人工智慧爬山演算法

⑴ 跪求一本介紹爬山演算法的書

建議你看《演算法導論》，很經典
看《人工智慧復雜問題求解的結構和策略（原書第6版）》作 者：（美）盧格 著，郭茂祖 等譯，出 版 社：機械工業出版社，出版時間：2010-1-1

⑵ 人工智慧演算法弄出來的新發明，專利到底算誰的

專利是屬於申請專利的那個人的了，下面我們來看看都有哪些人工智慧演算法：
一、粒子群演算法
粒子群演算法，也稱粒子群優化演算法（Particle Swarm Optimization），縮寫為 PSO，是近年來發展起來的一種新的進化演算法。

粒子群優化(ParticalSwarmOptimization-PSO)演算法是近年來發展起來的一種新的進化演算法(Evolu2tionaryAlgorithm-EA).PSO演算法屬於進化演算法的一種,和遺傳演算法相似,它也是從隨機解出發,通過迭代尋找最優解,它也是通過適應度來評價解的品質.但是它比遺傳演算法規則更為簡單,它沒有遺傳演算法的交叉(Crossover)和變異(Mutation)操作.它通過追隨當前搜索到的最優值來尋找全局最優。
二、遺傳演算法
遺傳演算法是計算數學中用於解決最佳化的，是進化演算法的一種。進化演算法最初是借鑒了進化生物學中的一些現象而發展起來的，這些現象包括遺傳、突變、自然選擇以及雜交等。遺傳演算法通常實現方式為一種模擬。對於一個最優化問題，一定數量的候選解（稱為個體）的抽象表示（稱為染色體）的種群向更好的解進化。傳統上，解用表示（即0和1的串），但也可以用其他表示方法。進化從完全隨機個體的種群開始，之後一代一代發生。在每一代中，整個種群的適應度被評價，從當前種群中隨機地選擇多個個體（基於它們的適應度），通過自然選擇和突變產生新的生命種群，該種群在演算法的下一次迭代中成為當前種群。

⑶ 局部搜索到底是什麼

簡單地說，就是根據已有的條件減小搜索范圍的搜索思想，不再全局搜索了。。。比如你想知道你班裡有多少有錢人，但由於你班上人太多了不可能一一調查，所以你可以根據「物以類聚」的假設減小搜索范圍，有錢人和有錢人走得更近些，就從某個有錢人的圈子進行排查。。。

⑷ 人工智慧中的演算法有什麼

模糊數學、神經網路、小波變換、遺傳演算法、人工免疫系統、參數優化、粒子群演算法，等等，簡單應用，有高等數學知識即可。

⑸ 學會用聚類演算法進行數據挖掘需要怎樣的數學基礎

會用聚類演算法進行數據挖掘需要線性代數, 變分演算，距離度量，距離矩陣等的數學知識基礎。

在數據科學中，我們可以通過聚類分析觀察使用聚類演算法後獲得一些有價值的信息，其中會涉及許多數學理論與實際計算。
主要有以下幾類演算法：
K-Means（k-平均或k-均值）是普遍知名度最高的一種聚類演算法，在許多有關數據科學和機器學習的課程中經常出現。
Mean shift演算法，又稱均值漂移演算法，這是一種基於核密度估計的爬山演算法，適用於聚類、圖像分割、跟蹤等
DBSCAN是一種基於密度的聚類演算法，它不需要輸入要劃分的聚類個數，對聚類的形狀沒有偏倚。
層次聚類會將每個數據點視為單個聚類，然後連續合並成對的聚類，直到所有聚類合並成包含所有數據點的單個聚類。

關於數據挖掘的相關學習，推薦CDA數據師的相關課程，課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。要求學生具備從數據治理根源出發的思維，通過數字化工作方法來探查業務問題，通過近因分析、宏觀根因分析等手段，再選擇業務流程優化工具還是演算法工具，而非「遇到問題調演算法包」。點擊預約免費試聽課。

