几种优化算法的简单简单简单的介绍

遗传算法：

遗传算法包含遗传、变异和选择三个流程。个体编码常用无符号的二进制整数来表示。具体步骤包括：构造一定规模的初始种群，计算适应度决定遗传的概率，遗传运算（常用轮盘赌法），交叉运算（按概率发生片段交换）、变异运算（较小概率随机发生突变，防止陷入局部最优）。

模拟退化算法：

 源于固体退火原理，基于蒙特卡洛（MonteCalro）法迭代求解测量的一种随机寻优的算法。在某一初温下，伴随温度不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解。

    模拟退火包括加温、等温和冷却（退火）过程。设定初始值，进行蒙特卡洛模拟新状态，优化状态完全接受，也以一定概率接受劣化状态（防止局部最优），直到得到满足要求的解。这种方法本质还是随机求解法，计算量大，时间长。

蚁群算法：

是一种用来在图中寻找优化路径的几率型算法，源于蚂蚁在寻找食物过程发现最优路径的行为。典型的应用是用于解决旅行商问题（Travelingsalesman problem, TSP）。

算法的一般步骤：

（a） 初始化参数：开始时每条边的信息素量都相等；

（b）将各只蚂蚁随机放置各个顶点；

（c） 依次选取蚂蚁周游所有顶点，计算转移概率（由每条边的信息素和启发因子决定，启发因子为路阻的倒数），以轮盘赌法决定下一个顶点，计算蚂蚁留在各边的信息素，更新信息素表。

（d）计算各边的信息素增量，记录本次迭代的路径，更新当前最优路径，清空信息素表。

（e） 迭代运行，终止条件：最大迭代次数或停滞现象。

粒子群算法（pso）：

源于对鸟群捕食行为的研究，求解过程是从随机解出发，通过迭代寻找最优解，通过适应度评价解的品质。

粒子群算法的一般过程：

（a）随机初始化一组微粒（问题可行解），包括随机位置和速度；

（b）评价每个微粒的适应度；

（c）根据个体极值和群体极值来更新当前位置。

（d）重复（b）和（c），记录下每个粒子每次迭代的位置和适应度，直至找到最优解。