随着智能信息化的快速发展,启发式算法的研究受到越来越多研究者的关注,且在许多组合优化问题中都表现出了较好的性能。随着大数据时代的到来,信息数据的多模态性以及数据对象的异构性显然已经成为现实优化问题中的难题。完全以经验为主的启发式算法显然不能满足现实应用中的需求,因此需结合优化问题相关的理论知识与信息数据之间的相关特征,制定符合问题特征的启发式策略,提出一些新的搜索机制和混合搜索算法,从而改进现有启发式算法的算法性能和效率。本文在已有的启发式算法的研究成果的基础上,围绕具有二部图结构信息的组合优化问题展开启发式算法的研究。针对二部图结构信息的组合优化问题中存在多约束高维匹配、多异构对象匹配以及不稳定匹配等问题,提出了一个“基于数据变量相关性学习”的二部图匹配框架,在此框架下,以抠图优化问题、双层车辆路径优化问题为研究对象,提出了三种启发式策略,主要工作包括以下三个方面:一、抠图优化问题是具有二部图结构信息的多约束高维匹配问题。针对目前的抠图采样算法的前景背景颜色样本匹配过程存在的真实样本对丢失问题,本文将增加多样性的启发式采样方法引入到抠图优化问题的求解中。充分结合未知区域像素点之间的相关性,利用免疫算法的自组织学习能力增加前景背景颜色样本集的多样性,并采用粒子群搜索优化方法对未知区域像素点分区域求解最佳匹配前景背景颜色样本对,以提高复杂图像的抠图性能,同时也为二部图结构组合优化问题中的多约束高维匹配问题求解打下了基础。二、双层车辆路径优化问题是具有相容二部图结构信息的多异构对象匹配问题。为了提升不同异构数据对象之间的协同优化性能,本文将个人偏好的启发式策略引入到相容二部图结构的优化问题中,以双层车辆路径优化问题为例,游戏作为为人机合作的工具,模拟双层车辆路径优化问题的现实场景。该方法收集并分析游戏可行解中决策分配的个人偏好信息,充分挖掘个人偏好对双层车辆路径优化问题的中心对象(卫星)的影响,为制定合适的分配策略。将个人偏好的启发式策略嵌入到蚁群算法,架起多种群蚁群算法之间信息素共享的桥梁,从而全面提升基于偏好策略的启发式算法的搜索性能,同时也为相容二部图结构的组合优化问题的求解提高了一种新的思路。三、为了解决二部图结构信息的组合优化问题中的不稳定匹配问题,本文在基于增加多样性启发式策略与个人偏好启发式策略的基础上,分析二部图异构对象的内部元素的相关性,提出了一种基于模糊演化分配的启发式策略方法。该方法先定义了二部图中异构对象集上的模糊关系,采用迭代学习的模糊矩阵分解方法将异构对象集分解为具有不同关系的模糊子集,然后结合模糊集的相关理论,提出相应的模糊匹配流程以提高不同异构对象之间的匹配效率。这对求解复杂二部图结构的组合优化问题中的不稳定匹配问题求解性能的提高打下坚实的基础。