⑹ 登過了哪些山app

推薦9款比較好用的登山App：alltrails app ，peaklens gps ，六隻腳app，樂圖戶外地圖，兩步路戶外助手，peakfinder安卓版，廣九戶外app，駝鈴戶外活動app和兩步路蘋果版。
一．alltrails app是眾多戶外運動愛好者必備軟體之一，因為它在用戶進行戶外活動時可以提供諸多幫助。例如上面的地圖能用於路線導航，同時此軟體還會自動記錄和保持大家的行走路徑，使得大家返程更方便，通過世界各地的徒步旅行、騎自行車、背包旅行和跑步小徑探索大自然。可以使用GPS 活動追蹤器記錄您的遠足、步行、跑步或山地自行車騎行。
二．peaklens gps是適用於登山愛好者，徒步旅行者的新型增強現實和虛擬現實應用。這是多年來在人工智慧和計算機視覺方向取得的研究成果，基於一種能夠高精度實時識別山峰的新型演算法。peaklens安卓是專為登山愛好者而打造的山峰識別app，該軟體可以通過手機上的攝像頭來識別全球高山，主要是人工智慧計算出山峰准確的位置，同時大家在操作時還能不斷的移動手機來提高應用計算的准確率。
三．六隻腳app是面向戶外旅行愛好者的記錄、瀏覽、分享戶外旅行線路（gps軌跡）的離線地圖工具和安全助手客戶端，並與六隻腳網站實現無縫結合，提供強大的gps軌跡記錄、便捷的行程分享、多樣的離線地圖下載等服務，並可隨時瀏覽六隻腳平台上百萬條戶外旅行線路。它是一款地圖出行類的軟體，通過六隻腳app你可以方便的記錄自己的各種旅遊或者登山出行信息，軟體還會以各種直觀的方式展現出來，讓你充分的了解自己的路線。
四．樂圖戶外地圖是專門為那些喜歡旅遊的朋友們打造的，它裡面含有清新的地圖，而且還提供gps導航功能，使用非常方便，需要的話可以來體驗。一款適合領隊和驢友戶外徒步、穿越、登山使用的戶外軟體，內置gps軌跡庫、等高線地形圖、衛星地圖、豐富的戶外地名數據(山峰、埡口、村落、河流、水源、營地)，以及搜狗地圖、google地圖（全球）、天地圖（小路豐富）等地圖數據，所有數據都已經製作完好，您只要下載就可以正常使用，所有數據可以離線使用。
五．兩步路戶外助手最新版是一款戶外旅行出行使用的工具，提供一體化全面服務，享有旅行商城和出行攻略等亮點，為用戶記錄登記出行的方式，鮮明的地圖能實現智能的導航功能，一款全面手機的工具，玩戶外，就上兩步路，兩步路戶外助手是綜合性戶外服務平台，提供戶外活動、戶外工具、戶外商城、戶外保險、游記攻略等服務。
六．peakfinder安卓版是在全世界范圍內登山愛好者之前特別受歡迎的登山輔助工具軟體，這款app收錄了海量的山峰信息，包括了它們的地理位置和高度信息等，並且軟體還在不斷地更新，最重要的是大家可以離線使用它哦！planefinder安卓版本的內容涉及到超過850000座山峰，從珠穆朗瑪峰到世界角落的小山丘，還能以360°全景顯示所有山脈和山峰的名稱，該功能可完全離線離線工作，全球適用！
七．廣九戶外app是一款專業的戶外運動社區，可以了解各種戶外知識，可以報名各種活動，超多版塊可以自由參與，可以在線申請援助，查詢各種熱門路線，快來試試吧！戶外運動探險救援綜合平台的社區門戶。運用包含野外探險、體育賽事、釣魚專區、旅遊自駕、應急通訊，公益救援等板塊，各板塊信息資源豐富，深受戶外愛好者所喜愛。
八．駝鈴戶外活動app可以查看各種驢友發布的線路，報名參加各種戶外運動，超多路線可以查詢，學習各種戶外生存知識，還可以線上購買保險，查看各種出行攻略。注於戶外活動的網站，為用戶提供大量精彩的戶外活動，為領隊提供強大的活動發布與管理功能。駝鈴網一直真誠服務於廣大戶外愛好者，擁有了遍布全國的百萬用戶。駝鈴網一直傳播健康、互助的戶外理念，駝鈴網擁有專業的技術開發及運營團隊，始終以促進服務型經濟發展、提升人民生活質量為核心使命，努力打造誠信、便捷的活動支持及團隊聯盟，全面創新、求真務實、以人為本、共創價值，竭誠為廣大用戶提供安全，優質，規范的服務。
九．可以提供專業的戶外旅遊路線，分享自己的旅遊感悟，尋找夥伴一起參與戶外活動，可以提供專業導航服務，商業活動全新上線，俱樂部、認證領隊為你定製一路精彩，綜合性戶外服務平台，為用戶提供活動約伴、戶外工具、戶外商城、互動社區。徒步探險、定向越野、溯溪登山、野外露營、戶外勘探、線路規劃、戶外救援、運動分析等。

