1.基于反向学习的种群初始化策略

零、前言的前言
本人是刚开始学习进化算法的小白,仅仅完成过某项改进CCIDE（这个不必懂）的实验重现而已。我的博文都是通过阅读外文资料，然后整理知识点。博文中可能出现其他文献的阅读和还没懂的证明部分，可能在以后以番外的形式更新。最后,如果出现一些字母简称您不懂的话,如果没有特别标识,如上面的CCIDE,说明你还不适合看这篇文章,可以先查阅一下其他资料,或者私信我,可能会有解决方案。这个策略将一直沿用。

一、介绍
目前成熟和常用的进化算法有：DE和GA,都有自己独特的缺点和优点，但是都有一个共同的短处，计算时间的消耗。一直以来，计算机科学家们都在改良这俩算法中的每一个步骤：交叉和变异策略，选择策略（贪婪或平均等）或者参数的设置策略（固定值或自适应等）。关于种群初始化策略的改良少之又少。在常见的进化算法中，种群的初始化都会采用纯随机策略，就是已知某一项基因的上下限，在初始化的时候在上下限之间进行随机取值。但是根据某个计算机科学家发现，纯随机策略生成的种群，在最终结果的质量和种群的收敛速度上都可以说很差，然后他提出了准随机-种群初始化策略。这里就不提了，因为该算法仅仅能改良最终结果的质量，收敛速度几乎没有加快，毕竟该策略在12维变量的算法进行中，那一点优势也会消失殆尽。所以，来自滑铁卢大学的三位计算机科学家提出了基于反向学习的种群初始化策略，在收敛速度方面宣判传统的纯随机策略死刑。

二、反向数字(opposite number)
在介绍这个改良策略之前，首先得介绍反向数字这个概念。
定义：P = a + b - p
a,b分别是（a,b）区间中的上下限，p是源数，P就是是源数的反向数字。这里修改一下定义就很好懂。
修改：P + p = a + b
代入一些常见的数字，你就懂了。
在文献中，这个反向数字在二维，三维甚至高维中也可以使用。
定义：Pi = ai + bi - pi
i代表所在维数。每一维单独计算即可。
证明太难了，涉及其他数学知识，可能在以后用番外来解释。

三、基于反向学习的种群初始化策略
进化算法的计算时间其实和初始种群中个体与最优个体的距离有关，如果个体在最优值附近出生，那么这次计算中