1、局部束搜索：
a、随机产生k个状态，然后每一步从所有的后继状态中选择k个最佳的后继状态（也有健康度函数，详见下文）直到找到目标状态（内存中同时保留k个状态），增大了找到全局最优的概率。
b、相当于多个人去找，或者多次爬山法。
c、状态越多，找到最优的可能性越大
d、空间复杂度高；时间复杂度大；来自同一个父节点的子节点可能非常相似，可能导致同样的一个局部最优，从而减小了找到全局最优的可能性。
e、可以通过每个状态各产生一个最佳后继状态（待验证）
2、随机束搜索：不找k个最佳，而是随机找到k个后继状态，随机概率与状态值（这个状态好不好）成正比，又引入了随机性减少了子节点的相似性。状态值越好，越可能被随机选中。
3、遗传算法：模拟生物学上的有性繁殖，然后进行人工培育。
a、以k个随机产生的状态开始（遗传了局部束算法的特点）
b、一个后继状态由两个父状态决定（增加了子状态的多样性和进化的可能性）
c、通常一个状态表示成一个字符串
d、定义一个健康度量函数用来评价状态的好坏程度。
e、以八皇后问题为例，非冲突的皇后对数量最小为0，最高为(87)/(12)=28，因此如果有四个样本，分别有24、23、20、11对非冲突皇后，那么计算出概率为24/(24+23+20+11)=31%，得到四个样本被选中产生子节点的概率。
f、然后选择n个样本进行两两配对，产生新的子样本（以皇后问题为例，进行交叉互换，随机选择一个断开点，然后交叉互换样本值，产生新的样本）
g、还需要发生基因突变，随机选择一个样本的一个位置，然后将其随机更改为一个合适的值。
h、通过选择、交叉、突变的操作产生下一轮的状态。
i、设计代码的时候尽可能避免自交。
j、当健康度曲线比较平滑和缓慢的时候就可以结束。跑一次不一定能找到最优解，但有找到最优解的可能。
