综述：组合优化的建设性启发式方法：算法方法、集成模式及性能特征的跨领域综合分析

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Constructive Heuristics for Combinatorial Optimization: A Comprehensive Cross-Domain Analysis of Algorithmic Methods, Integration Patterns, and Performance Characteristics

该研究系统综述了2014-2025年间320篇关于构造启发式算法在交通、调度和排课领域的应用，发现领域间存在显著不对称性，提出跨领域方法论合成、统一评估框架及战略发展路径，揭示机器学习融合、实时适应性等五大机遇。

　　

摘要

构建性启发式算法是一类基本的多项式时间算法，它们通过逐步组合组件系统地生成NP难组合优化问题的可行解。这项全面的系统综述分析了2014年1月至2025年6月期间发表的320篇经过同行评审的文章，采用了PRISMA方法论，首次对交通、调度和时刻表编制领域的构建性启发式算法进行了跨领域分析。我们的分析揭示了明显的研究不对称性：调度领域的研究论文最多，占282篇（88.13%），而交通和时刻表编制领域各有18篇（5.63%），这凸显了跨领域合作的巨大潜力。不同领域的算法偏好反映了各自问题的特点：调度领域主要使用Nawaz-Enscore-Ham启发式方法（48篇论文，17.02%）；交通领域采用最近邻方法（7篇论文，38.89%）；时刻表编制领域则侧重于基于图着色的构建方法（7篇论文，38.89%）。关键的是，构建性启发式算法在这些领域中扮演着不同的角色——在调度中作为主要优化工具，在交通领域作为初始化种子，在时刻表编制中作为可行性生成器——这为跨领域统一视角提供了依据。集成模式显示，结合遗传算法的混合架构实现了显著的跨领域一致性（调度领域22.3%，交通领域50.0%，时刻表编制领域44.4%），而机器学习的集成程度则存在显著差异（交通领域72.2%，时刻表编制领域50.0%，调度领域32.3%）。然而，评估方面也存在严重不足：统计测试的采用率从24.1%（调度领域）到66.7%（时刻表编制领域）不等，其中67.5%的研究完全缺乏验证。四个根本性限制因素阻碍了进展：计算障碍（影响19.15%的调度研究）、方法论限制（6.74%的研究存在参数敏感性问题）、基础设施缺陷（67.5%的研究缺乏统计验证）以及当代适应挑战。五个战略机遇值得关注：未充分探索的机器学习集成（19项神经网络研究，21项强化学习研究）、面向工业4.0的实时适应性、可持续性整合、跨领域知识转移以及关键应用的可解释性提升。本综述做出了三项贡献：一是提供了跨领域的方法论综合，明确指出了哪些构建性原则可以跨领域应用以及应用失败的情况；二是建立了统一的评估框架，支持基于证据的方法选择，并为实践者提供了方法选择指南；三是制定了战略路线图，引领该领域向统一且科学严谨的优化方法论迈进。