qq_49370210的博客

遗传算法（Genetic Algorithm, GA）是一种强大的优化算法，用于解决组合优化问题，例如旅行商问题（Traveling Salesman Problem, TSP）。在处理TSP问题时，遗传算法可以产生不错的解，尤其在处理大规模问题时表现突出。在算法运行时间上：遗传算法通常能在较短的时间内找到一个相对优秀的解，尤其是与穷举法等精确算法相比。在找到的解质量上：遗传算法找到的解的质量高度依赖于算法的参数设置、种群大小、交叉率、变异率等。通过调整这些参数，可以在解的质量和算法运行时间之间寻找平衡。

蚁群算法在组合优化问题中表现出色，尤其是在动态变化的问题环境中。它已被应用于各种实际问题，如物流配送、网络路由优化、图像处理等领域。优势与局限性优势：蚁群算法具有强大的全局搜索能力，能够在大规模搜索空间中有效找到解决方案；同时具备良好的并行性和适应性。局限性：蚁群算法可能需要较多的迭代次数才能收敛，且有可能陷入局部最优解。此外，算法参数的设置对结果影响较大，需要根据具体问题仔细调整。

由于每次选择接受劣解的概率是基于当前的温度和新解与当前解的能量差异计算的，因此在不同的运行中，随机性会导致算法在搜索空间中不同的路径上进行探索。当温度较高时，算法更容易接受劣解，随着温度的逐渐降低，接受劣解的概率也逐渐降低，算法会越来越倾向于选择更好的解。：在当前解的基础上进行微小的扰动，例如交换两个城市的顺序，得到一个新的解。如果 ΔE 小于0，即新解更优，接受新解。在TSP问题中，模拟退火算法在解决旅行商问题（TSP）时的思路是通过在解空间中进行随机游走，模拟“退火”过程中的分子在热系统中的运动。

BFS 使用队列来维护节点的访问顺序。设置三个油瓶分别为A, B, C，初始化三个油瓶的初始状态(10,0,0)，满油状态(10,7,3)，目标状态(5,5,0)。原计划各打一斤油，可是由于所带的钱不够，只好两人合打了一斤油，在回家的路上，两人想平分这一斤油，可是又没有其它工具。第9种方法:[10, 0, 0]->[3, 7, 0]->[3, 4, 3]->[6, 4, 0]->[6, 1, 3]->[9, 1, 0]->[9, 0, 1]->[2, 7, 1]->[2, 5, 3]->[5, 5, 0]

遗传算法由于是借鉴了生物进化论，将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。所以随着迭代的增加，高适应度的个体逐渐在增加，低适应度的个体逐渐在减少。非常直白的显示了物竞天择，适者生存的观点。

(4) 将适应度最大的个体, 即种群中最好的个体无条件地复制到下一代新种群中, 然后对父代种群进行选择、交叉和变异等遗传算子运算, 从而繁殖出下一代新种群其它n-1个基因串。通常采用转轮法作为选取方法, 适应度大的基因串选择的机会大, 从而被遗传到下一代的机会大, 相反, 适应度小的基因串选择的机会小, 从而被淘汰的机率大。(5) 如果达到设定的繁衍代数, 返回最好的基因串, 并将其作为特征选取的依据, 算法结束。将特征子集表示为遗传算法的染色体，染色体中的每个基因代表一个特征是否被选择。

GA和EA进行优化的效果可能没有手动调参效果要好，但是这是GA和EA优化参数设置的原因。

粒子群算法是模拟群体智能所建立起来的一种优化算法，主要用于解决最优化问题，粒子群算法与遗传算法等进化算法有很多相似之处。也需要初始化种群，计算适应度值，通过进化进行迭代等。但是与遗传算法不同，它没有交叉，变异等进化操作。与遗传算法比较，PSO的优势在于很容易编码，需要调整的参数也很少。所以粒子群算法也比较使用，也可以进行优化神经网络。

遗传算法通过选择、交叉和变异的操作来操作这些染色体，生成新的参数组合。遗传算法（Genetic Algorithm，GA）和差分进化算法（Differential Evolution，DE）都是优化算法，可以用于搜索和优化参数空间以寻找支持向量机（Support Vector Machine，SVM）模型的最佳参数。对于SVM参数优化，DE也可以将SVM的参数编码成个体，并通过差分变异等操作来生成新的参数组合。DE通常通过随机选择种群中的个体来形成新的个体，并通过变异和交叉操作来产生新的参数组合。

ACO通过不断的迭代模拟蚂蚁搜索过程，经过多次迭代更新信息素、路径选择，逐步引导蚂蚁群体朝着更优解的方向移动。ρ是信息挥发因子，1-ρ表示残留因子，ρ过小时,在各路径上残留的信息素过多，导致无效的路径继续被搜索，影响到算法的收敛速率;α是信息启发式因子，α值越大，妈蚁选择之前走过的路径可能性就越大，搜索路径的随机性减弱，α越小,蚁群搜索范围就会减少，容易陷入局部最优。β是期望启发式因子，β值越大，蚁群就越容易选择局部较短路径,这时算法的收敛速度是加快了,但是随机性却不高,容易得到局部的相对最优。

学习基础神经网络的搭建和BP神经网络的训练，通过神经网络的学习掌握训练中参数的概念和调节，掌握模型训练时，拟合、收敛和误差之间的关系。

MAEPSO是一种改进的粒子群优化算法，旨在提高传统 PSO 算法的性能。它包括了多个改进点，这些改进点可以使其相对于标准的 PSO 算法表现更好。MAEPSO 引入了多尺度协同变异的概念，允许粒子群在不同的尺度上执行变异操作。这种变异策略有助于提高算法的探索性，有助于跳出局部最优解，并且能够更好地在搜索空间中进行全局搜索。MAEPSO 可能具有更强的自适应性，能够根据搜索的进展调整其内部参数，以更好地适应问题的特性。这种自适应性能够帮助算法更快地收敛到最优解附近。

人工神经网络可以用于解决TSP问题。它利用能量函数和权重矩阵来储存城市间的距离信息，并通过迭代更新神经元状态来找到最短路径。虽然适用于小规模问题且存在局部最优解风险，但其并行计算和快速收敛的特性使其在解决优化问题中具备潜力，尤其是对于较小规模的旅行商问题。