⑺ 什麼是局部搜索演算法

局部搜索演算法是從爬山法改進而來的。
簡單來說，局部搜索演算法是一種簡單的貪心搜索演算法，該演算法每次從當前解的臨近解空間中選擇一個最優解作為當前解，直到達到一個局部最優解。
在計算機科學中，局部搜索是解決最優化問題的一種元啟發式演算法。局部搜索從一個初始解出發，然後搜索解的鄰域，如有更優的解則移動至該解並繼續執行搜索，否則返回當前解。
1、局部搜索演算法的基本思想：
在搜索過程中，始終選擇當前點的鄰居中與離目標最近者的方向搜索。
2、局部搜索的優點：
簡單、靈活及易於實現，缺點是容易陷入局部最優且解的質量與初始解和鄰域的結構密切相關。常見的改進方法有模擬退火、禁忌搜索等。
3、局部搜索廣泛應用：
計算機科學（主要是人工智慧）、數學、運籌學、工程學、生物信息學中各種很難找到全局最優解的計算問題。

⑻ 四子棋的AI演算法求助，懸賞500一分不少

我寫過五子棋程序，也思考過棋類程序的演算法，希望能給樓主參考

雙方對弈棋類演算法，其基本思想就是人工智慧中關於 最小-最大問題 的 alpha-beta 剪枝，樓主可搜索一下，這個隨便一本人工智慧書里都有講。

下面就是具體程序中該如何實現其思想

一般都要先有一個招法生成器，用於給出當前局面下所有可走的行棋可能。對四子棋來說就相當簡單了，只要看一下每一列，只要未滿即可。
然後要有一個局面評估函數，大體評價下雙方局勢的分數。此函數盡量簡單能反映優劣即可，因為後面的 alpha-beta 演算法要大量調用此函數
最後實現 alpha-beta 的演算法，採用迭代加深的廣度優先搜索能有效剪枝。(剪枝效率取決於前面的局面評估函數，如果評估函數能非常准確的估值，那麼將會大大減小搜索范圍，但復雜的評估函數又會增加開銷，這是一個兩難的抉擇)

不過對於四子棋由於非常簡單，樓主也可以嘗試僅用簡單的廣度優先搜索。按每個局面 7 列只有 7 種走法來算，5步深的全搜索也只有 1 萬多種情況。對一般人來說5步深也足夠強了。不滿意的話再考慮上面的正統演算法。

然後是一點小技巧，關於棋盤的存儲和運算，盡量採用位棋盤和位運算來完成，多利用位運算的並行性來提高效率

這里畢竟字數有限，如果還想更深入了解的話推薦來這里看看：http://www.elephantbase.net/computer.htm
一個相當好的棋類演算法網站
雖然是講象棋的，但基本思路都一樣，絕對能學到很多東西。

