遗传算法
基本思想：1、根据问题的目标函数构造适值函数（Fitness Function）；
2、产生一个初始种群（100-1000)；
3、根据适值函数的好坏，不断选择繁殖；
4、若干代后得到适值函数最好的个体即最优解。
构成要素: 1、种群（Population），种群大小（Pop-size）
2、基因表达法——编码方法；
3、遗传算子（Genetic Operator）——交叉、变异
4、选择策略：一般为正比选择）——选择种群中适应值高的个体，适者生存，优胜劣汰。
5、停止准则（Stopping Rule/Criterion）
算法流程图：
算法步骤：1、初始种群的产生：随机产生（依赖于选择的编码方法——二进制编码/实数编码）；种群大小（依赖于计算机的计算机能力和计算复杂度）。
2、编码方法——二进制编码（用0，1字符串表达）。二进制适用于三种情况：背包问题+实时优化+指派问题。二进制编码缺点：编码长不利于计算；二进制编码优点：便于位值计算，包括的实数范围大。
3、适值函数——根据目标函数设计。用适值函数F(x)标定目标函数f(x)可采用方法：-minf(x)或maxf(x)
4、遗传算法——交叉和变异。
5、选择策略——最常用的是正比选择，选择概率的计算公式：
，得到选择概率P后，采用轮转法，计算得到轮转法的元素：
，随机产生
，当
，则选择个体i。
图例：
6、停止准则 ——通常指定最大迭代次数。
交叉：不是所有点都交叉，设定一个交叉概率 ，一般选较大数，比如0.9
（一）单切点交叉
随机产生一个断点(Cutting Point)［1，n-1］
例题：
（二）双切点交叉
例题：
变异：初始种群中没有需要的基因，在种群中按变异概率 任选若干位基因改变位值0→1或1→0，
有意想不到的结果， 一般设定得比较小，在5%以下。变异的可能是很小的，比如在陷入局部最优时
例题：NP:种群数量。
粒子群算法(Particle Swarm Optimization)
优点：简单易行、收敛速度快、设置参数少
算法介绍：
每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。
所有的粒子都由一个fitness function 确定适应值以判断目前的位置好坏。
每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。
每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
求最优解的过程中的符号表达：
D维空间中，有N个粒子；
粒子i位置：xi=(xi1,xi2,…xiD)，将xi代入适应函数f(xi)求适应值；
粒子i速度：vi=(vi1,vi2,…viD)
粒子i个体经历过的最好位置：pbesti=(pi1,pi2,…piD)
种群所经历过的最好位置：gbest=(g1,g2,…gD)
通常，在第d（1≤d≤D）维的位置变化范围限定在
内，速度变化范围限定在
内（即在迭代中若Vid，Xid，超出了边界值，则该维的速度或位置被限制为该维最大速度或边界位置）
q粒子i的第d维速度更新公式：
,
由三部分组成：粒子先前的速度（可理解为惯性速度）
粒子本身的思考（粒子i当前位置与自己最好位置之间的距离）
粒子间的社会经验（粒子i当前位置与群体最好位置之间的距离）
图解：
q粒子i的第d维位置更新公式: 
—第k次迭代粒子i飞行速度矢量的第d维分量
—第k次迭代粒子i位置矢量的第d维分量
c1,c2—加速度常数，调节学习最大步长
r1,r2—两个随机函数，取值范围[0，1]，以增加搜索随机性
w —惯性权重，非负数，调节对解空间的搜索范围
粒子群优化算法的算法流程图
粒子群算法的构成要素：
群体大小m：m是一个整型参数。m很小时陷入局部最优的可能性很大；m很大时，POS优化能力很好，当群体数目增长至一定水平时，再增加不再有显著的作用。
权重因子：惯性因子w：w=1是基本粒子群算法；w=0表示失去对粒子本身的速度的记忆。
学习因子c1：c1=0——无私型粒子群算法。缺点：迅速丧失群体多样性，易陷入局部最优而无法跳出。
学习因子c2：c2=0——自我认知型粒子群算法。缺点：完全没有信息的社会共享，导致算法的收敛速度很慢。
最大速度Vm：Vm较大时，探索能力增强，但是粒子容易飞过最优解；Vm较小时，开发能力增强，但容易陷入局部最优。Vm一般设为每维变量的变化范围的10%~20%。
邻域的拓扑结构：分为两种：将群体内所有个体都作为粒子的领域、只将群体中的部分个体作为粒子的领域。领域拓扑结构决定群体历史最优位置。故将粒子群算法分为全局粒子算法和局部粒子算法。
停止准则：最大迭代步数、可接受满意度。
粒子空间初始化：较好地选择粒子的初始化空间，将大大缩短收敛时间．初始化空间根据具体问题的不同而不同，也就是说，这是问题依赖的．
例子：
