1. 郑大计算机考研不考408了
郑大计算机科学与技术专业的研究生招生在产业技术研究院下面，这个机构整合了信息工程学院、电气学院、软件学院等单位，其15、16年各个专业考试目录（也就是招生目录，在9月份发布）见附件，郑大产研院官网上也可以找到。计科专业目录：
学硕初试科目有：408（计算机学科综合基础）、301（数学一）、201（英语一）、101（思想政治）；
专硕则把数一换成数二，英一换成英二，408换成909（自命题）；//专硕学硕前年开始没有太大区别，而专硕较简单，导致16年报名人数太多，很多人因此不得不调剂，最惨的有全日制调剂到非全的。
复试科目15年（即产业技术研究院成立第一年）有数据库和实验（笔试、不上机）以及英语口语听力、面试，跨考生加试编译原理；
16年的复试科目（时间17年3月底）同上，跨考生没有加试，但要求相近专业，实际上理工科都可以报考，比如老师很欢迎本科数学专业的考生报考。
16年复试：
郑大2月中旬出初试成绩（可以着手调剂、春招找工作或联系导师）
3月中旬出国家线和复试线，
3月下旬出复试名单，
3月底复试。其具体时间也可以在产研院官网查到。
其中数据库、实验、英语听力一起考。数据库难度较低，与期末卷持平；听力难度大概有四级水平；实验题相对简单：只有两道，
一、C语言的函数的问题，可以从C与C++、java的区别说，C++面向对象的特征、声明与定义、java安全性啥的。
二、定义一个结构体变量，把它写入文件、读出、赋值、写回、读出，排序，写回。比计算机等级考试二级的难度稍高，都是C的基本应用。有时候某个库函数想不起来，可以多些点注释，主要是想法要清晰、总体思路正确。考试不要慌，你到这时已经是“身经百战”了。
16年初试：我本人属于跨考生，在8月初开始复习。
关于408，我课本用的是谢希仁的计算机网络、汤子瀛的操作系统、严蔚敏的数据结构、唐朔飞的计算机组成原理，题就看了两遍王道单科与真题8套，当然其他的资料也行，毕竟你要初试拿高分，除了理解好课本上的基础，还需要多做题（当然编程大神这一步可以省去，但说句不好听的，真牛逼的要么签了满意的公司、要么保研了，谁会来考？）。
至于英语我的经验就是单词至少要过三遍以上，做题就把真题反复做就行了，再加个150篇阅读做完，60以上应该问题不大，我时间有点紧张，更多英语资料可以看其他考研人推荐的，比这个帖子详尽。
数学我复习得也很紧张，把李王的660勉强做完、复习全书过两遍（相应的练习册做了一半）、历年真题做了两遍，最后勉强及格，不过我作为一个曾经的学渣还是知足了。
政治选择题是拉分的关键，要多练，我选的肖秀荣，把他出的书全买了，看与做了两遍。
这里也许班门弄斧了，只希望对后面考研人有一定参考价值。
复试提醒：
英语口语是和两位老师对话交谈，不要紧张，慢慢说就行。
担心实验题、基础不好的同学可以看一下胡凡的《算法笔记》，我本人是受益匪浅。
面试准备好自我介绍，问题如实回答，老师都能看出来真假，适当表现出自己的优秀方面。
数据库不要买王珊、严师煊的，郑大考的范明、叶阳东的版本。
跨考生的话，编译原理即使不加试，以后也是要看的，早看有好处。可以买陈火旺的。
郑大育博书店的资料非常坑，不要买，自己在网上找复试资料也不要信那些考研群里的广告，但群、论坛是相互交流信息的好地方。
初试提醒：
考前一星期焦躁的话看不进去书可以抄英文、政治，适当放松放松。
考前两天休息好，翻翻基础知识和真题。
考试时，遇见不会别胡思乱想，先易后难，把握好时间。
政治选择遇见纠结的选项就先凭感觉选个，在选择上死扣太久影响后面作答时间，问答就是套话，实在不行自己编，不要管旁边的人写多少，做好自己的题。
英语先做阅读，之后写作，完形填空最后时间不够全瞎蒙也可以。
数学，智者见智仁者见仁，唯一的建议就是不要在难题上死磕，除非你有很大把握能做出来并做对。
专业课，选择题看平时功底，占80分，是重中之重，大题也是先易后难，16年的408卷网络、os较为简单，数据结构较难，组成原理很难；算法想不起来用笨方法也要写一部分。
