完整复现论文算法 | 修正甘特图错误 | 拓展SA算法族 | 前后端可视化系统
在原文仅提供遗传算法的基础上，新增两种智能优化算法形成对比：标准模拟退火算法（SA） + 自适应模拟退火算法（Adaptive SA）。
最终形成传统GA、改进GA、标准SA、自适应SA四算法对比体系。
核心思想：基于自然选择的进化优化，通过编码、选择、交叉、变异搜索最优调度。
| 选择策略 | 轮盘赌选择 |
| 交叉算子 | OX交叉(g1) + 两点交叉(g2) |
| 变异算子 | 交换变异(g1) + 随机重置(g2) |
| 精英保留 | ❌ 无 |
| 调度模拟 | 仅资源冲突，无转移时间/空间重叠 |
✅ 优点：实现简单，计算快速，适合快速基线对比。
⚠️ 局限：忽略实际测绘中的地理转移和空域冲突，工期估计偏乐观。
核心改进：双基因编码 + 概率初始化 + 精确调度模拟（转移时间+空间重叠惩罚）。
| 选择策略 | 锦标赛选择 (tournament_size=3) |
| 交叉算子 | 分段OX交叉 + 两点交叉 |
| 变异算子 | 段内交换 + 按概率重置资源 |
| 精英保留 | ✅ 是 (比例可调) |
| 调度模拟 | 资源冲突 + 图斑间转移时间 + 空间重叠惩罚 |
✅ 优点：贴近真实测绘环境，解质量显著优于传统GA。
📌 关键参数：变异率(0.12~0.2)、精英比例(0.05~0.1)、种群规模(150~300)。
核心思想：模拟金属退火过程，以一定概率接受劣质解，避免局部最优。
| 初始温度 | 1000 |
| 降温速率 | 0.95 (指数降温) |
| 每温度迭代次数 | 100~200 |
| 停止温度 | 0.1 |
✅ 优点：单点搜索，内存占用小，易于实现。
⚠️ 局限：参数敏感，容易早熟，对复杂问题效果不稳定。
核心改进：停滞检测 + 动态降温 + 回火机制，自动调整搜索行为。
| 初始温度 | 1200 |
| 基础降温率 | 0.97 |
| 每温度迭代 | 300 (固定) |
| 停滞阈值 | 8次无改进触发慢降温 |
| 回火因子 | 1.6，最大2次 |
✅ 优点：对参数不敏感，能跳出局部最优，解质量优于标准SA。
📌 适用场景：复杂调度问题，且希望减少手动调参。
| 算法 | 推荐规模 | 主要参数 | 预期工期(相对) |
|---|---|---|---|
| 传统GA | 小规模(图斑≤10) | 种群100, 迭代150 | 高(串行下界) |
| 改进GA | 任意规模 | 种群200, 变异0.15, 精英0.1 | 中低(接近最优) |
| 标准SA | 小规模快速验证 | 初始温度1000, 降温0.95 | 中(参数敏感) |
| 自适应SA | 大规模复杂问题 | 初始温度1200, 每温度300次 | 低(鲁棒性强) |
💡 实践结论：改进GA在中等规模问题上表现均衡；自适应SA在大规模且地形复杂时能获得更优解，且无需精细调参。建议对比实验时固定随机种子，确保可比性。