里踩过的坑第一次真正用禁忌搜索解决调度问题时我把大量精力花在调禁忌表长度上换来换去始终没什么提升。后来把问题拆开看才发现卡住搜索的不是禁忌表而是邻域算子太弱——我只用了两两交换工位看不到更大范围的改善空间。后来改成了“区间搬移”算子把一段连续工件整体搬到另一个位置结果一下子好起来了。从那以后我得出一个结论禁忌搜索的效果排序基本是邻域结构大于禁忌表禁忌表又大于其他高级机制。先把移动算子设计好再谈记忆策略。另一件事是关于候选集大小。刚开始图省事每次迭代只生成20个候选邻居结果每轮虽然快但全局收敛极慢。后来把候选集提到100虽然单轮时间涨了但整体收敛轮次大幅减少总耗时反而更短。这个规律不一定对所有问题成立但值得在测试时多做几组对比。6.2 哪些场景适合TS哪些不适合TS适合那种“解可以被表示成排列、组合或者一组有序操作目标函数算起来不是特别贵而且局部搜索特别容易绕圈”的场景。路径优化、序列调度、排产排程、网络规划这些领域都是它的主场。相反如果问题本身是凸优化或者线性规划有成熟的精确求解器可以用那就没必要上TS。如果目标函数单次评估需要几十秒甚至几分钟邻里展开又会很贵那么TS跑起来会非常痛苦这时候更适合用贝叶斯优化或者基于代理模型的方案。还有一点要注意如果业务要求结果必须严格可复现比如每次运行都要给出完全相同的最优解那TS的多随机性会带来麻烦。解决办法是多启动之后取最优并固定随机种子否则很难向业务方解释为什么两次运行结果不一样。6.3 最后再送一个压箱底的小技巧评价函数能增量算就尽量增量算。很多时候一轮候选集评估要调用上百次目标函数全量重算和增量计算的差距不是百分之几十而是几倍到十几倍。哪怕只是把最简单的路径长度改成基于边的增量计算整个搜索的可用迭代次数都会明显变多收敛效果自然就上去了。另一个小技巧是在禁忌长度上做动态随机。固定长度虽然简单但很容易和问题本身产生共振形成周期性震荡。把禁忌长度设成8到15之间的随机整数每轮重新取一次虽然单轮看起来有点“不稳”但长期跑下来跳出局部最优的能力反而更强。这个方法实现成本极低却经常带来惊喜我后来在好几个项目里都是这么干的。禁忌搜索不是一个让人惊艳的算法它没有遗传算法那种生物隐喻的浪漫感也没有模拟退火那种物理过程的故事性。但论工程实用性它的“记忆破禁”组合在组合优化问题里非常能打。只要把邻域算子设计到位再配上一个合理的禁忌表长度你会发现原本卡在局部最优里的搜索开始慢慢朝你真正想要的方向挪过去了。