⑼ 爬山演算法

《混亂》

這本書提到了一個非常有效的演算法，

叫爬山演算法。

什麼叫爬山演算法？

（註：爬山演算法是人工智慧演算法的一種，

其原理是把你隨機地拋在地球上的一個點，拋在那個點以後，

你就近在最近的幾公里之內尋找最高點，然後找到最高點之後，

立刻站到這個最高點上去，再在最近的幾公里之內尋找最高點。）

用計算機模擬我們的人生，

我們的人生就是那個屏幕上，

現在屏幕中所有的坐標、高度都未知，

然後看看誰能用最快的方法找到這個屏幕上的最高點。

用什麼樣的方法找到最高點？

全球大量的計算機編程高手開始設計這套邏輯，

有的人沿著邊走，有的人直接到中心，有人用交叉、畫五角星法……

各種各樣的方法，到最後發現，

最優秀、最快能夠找到最高點的演算法只有一個，

這個演算法被稱作爬山演算法。

它的方法是什麼？

就是在整個屏幕上隨機一拋，

讓這個點落在任何一個地方，然後在能力范圍之內搜索，

在能力范圍之內盡量找到周圍最高的高度，找到最高的高度以後，

以這個最高的高度為圓心再找周圍最高的高度，然後依次循環（

找最高點周圍的下一個最高點），盡可能地找到最高的高點。

如果你今天特別倒霉，掉到一片沙漠中間，

這個沙漠周圍的高度都差不多，沒有特別高的高度，那該怎麼辦？

這時候需要重啟，拿起來隨機的一拋，

重啟到另外一個地方再找另外的高度。

爬山演算法裡面有兩個核心的點：

第一個點，

是你要接受隨機的一拋，

你要接受有不確定性的發生；

第二個點，

是無論命運把你拋到什麼地方，

你都要努力地展開搜索，

盡可能地做到最好，盡可能地找到最高的高點。

這就是爬山演算法的精髓。

使用爬山演算法探索一片屏幕，到最後發現這種方法是最快的。

就是要學會擁抱不確定性。

人生所有的煩惱、痛苦，

都是來自於我們對不確定性的抗拒。

我們希望我們的孩子按照一個模式成長，

我們希望我們的工作按照一個模式發展，

我們希望我們創業做的公司，

能夠按照一個節奏安全一個模式發展，

是這些抗拒給我們帶來大量的煩惱。

但是實際上你唯一需要做的事，是擁抱不確定性。

當不確定性發生、命運將你隨機一拋的時候，

你能夠隨時隨地、立刻展開最好的努力，

而不是待在原地拚命地抱怨，

拚命地對標，拚命地去維權，

反而這些東西浪費了我們太多的時間。

作者  | 樊登

來源  | 筆記俠（ID：Notesman）

⑽ 遺傳演算法--GA

        遺傳演算法（GA）屬於 人工智慧啟發式演算法 ，啟發式演算法的目標就是 尋找原始問題的最優解 ，該演算法的定義為

         人類通過直觀常識和生活經驗，設計出一種以搜索最優解為目的，通過模擬大自然規律的演算法，該演算法在可以在接受的花銷（計算時間和存儲空間）范圍內找到問題實例的一個可行解，且該可行解和真實最優解的誤差一般不可以被估計