多说几句：演草养成整齐书写的习惯，有利于检查纠错，而且考场上只给你一张演草纸；数学最基础的定理定义要掌握牢固！数学最基础的定理定义要掌握牢固！数学最基础的定理定义要掌握牢固！英语作文不仅要背、读，还要多写几篇，不然到考场上手生；考研是考的积累，而非当天的超常发挥，过程努力了也就不会后悔；最后送那些可能犹豫迷茫的同学一句话：贵在坚持，如果决定了考研这条路，就要坚定不移，坚持下去，明天一定会是光明的！
2. 优化算法笔记（五）粒子群算法（3）
(已合并本篇内容至粒子群算法（1）)
上一节中，我们看到小鸟们聚集到一个较小的范围内后，不会再继续集中。这是怎么回事呢？
猜测：
1.与最大速度限制有关，权重w只是方便动态修改maxV。
2.与C1和C2有关，这两个权重限制了鸟儿的搜索行为。
还是上一节的实验， 。现在我们将maxV的值有5修改为50，即maxV=50，其他参数不变。参数如下
此时得到的最优位值的适应度函数值为0.25571,可以看出与maxV=5相比，结果差了很多而且小鸟们聚集的范围更大了。
现在我们设置maxV=1，再次重复上面的实验，实验结果如下：
这次最终的适应度函数值为，比之前的结果都要好0.00273。从图中我们可以看出，小鸟们在向一个点集中，但是他们飞行的速度比之前慢多了，如果问题更复杂，可能无法等到它们聚集到一个点，迭代就结束了。
为什么maxV会影响鸟群的搜索结果呢？
我们依然以maxV=50为例，不过这次为了看的更加清晰，我们的鸟群只有2只鸟，同时将帧数放慢5倍以便观察。
思路一：限制鸟的最大飞行速率,由于惯性系数W的存在，使得控制最大速率和控制惯性系数的效果是等价的，取其一即可。
方案1：使惯性系数随着迭代次数增加而降低，这里使用的是线性下降的方式，即在第1次迭代，惯性系数W=1,最后一次迭代时，惯性系数W=0，当然，也可以根据自己的意愿取其他值。
实验参数如下：
小鸟们的飞行过程如上图，可以看到效果很好，最后甚至都聚集到了一个点。再看看最终的适应度函数值8.61666413451519E-17，这已经是一个相当精确的值了，说明这是一个可行的方案，但是由于其最后种群过于集中，有陷入局部最优的风险。
方案2：给每只鸟一个随机的惯性系数，那么鸟的飞行轨迹也将不再像之前会出现周期性。每只鸟的惯性系数W为（0,2）中的随机数（保持W的期望为1）。
实验参数如下：
可以看到小鸟们并没有像上一个实验一样聚集于一个点，而是仍在一个较大的范围内进行搜索。其最终的适应度函数为0.01176，比最初的0.25571稍有提升，但并不显着。什么原因造成了这种情况呢？我想可能是由于惯性系数成了期望为1的随机数，那么小鸟的飞行轨迹的期望可能仍然是绕着一个四边形循环，只不过这个四边形相比之前的平行四边形更加复杂，所以其结果也稍有提升，当然对于概率算法，得到这样的结果可能仅仅是因为运气不好
我们看到惯性系数W值减小，小鸟们聚拢到一处的速度明显提升，那么，如果我们去掉惯性系数这个参数会怎么样呢。
方案3：取出惯性系数，即取W=0，小鸟们只向着那两个最优位置飞行。
可以看见鸟群们迅速聚集到了一个点，再看看得到的结果，最终的适应度函数值为2.9086886073362966E-30，明显优于之前的所有操作。
那么问题来了，为什么粒子群算法需要一个惯性速度，它的作用是什么呢？其实很明显，当鸟群迅速集中到了一个点之后它们就丧失了全局的搜索能力，所有的鸟会迅速向着全局最优点飞去，如果当前的全局最优解是一个局部最优点，那么鸟群将会陷入局部最优。所以，惯性系数和惯性速度的作用是给鸟群提供跳出局部最优的可能性，获得这个跳出局部最优能力的代价是它们的收敛速度减慢，且局部的搜索能力较弱（与当前的惯性速度有关）。
为了平衡局部搜索能力和跳出局部最优能力，我们可以人为的干预一下惯性系数W的大小，结合方案1和方案2，我们可以使每只鸟的惯性系数以一个随机周期，周期性下降，若小于0，则重置为初始值。
这样结合了方案1和方案2的惯性系数，也能得到不错的效果，大家可以自己一试。
