cherry-keven

介绍优良的个体繁衍下一代（选择适应度函数比较高的那个体概率比较大，不是百分之百）基本步骤编码：需要优化的问题，用数学语言描述出来（解空间里面的x1、x2），映射到遗传算法空间里面的基因串结构数据随机产生初始串结构数据个体：每个串结构数据选择：优良的特性到下一代的概率会比较高交叉：新的个体较大概率保留了父辈个体的特征，但是又有一些变化变异：每个个体都有机会在局部的变量上面产生新的变化，保证解空间的多样性fitness.mfunction [sol, fitnessVal] = fitnes

启发对于个体的鸟儿来说，最快获取食物的第一选择通常是：看看其他的鸟在什么位置，它们相信聚集效应存在，会先去大部分鸟儿去的地方，如果没有，就去其他的地方去寻找参数以及和遗传的关系粒子——染色体——解空间里的解适应度函数——适应度函数（系统性能评价的指标，评价粒子或者个体性能怎么样）速度（遗传没有）——当前解到下一个解的方向和快慢位置——解公式求解下一次速度：个体在所有的行进路径中——最优值与当前位置的差值（个体极值和当前位置的关系）群体在所有的行进路径中——最优值与当前位置的差值（群体极值

概述智能理论算法的优点是无需先验知识，不需要分析数据内部的规律和内在关联，只需要对数据本身进行学习，自组织、自适应的完成优化问题的求解，缺点是采用这种模型的收敛速度往往极慢，处理大量的样本数据时会占据极多的计算机运行内存，对计算机的运行速度有很高的要求。优化算法是一种给定方向的遍历遗传算法（GA）全局搜索能力强，局部搜索能力较弱，往往只能得到次优解而不是最优解研究发现，遗传算法可以用极快的速度达到最优解的90%以上，但是要达到真正的最优解需要花费很长时间，即局部搜索能力不足。粒子群算法产生早熟

传统优化算法一般是针对结构化的问题，有较为明确的问题和条件描述，如线性规划，二次规划，整数规划，混合规划，带约束和不带约束条件等，即有清晰的结构信息；而智能优化算法一般针对的是较为普适的问题描述，普遍比较缺乏结构信息。传统优化算法不少都属于凸优化范畴，有唯一明确的全局最优点；而智能优化算法针对的绝大多数是多极值问题，如何防止陷入局部最优而尽可能找到全局最优是采纳智能优化算法的根本原因：对于单极值问题，传统算法大部分时候已足够好，而智能算法没有任何优势；对多极值问题，智能优化算法通过其有效设计可以在跳出.