        當下主要有的啟發式演算法包括 遺傳演算法、退火法，蟻群演算法、人工神經網路等 ，這篇文章主要介紹遺傳演算法

        遺傳演算法的基本原理是模擬達爾文進化論 "物競天擇，適者生存" 的自然法則，其核心思想為

（1）將原始問題的參數，抽象為基因編碼

（2）將原始問題的可行解，抽象為基因排列的染色體組合

（3）將原始問題的解集規模，抽象為一定數量染色體組成的種群

（4）尋找可行解的過程，抽象為種群的進化過程（染色體選擇、交叉、變異等）

（5）比較可行解的優劣，抽象為量化比較不同種群對當前環境的適應程度

（6）逼近最優解的過程，抽象為淘汰適應度差的種群，保留適應度高的種群進行下一次進化

（7）問題的最優解，抽象為經過多次進化後，最終生存下來的精英種群

        理論上，通過有限次種群進化，生存下來的種群都是 精英染色體 ，是最適合當前環境條件的種群，也就可以無限逼近原始問題的最優解

相關生物學術語：

    為了大家更好了解遺傳演算法，在此之前先簡單介紹一下相關生物學術語，大家了解一下即可。

基因型(genotype)：性狀染色體的內部表現；

表現型(phenotype)：染色體決定的性狀的外部表現，或者說，根據基因型形成的個體的外部表現；

進化(evolution)：種群逐漸適應生存環境，品質不斷得到改良。生物的進化是以種群的形式進行的。

適應度(fitness)：度量某個物種對於生存環境的適應程度。

選擇(selection)：以一定的概率從種群中選擇若干個個體。一般，選擇過程是一種基於適應度的優勝劣汰的過程。

復制(reproction)：細胞分裂時，遺傳物質DNA通過復制而轉移到新產生的細胞中，新細胞就繼承了舊細胞的基因。

交叉(crossover)：兩個染色體的某一相同位置處DNA被切斷，前後兩串分別交叉組合形成兩個新的染色體。也稱基因重組或雜交；

變異(mutation)：復制時可能（很小的概率）產生某些復制差錯，變異產生新的染色體，表現出新的性狀。

編碼(coding)：DNA中遺傳信息在一個長鏈上按一定的模式排列。遺傳編碼可看作從表現型到基因型的映射。

解碼(decoding)：基因型到表現型的映射。

個體（indivial）：指染色體帶有特徵的實體；

種群（population）：個體的集合，該集合內個體數稱為種群

大體實現過程

遺傳演算法中每一條染色體，對應著遺傳演算法的一個解決方案，一般我們用適應性函數（fitness function）來衡量這個解決方案的優劣。所以從一個基因組到其解的適應度形成一個映射。 遺傳演算法的實現過程實際上就像自然界的進化過程那樣。

基本遺傳演算法概述

    1.[開始]生成n個染色體的隨機群體（適合該問題的解決方案）

    2.[適應度]評估群體中每個染色體x的適應度f（x）

    3.[新種群]通過重復以下來創建新種群直到新種群完成的步驟

        3.1 [選擇]根據種群的適合度選擇兩個親本染色體（更好的適應性，更大的選擇機會）

        3.2 [交叉]以交叉概率跨越父母形成新的後代（兒童） ）。如果沒有進行交叉，後代就是父母的確切副本。

        3.3 [突變]突變概率突變每個基因座（染色體中的位置）的新後代。

    4.[接受]在新種群中放置新後代[替換]使用新生成的種群進一步運行演算法

    5.[測試]如果滿足結束條件，則停止並返回當前種群中的最佳解

    6。[循環]轉到步驟2

影響GA的因素

    從遺傳演算法概述可以看出，交叉和變異是遺傳演算法中最重要的部分。性能主要受這兩個因素的影響。在我們解釋有關交叉和變異的更多信息之前，我們將給出一些有關染色體的信息。

染色體編碼

染色體應該以某種方式包含它所代表的解決方案的信息。最常用的編碼方式是二進制字元串。然後染色體看起來像這樣：

每個染色體由二進制字元串表示。字元串中的每個位都可以表示解決方案的一些特徵。另一種可能性是整個字元串可以表示一個數字 - 這已在基本的GA小程序中使用。當然，還有許多其他的編碼方式。編碼主要取決於解決的問題。例如，可以直接編碼整數或實數，有時對某些排列等進行編碼很有用。

染色體交叉

在我們確定了將使用的編碼之後，我們可以繼續進行交叉操作。 Crossover對來自親本染色體的選定基因進行操作並產生新的後代。最簡單的方法是隨機選擇一些交叉點，並在此點之前從第一個父項復制所有內容，然後在交叉點之後復制另一個父交叉點之後的所有內容。交叉可以說明如下:( |是交叉點）：