思路二：改变小鸟们向群体最优飞行和向历史最优飞行的权重。
方案4：让小鸟向全局最优飞行的系数C2线性递减。
小鸟们的飞行过程与之前好像没什么变化，我甚至怀疑我做了假实验。看看最终结果，0.7267249621552874，这是到目前为止的最差结果。看来这不是一个好方案，让全局学习因子C2递减，势必会降低算法的收敛效率，而惯性系数还是那么大，小鸟们依然会围绕历史最优位置打转，毕竟这两个最优位置是有一定关联的。所以让C1线性递减的实验也不必做了，其效果应该与方案4相差不大。
看来只要是惯性系数不变怎么修改C1和C2都不会有太过明显的效果。为什么实验都是参数递减，却没有参数递增的实验呢？
1.惯性系数W必须递减，因为它会影响鸟群的搜索范围。
2.如果C1和C2递增，那么小鸟的惯性速度V势必会跟着递增，这与W递增会产生相同的效果。
上面我们通过一些实验及理论分析了粒子群算法的特点及其参数的作用。粒子群作为优化算法中模型最简单的算法，通过修改这几个简单的参数也能够改变算法的优化性能可以说是一个非常优秀的算法。
上述实验中，我们仅分析了单个参数对算法的影响，实际使用时（创新、发明、写论文时）也会同时动态改变多个参数，甚至是参数之间产生关联。
实验中，为了展现实验效果，maxV取值较大，一般取值为搜索空间范围的10%-20%，按上面（-100,100）的范围maxV应该取值为20-40，在此基础上，方案1、方案2效果应该会更好。
粒子群算法是一种概率算法，所以并不能使用一次实验结果来判断算法的性能，我们需要进行多次实验，然后看看这些实验的效果最终来判断，结果必须使用多次实验的统计数据来说明，一般我们都会重复实验30-50次，为了发论文去做实验的小伙伴们不要偷懒哦。
粒子群算法的学习目前告一段落，如果有什么新的发现，后面继续更新哦！
以下指标纯属个人yy,仅供参考
目录
上一篇 优化算法笔记（四）粒子群算法（2）
下一篇 优化算法笔记（六）遗传算法
3. 优化算法笔记（七）差分进化算法
（以下描述，均不是学术用语，仅供大家快乐的阅读）
差分进化算法（Differential Evolution Algorithm，DE）是一种基于群体的进化算法，它模拟了群体中的个体的合作与竞争的过程。算法原理简单，控制参数少，只有交叉概率和缩放比例因子，鲁棒性强，易于实现。
差分进化算法中，每一个个体的基因表示待求问题的一个候选解。每次迭代将先进行变异操作，选择一个或多个个体的基因作为基，然后选择不同的个体的差分来构成差分基因，最后将作为基的基因与差分基因相加来得出新的个体。交叉操作将新的个体将于父代的对应个体交叉，然后进行选择操作，比较交叉后的个体与父代的对应个体，选择较优的个体保留至下一代。在迭代完成之后将选择种群中最优个体的基因作为解。
差分进化算法可以算是我所使用过的优化算法中大魔王级别的算法，虽然它每个方面都没有强到离谱，但是综合起来的效果好于大多数算法。它就像一个每个科目都能考到90分（百分制）的学生，虽然没门课都不是最优秀的，但是论综合，论总分，它有极大的概率是第一名。
在我研究优化算法的小路上，我的目标就是找到一个能打败大魔王或是能在大多数方面压制魔王的算法。
这次的主角就选魔王军吧（或者蚁王军，为了与蚁群算法区别还是叫魔王军吧），个体则称之为魔王兵。
魔王兵的能力取决于它们的基因，它们可以根据环境或者需要改变自己的基因使得自己更加强大，更方便的处理问题，问题的维度与基因维度相同。
表示第i个魔王兵在进化了第t次后的基因，该个体有D位基因。
与遗传算法同为进化算法的差分进化算法，它们的操作（算子）也都非常相似的，都是交叉，变异和选择，流程也几乎一样（遗传算法先交叉后变异，差分进化算法先变异后交叉）。
说到差分进化算法中的变异，我就想到一句论语 “三人行，必有我师焉。择其善者而从之，其不善者而改之。” ，其实这句论语已经向我们说明了差分进化算法的整个流程：
“三人行，必有我师焉”——变异，交叉。
“择其善者而从之，其不善者而改之”——选择。
