一、爬山法
爬山法就是完全的贪心算法，每一步都选最优位置，可能只能得到局部最优解。本实验对普通爬山法进行了简单的优化，采用了传统爬山法的变种——随机重启爬山法，当爬山步数超过一定值时，会重新打乱棋盘，重新“爬山”。
适应度函数：冲突皇后的总对数
“爬山”：每一步就是将棋盘的某一行的皇后移动到最优的位置，即该位置让冲突的皇后对数最少，即适应度函数值最小。
“不断地爬山”： 循环对棋盘的每一行进行爬山直到该棋盘状态下适应度函数值为0。
算法框图如下：
核心代码实现如下：
二、模拟退火算法
模拟退火算法本质也是一种贪心算法，只不过以一定的概率来接受更差的状态。这种概率会随着移动变得越来越小，好处是可能会让算法跳出局部最优解，而得到全局最优解。
适应度函数：冲突的皇后对数之和。
“模拟退火的过程”就是对棋盘的某一行进行最佳位置的选择。具体降温过程是：设置一个最高温度Max，最低温度Min，以及降温速率r。某一温度T从温度Max以速率r降温到Min后则返回最终选择的皇后位置。
具体的选择是，在每一次降温过程中，先比较相邻两个皇后位置对应的状态的适应度函数值h(x)，设能量差为dE = h_new(x) – h_old(x)。如果dE <= 0,则接受该新的状态，继续比较相邻状态；如果dE > 0, 则以概率P（dE）= exp（-dE/rT）接受该移动。当该行比较出最优位置后，重新降温，达到最小温度后得出该行移动的位置。
核心代码如下：
三、遗传算法
遗传算法就是模拟自然选择的过程，将许多棋盘视为一个种群，每一个种群对应每一个个体。每两个个体进行结合产生一个新的个体，多次结合产生的新个体形成新的种群，然后再次繁殖，直到出现有适应度最高的个体。
本算法中适应度函数为每个棋盘个体中不冲突的皇后对数。
遗传算法有三个基本操作：选择，交叉，变异。
选择：选择一些个体来产生下一代。一种常用的选择策略是 “比例选择”，也就是个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是M，那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + …….. + f(Xn) ) 。比例选择实现算法就是所谓的“轮盘赌算法”。
交叉： 两个棋盘交换部分的行得到一个新的物种，本次交叉采用两个变异点，交换两点之间的办法。
变异：随机挑选一个行的位置，随机改变该行皇后的位置。
本实验对传统的遗传算法进行了两个优化，即每次产生的后代个体的适应度总是要不比父母个体差，由更优的种群产生的后代；当种群适应度处于稳定的时候，会适当提升变异率，以制造更优的个体出现。这样求解的效率会更好。
伪代码如下：
三个算法具体实现代码在我的github上 https://github.com/JoshuaQYH/AI-Course-code/tree/master，就不贴了。
最后有什么说的不对，做的不好的欢迎指教和讨论哈~