還有其他方法可以進行交叉，例如我們可以選擇更多的交叉點。交叉可能非常復雜，主要取決於染色體的編碼。針對特定問題進行的特定交叉可以改善遺傳演算法的性能。

4.染色體突變

在執行交叉之後，發生突變。突變旨在防止群體中的所有解決方案落入解決問題的局部最優中。突變操作隨機改變由交叉引起的後代。在二進制編碼的情況下，我們可以將一些隨機選擇的位從1切換到0或從0切換到1.突變可以如下所示：

突變（以及交叉）技術主要取決於染色體的編碼。例如，當我們編碼排列時，可以將突變作為兩個基因的交換來進行。

GA的參數

    1.交叉和突變概率

    GA有兩個基本參數 - 交叉概率和變異概率。

     交叉概率 ：交叉的頻率。如果沒有交叉，後代就是父母的精確副本。如果存在交叉，則後代由父母染色體的部分組成。如果交叉概率為100％，那麼所有後代都是由交叉產生的。如果它是0％，那麼全新一代都是從舊種群的染色體的精確拷貝製成的（但這並不意味著新一代是相同的！）。交叉是希望新染色體將包含舊染色體的良好部分，因此新染色體將更好。但是，將舊人口的一部分留給下一代是好的。

     突變概率 ：染色體部分突變的頻率。如果沒有突變，則在交叉（或直接復制）後立即生成後代而不進行任何更改。如果進行突變，則改變染色體的一個或多個部分。如果突變概率為100％，則整個染色體發生變化，如果是0％，則沒有變化。突變通常會阻止GA陷入局部極端。突變不應該經常發生，因為GA實際上會改變為隨機搜索。

    2.其他參數

     種群規模 ：種群中有多少染色體（一代）。如果染色體太少，GA幾乎沒有可能進行交叉，只探索了一小部分搜索空間。另一方面，如果染色體太多，GA會減慢。研究表明，經過一定的限制（主要取決於編碼和問題），使用非常大的種群是沒有用的，因為它不能比中等規模的種群更快地解決問題。

     3      選擇

正如您從GA概述中已經知道的那樣，從群體中選擇染色體作為交叉的父母。問題是如何選擇這些染色體。根據達爾文的進化論，最好的進化能夠創造出新的後代。選擇最佳染色體的方法有很多種。例如輪盤賭選擇，Boltzman選擇，錦標賽選擇，等級選擇，穩態選擇和其他一些選擇。

1.輪盤賭選擇

父母根據他們的健康狀況選擇。染色體越好，它們被選擇的機會就越多。想像一下輪盤賭輪，人口中的所有染色體都放在那裡。輪盤中截面的大小與每條染色體的適應度函數的值成比例 - 值越大，截面越大。有關示例，請參見下圖。

輪盤賭中放入一塊大理石，並選擇停止的染色體。顯然，具有較大適應值的染色體將被選擇更多次。

該過程可以通過以下演算法來描述。

[Sum]計算總體中所有染色體擬合度的總和 - 總和S.

[Select]從區間（0，S）-r生成隨機數。

[循環]遍歷總體並從0 - 總和中求和。當總和s大於r時，停止並返回您所在的染色體。當然，對於每個群體，步驟1僅執行一次。

2.排名選擇

當健身值之間存在很大差異時，先前的選擇類型會出現問題。例如，如果最佳染色體適應度是所有擬合度總和的90％，那麼其他染色體將很少被選擇的機會。等級選擇首先對群體進行排序，然後每個染色體接收由該等級確定的適合度值。最差的將是健身1，第二個最差的2等等，最好的將具有適應度N（人口中的染色體數量）。您可以在下面的圖片中看到，在更改適應性與排名確定的數字後情況如何變化。

排名前的情況（適合度圖）

排名後的情況（訂單號圖）

現在所有染色體都有機會被選中。然而，這種方法會導致收斂速度變慢，因為最好的染色體與其他染色體的差別不大。

3.穩態選擇

這不是選擇父母的特定方法。這種選擇新種群的主要思想是染色體的很大一部分可以存活到下一代。穩態選擇GA以下列方式工作。在每一代中，選擇一些好的（具有更高適應性）染色體來創建新的後代。然後去除一些不好的（具有較低適合度）染色體並將新的後代放置在它們的位置。其餘人口倖存下來。

