Greedy Randomized Adaptive Search，贪婪随机自适应搜索（GRAS），是组合优化问题中的多起点元启发式算法，在算法的每次迭代中，主要由两个阶段组成：构造（construction）和局部搜索（ local search）。 构造（construction）阶段主要用于生成一个可行解，而后该初始可行解会被放进局部搜索进行邻域搜索，直到找到一个局部最优解为止。
如上面所说，其实整一个算法的框架相对于其他算法来说还算比较简单明了，大家可以先看以下整体的伪代码：
GRAS主要由两部分组成：
- Greedy_Randomized_Construction:在贪心的基础上，加入一定的随机因素，构造初始可行解。
- Local Search：对上面构造的初始可行解进行邻域搜索，直到找到一个局部最优解。
然后再多说两句：
-
Repair是什么鬼？
有时候由于随机因素的加入，Greedy_Randomized_Construction阶段生成的解不一定都是可行解，所以为了保证下一步的Local Search能继续进行，加入repair算子，对解进行修复，保证其可行。 -
不是说自适应（Adaptive）吗？我怎么没看到Adaptive 的过程？
别急，这个后面具体举例的时候会详细讲到。
为了大家能更加深入理解该算法，我们举一个简单的例子来为大家详细讲解算法的流程。
好了，相信大家都看懂上面的问题了（看不懂也别问我，摊手）。对于上述问题，我们来一步一个脚印用GRAS来求解之，来，跟紧小编的脚步……
强调了很多次，GRAS由两部分组成：Greedy_Randomized_Construction和Local Search，所以，在求解具体问题的时候，完成这两部分的设计，然后按照第二节所示的框架搭起来就可以。
这里还是老规矩，先上伪代码给大家看看，然后我们再进行讲解，毕竟对于算法来说，伪代码的作用不言而喻。
- 第1行，一开始解是一个空集。
- 第2行，初始化候选元素的集合，这里候选元素是指能放进Solution的元素（也就是目前Solution里面没有的），比如１，２，３……。
- 第3行，对候选集合的每个元素进行评估，计算将元素x放入Solution会导致目标函数f改变量delta_x。
- 第5行，根据delta_x对各个元素排序，选取部分较好的候选元素组成RCL表（贪心性体现在这里）。
- 第6行，随机在RCL中选取一个元素放进Solution。（算法的随机性）
- 第8、9行，更新候选元素集合，然后对每个元素进行重新评估计算delta值。（算法的自适应性体现在这里）
相信经过上面如此详细的介绍，大家都懂了吧！
关于Local Search方面的内容，相信大家学习heuristic这么久了，就不用我多说什么了吧：
简单看一下伪代码即可，主要是邻域算子的设计，然后就是在邻域里面进行搜索，找到一个局部最优解为止。然后关于邻域搜索，有best-improving or first-improving strategy 两种策略，这个下次有时间出个专题给大家讲明白一些相关概念吧。
前面我们说了，Greedy_Randomized_Construction用于生成初始解，既然是Greedy_Randomized两个结合体，那么肯定就有一个权重分配的问题，即，是Greedy成分多一点呢？还是Randomized成分多一点好呢？因此，为了控制这两个小老弟的权重，防止某个家伙在该过程中用力过猛导致解不那么好的情况，我们引入一个参数α：
其他部分就不再多说，可以看到，上面的α参数主要是控制RCL的长度：
- 当α=0时，纯贪心，只能选取最优的候选元素。
- 当α=1时，纯随机，所有候选元素都可随机选。
由于小编精力有限，就不从头写一遍了，从GitHub上找了一个感觉还不错的算法给大家，也是求解TSP问题的。不过说实在的，python写算法的速度是很慢的，无论是速度还是算法架构等方面都不推荐大家用matlab或者python写大型优化算法。
运行结果如下：
代码算例以及相关运行结果请关注公众号【程序猿声】，后台回复：GRAS，即可下载
