1.1 遗传算法
遗传算法（GA）是基于生物自然选择和遗传学原理的一种自适应启发式、概率性迭代式的全局搜索算法，其主要借用了生物进化中“适者生存”和“优胜劣汰”的规律。它利用简单的编码技术和繁殖机制来表现复杂的现象，以编码空间代替问题的参数空间，以适应度函数为评价依据、以编码群体为进化基础，以对群体中个体位串的遗传操作实现选择和遗传机制，建立迭代过程。在这一过程中，通过随机重组编码位串中的优秀基因，使子代群体优于父代群体，群体个体不断进化，逐渐接近最优解，最终实现问题求解。它模拟自然界中的生命进化机制，在人工系统中实现特定目标的优化。实践证明，遗传算法对于NP问题非常有效，但是它容易陷入局部最优，即全局搜索能力弱。
1.2 模拟退火算法
模拟退火算法（SA）是基于金属退火的机理而建立起来的一种随机算法。它是一种全局最优化方法，能够以随机搜索技术从概率的意义上找出目标函数的全局最小点。在搜索最优解的过程中，模拟退火算法除了接受最优化解外，还用随机接受准则有限地接受恶化解，这使得算法有可能摆脱局部最优，尽可能找到全局最优解，保证算法收敛。它通过控制温度的变化过程来实现大范围的粗略搜索与局部的精细搜索。采用指数降温策略对温度的变化进行控制，即：
使用上述准则的优点是：当新解更优时，完全接受新解的当前解；而当新解为恶化解时，以概率P接受恶化解为新的当前解。这使得SA能够避免陷入局部最优。随着优化的进行，SA的局部搜索能力也逐渐增强，确保算法有足够的搜索精度。