4.精英

精英主義的想法已經被引入。當通過交叉和變異創建新的種群時，我們有很大的機會，我們將失去最好的染色體。精英主義是首先將最佳染色體（或少數最佳染色體）復制到新種群的方法的名稱。其餘人口以上述方式構建。精英主義可以迅速提高GA的性能，因為它可以防止丟失最佳找到的解決方案。

交叉(Crossover)和突變 (Mutation)

交叉和變異是GA的兩個基本運算符。 GA的表現非常依賴於它們。運算符的類型和實現取決於編碼以及問題。有多種方法可以執行交叉和變異。在本章中，我們將簡要介紹一些如何執行多個編碼的示例和建議。

1.二進制編碼

交叉

單點交叉 - 選擇一個交叉點，從第一個父項復制從染色體開始到交叉點的二進制字元串，其餘從另一個父項復制

選擇兩點交叉 - 兩個交叉點，從第一個父節點復制從染色體開始到第一個交叉點的二進制字元串，從第一個父節點復制從第一個交叉點到第二個交叉點的部分，其餘的是再次從第一個父級復制

均勻交叉 - 從第一個父項或第二個父項中隨機復制位

算術交叉 - 執行一些算術運算以產生新的後代

突變

位反轉 - 選擇的位被反轉

2.置換編碼

交叉

單點交叉 - 選擇一個交叉點，將排列從第一個父項復制到交叉點，然後掃描另一個父項，如果該數字還沒有在後代中，則添加它注意：還有更多方法如何在交叉點之後產生休息

(1 2 3 4 5 6 7 8 9) + (4 5 3 6 8 9 7 2 1) = (1 2 3 4 5 6 8 9 7)

變異

順序更改 - 選擇並交換兩個數字

(1 2 3 4 5 6 8 9 7) => (1 8 3 4 5 6 2 9 7)

3.值編碼

交叉

可以使用來自二進制編碼的所有交叉

變異

添加一個小數字（用於實數值編碼） - 將一個小數字添加到（或減去）所選值

（1.29 5.68 2.86 4.11 5.55）=>（1.29 5.68 2.73 4.22 5.55）

4.樹編碼

交叉

樹交叉 - 在父母雙方中選擇一個交叉點，父母在該點被分割，交換點下面的部分被交換以產生新的後代

變異

更改運算符，數字 - 選定節點已更改

補充:

疑惑點：

初始種群是啥：

利用二進制（一般）表示最終解

例如：需要求解z=x^2+y^2的最大值，x={1，5，3，8}，y={5，4，0，6}

用六位二進制數表示由x，y組成的解，例如：001100 表示x=1，y=4

001100 稱為一條基因序列，表示的是該問題的一種解決 方案

種群是包含多個基因序列（解決方案/個體）的集合

適應度函數是啥，有什麼作用：

適應度函數可以理解成「 游戲 規則」，如果問題較為復雜，需要自定義適應度函數，說明如何區分優秀與不優秀的個體; 如果問題比較簡單，例如上述求最大值的問題，則直接用此函數式作為適應度函數即可。作用：評定個體的優劣程度，從而決定其遺傳機會的大小。

怎麼選擇：

定義「適者生存不適者淘汰」的規則，例如：定義適應度高的被選擇的概率更大

怎麼交叉：

利用循環，遍歷種群中的每個個體，挑選另一個體進行交叉。例如，通過遍歷為基因序列A挑選出B配對，則取A的前半部分，B的後半部分，組合成新的個體（基因序列）C

如何變異：

隨機挑選基因序列上的某一位置，進行0-1互換

建議 GA的參數

如果您決定實施遺傳演算法，本章應該為您提供一些基本建議。這些建議非常籠統。您可能希望嘗試使用自己的GA來解決特定問題，因為沒有一般理論可以幫助您針對任何問題調整GA參數。

