该场景下应选用哪种元启发式算法筛选最优准确数值？

你的需求本质是带混合指标（定量数值+Fibonacci序数值）的多目标最优个体筛选，现有数据集可直接作为元启发式算法的初始种群使用，以下是适配的算法选型：

1. 非支配排序遗传算法II（NSGA-II） #

• 适配场景：无需预设各指标权重、需要保留不同维度偏好的优解时使用，适配你的场景中耗时、资源消耗量、配置人数最小化，以及难易度合理性匹配的多目标冲突需求
• 运行逻辑：将每份人员提交的数据集作为种群内的单个个体，各指标作为独立的目标函数，通过快速非支配排序、拥挤度计算保留同时在多个指标上表现更优的个体，迭代后输出的帕累托最优解集即为不同偏好下的合理数值组
• 优势：对混合数据类型适配性好，可直接处理Fibonacci序列的序数值对比逻辑，算法成熟稳定，适配种群规模几十到几千级别的数据集筛选

2. 粒子群优化算法（PSO） #

• 适配场景：数据集规模较大（超过1000组）、可接受提前给各指标分配权重做单目标聚合时使用，计算效率远高于演化类算法
• 运行逻辑：将每份数据的各指标值编码为粒子位置，聚合后的综合合理性得分为适应度函数，通过粒子追随全局和个体最优位置的迭代逻辑，快速收敛到综合得分最高的数值组
• 优势：实现简单、迭代速度快，对连续型数值指标的适配性极强，可快速输出TopN级别的最优数值集合

3. 模拟退火算法（SA） #

• 适配场景：数据集中存在较多噪声、或部分指标极端值存在合理性可能的场景使用，可有效避免陷入局部最优漏选特殊场景下的合理数值
• 运行逻辑：初始随机选取数据条目作为初始解，每次迭代随机跳转对比条目，以一定概率接受表现更差的条目，随着迭代推进接受概率逐步降低，最终收敛到全局最优的数值组
• 优势：对数据分布无要求，可处理Fibonacci序数这类离散型指标，抗噪声能力强

• 无明确指标权重、需要多维度优解：优先选择NSGA-II
• 数据集规模大、要求计算速度快：优先选择PSO
• 数据噪声高、指标间冲突性强：优先选择SA

内容的提问来源于stack exchange，提问作者Mauro Quiñones