智能算法和机器学习的关系

        智能算法比如蚁群算法，粒子群算法，遗传算法等这些都是优化算法，应用在解决最优化问题上，其实机器学习中求得的预测值与真实值之间最小差异最优化问题就是用这类算法，只不过现在深度学习中用的一般方法是梯度下降方法，但是目的都一样，机器学习算法有分类，聚类，回归、降维四类，比较繁杂。关系就是机器学习内部本来就会可以用到智能算法，特别是神经网络，里面的最优化问题就可以用智能算法来解决，可以简单理解为智能（启发式）算法主要解决的是最优化问题或者NP难题。而机器学习解决的问题更加复杂。

智能（优化）算法/启发式算法

        智能算法比如蚁群算法、粒子群算法、遗传算法等这些，解决的一般为最优化问题。最优化的问题一般情况下可以归纳为以下两种：

1. 有约束条件有目标函数的函数优化问题

2. 在一个解空间里寻找最优解，使得目标函数值最小的组合优化问题eg：TSP问题、背包问题...

给出个局部搜索，模拟退火，遗传算法，禁忌搜索的形象比喻：
为了找出地球上最高的山，一群有志气的兔子们开始想办法。
1．兔子朝着比现在高的地方跳去。他们找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是局部搜索，它不能保证局部最优值就是全局最优值。
​
2．兔子喝醉了。他随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，他渐渐清醒了并朝最高方向跳去。这就是模拟退火。
​
3．兔子们吃了失忆药片，并被发射到太空，然后随机落到了地球上的某些地方。他们不知道自己的使命是什么。但是