建議通常是對GA的經驗研究的結果，這些研究通常僅在二進制編碼上進行。

交叉率

交叉率一般應高，約為80％-95％。 （但是有些結果表明，對於某些問題，交叉率約為60％是最好的。）

突變率

另一方面，突變率應該非常低。最佳利率似乎約為0.5％-1％。

人口規模

可能令人驚訝的是，非常大的人口規模通常不會改善GA的性能（從找到解決方案的速度的意義上說）。良好的人口規模約為20-30，但有時大小為50-100是最好的。一些研究還表明，最佳種群規模取決於編碼字元串（染色體）的大小。這意味著如果你有32位染色體，那麼人口應該高於16位染色體。

選擇

可以使用基本的輪盤賭選擇，但有時排名選擇可以更好。查看有關選擇優缺點的章節。還有一些更復雜的方法可以在GA運行期間更改選擇參數。基本上，這些表現類似於模擬退火。如果您不使用其他方法來保存最佳找到的解決方案，則應確保使用精英主義。您也可以嘗試穩態選擇。

編碼

編碼取決於問題以及問題實例的大小。查看有關編碼的章節以獲取一些建議或查看其他資源。

交叉和變異

運算符取決於所選的編碼和問題。查看有關操作員的章節以獲取一些建議。您還可以查看其他網站。

搜索空間

    如果我們正在解決問題，我們通常會尋找一些最好的解決方案。所有可行解決方案的空間（所需解決方案所在的解決方案集）稱為搜索空間（也稱為狀態空間）。搜索空間中的每個點代表一種可能的解決方案。每個可能的解決方案可以通過其對問題的值（或適應度）進行「標記」。通過GA，我們在眾多可能的解決方案中尋找最佳解決方案 - 以搜索空間中的一個點為代表。然後尋找解決方案等於在搜索空間中尋找一些極值（最小值或最大值）。有時可以很好地定義搜索空間，但通常我們只知道搜索空間中的幾個點。在使用遺傳演算法的過程中，隨著進化的進行，尋找解決方案的過程會產生其他點（可能的解決方案）。

    問題是搜索可能非常復雜。人們可能不知道在哪裡尋找解決方案或從哪裡開始。有許多方法可用於尋找合適的解決方案，但這些方法不一定能提供最佳解決方案。這些方法中的一些是爬山，禁忌搜索，模擬退火和遺傳演算法。通過這些方法找到的解決方案通常被認為是很好的解決方案，因為通常不可能證明最佳方案。

NP-hard Problems

NP問題是一類無法用「傳統」方式解決的問題。我們可以快速應用許多任務（多項式）演算法。還存在一些無法通過演算法解決的問題。有很多重要問題很難找到解決方案，但是一旦有了解決方案，就很容易檢查解決方案。這一事實導致了NP完全問題。 NP代表非確定性多項式，它意味著可以「猜測」解決方案（通過一些非確定性演算法），然後檢查它。如果我們有一台猜測機器，我們或許可以在合理的時間內找到解決方案。為簡單起見，研究NP完全問題僅限於答案可以是或否的問題。由於存在輸出復雜的任務，因此引入了一類稱為NP難問題的問題。這個類並不像NP完全問題那樣受限。 NP問題的一個特徵是，可以使用一個簡單的演算法，可能是第一眼看到的，可用於找到可用的解決方案。但是這種方法通常提供了許多可能的解決方案 - 只是嘗試所有可能的解決方案是非常緩慢的過程（例如O（2 ^ n））。對於這些類型問題的更大的實例，這種方法根本不可用。今天沒有人知道是否存在一些更快的演算法來提供NP問題的確切答案。對於研究人員來說，發現這樣的演算法仍然是一項重大任務（也許你！:-)）。今天許多人認為這種演算法不存在，因此他們正在尋找替代方法。替代方法的一個例子是遺傳演算法。 NP問題的例子是可滿足性問題，旅行商問題或背包問題。可以獲得NP問題匯編。

參考：

         https://www.jianshu.com/p/ae5157c26af9

        https://www.jianshu.com/p/b36b520bd187