极值优化：一种演化式局部搜索算法

本文综述了一种近期提出的通用启发式方法，用于为许多困难优化问题寻找高质量解。该方法受近期以自组织临界性（self-organized criticality）概念理解远离平衡态现象进展的启发，后者是为描述物理系统中涌现的复杂性而引入的。这一称为极值优化（extremal optimization）的方法，在次优解中 successively 将极端不理想变量的值替换为新的随机值。代价函数中的大型类雪崩波动由此动力学自组织而来，有效跨越势垒以探索构型空间中 distant 邻域的局部最优，同时免去了参数调优的需要。借鉴用于模拟颗粒介质、演化或地质动力学的模型，极值优化补充了受平衡态统计物理启发的近似方法，如模拟退火（simulated annealing）。它或许是将对非平衡现象（non-equilibrium phenomena）的新洞见系统应用于困难优化问题的一个范例。该方法适用广泛，迄今在多达 10^5 个变量的约束优化问题（如二划分、染色和可满足性）的测试集上，已证明与更精细的通用启发式方法具有竞争力甚至更优。对合适模型的分析依所有实验结果预测了该方法唯一的自由参数。