差分进化算法中，当一个魔王兵变异时，它会先找来3个小伙伴，当然是随机找来3个小伙伴，避免同化。在一个小伙伴的基因上加上另外两个小伙伴基因之差作为自己的目标基因。其变异公式如下：
表示第i个魔王兵找到了编号为r1、r2和r3的三个魔王兵，当然了i、r1、r2、r3为互不相同的整数，F为缩放比例因子，通常 ，一般取F=0.5。 为第i个魔王兵交叉后的目标基因图纸，不过这是个半成品，再经过交叉后，目标基因图纸才算完成。
其实现在我们已经有了5个基因图纸了 ，接下来将进行交叉操作。由于变异操作，差分进化算法的种群中个体数至少为4，即魔王军中至少有4个小兵。
交叉操作中，魔王兵i会将目标基因图纸 进行加工得到 ，加工过程如下：
其中 。 为交叉概率，其值越大，发生交叉的概率越大，一般取 。 为{1,2,…,D}中的随机整数，其作用是保证交叉操作中至少有一维基因来自变异操作产生的基因，不能让交叉操作的努力白费。
从公式上可以看出交叉操作实际上是从变异操作得出的基因图纸上选择至少一位基因来替换自己的等位基因，得到最终的基因图纸。
选择操作相对简单，魔王兵i拿到了最终的基因图纸 ，大喊一声，进化吧，魔王兵i的基因改变了。它拿出了能力测量器fitness function,如果发现自己变强了，那么就将基因 保留到下一代，否则它选择放弃进化，让自己还原成 。
实验又来啦，还是那个实验 ，简单、易算、好画图。
实验1 ：参数如下
图中可以看出在第20代时，群体已经非常集中了，在来看看最终得出的结果。
这结果真是好到令人发指，恶魔在心中低语“把其他的优化算法都丢掉吧”。不过别往心里去，任何算法都有优缺点，天下没有免费的午餐，要想获得某种能力必须付出至少相应的代价。
实验2：
将交叉率CR设为0,即每次交叉只选择保留一位变异基因。
看看了看图，感觉跟实验1中相比没有什么变化，那我们再来看看结果。
结果总体来说比实验1好了一个数量级。为什么呢？个人感觉应该是每次只改变一位基因的局部搜索能力比改变多位基因更强。下面我们将交叉率CR设为1来看看是否是这样。
实验3：
将交叉率CR设为1,即每次交叉只选择保留一位原有基因。
实验3的图与实验1和实验2相比好像也没什么差别,只是收敛速度好像快了那么一点点。再来看看结果。
发现结果比实验2的结果还要好？那说明了实验2我得出的结论是可能是错误的，交叉率在该问题上对差分进化算法的影响不大，它们结果的差异可能只是运气的差异，毕竟是概率算法。
实验4：
将变异放缩因子设为0，即变异只与一个个体有关。
收敛速度依然很快，不过怎么感觉结果不对，而且个体收敛的路径好像遗传算法，当F=0，时，差分进化算法退化为了没有变异、选择操作的遗传算法，结果一定不会太好。
果然如此。下面我们再看看F=2时的实验。
实验5：
将变异放缩因子设为2。
实验5的图可以明显看出，群体的收敛速度要慢了许多，到第50代时，种群还未完全收敛于一点，那么在50代时其结果也不会很好，毕竟算法还未收敛就停止进化了。
结果不算很好但也算相对稳定。
通过上面5个实验，我们大致了解了差分进化算法的两个参数的作用。
交叉率CR，影响基因取自变异基因的比例，由于至少要保留一位自己的基因和变异的基因导致CR在该问题上对算法性能的影响不大（这个问题比较简单，维度较低，影响不大）。
变异放缩因子F，影响群体的收敛速度，F越大收敛速度越慢，F绝对值越小收敛速度越快，当F=0是群体之间只会交换基因，不会变异基因。
差分进化算法大魔王已经如此强大了，那么还有什么可以改进的呢？当然有下面一一道来。
方案1 .将3人行修改为5人行，以及推广到2n+1人行。
实验6：
将3人行修改为5人行，变异公式如下：
五人行的实验图看起来好像与之前并没有太大的变化，我们再来看看结果。
结果没有明显提升，反而感觉比之前的结果差了。反思一下五人行的优缺点，优点，取值范围更大，缺点，情况太多，减慢搜索速度。
可以看出算法的收敛速度比之前的变慢了一点，再看看结果。
比之前差。
差分进化算法的学习在此也告一段落。差分进化算法很强大，也很简单、简洁，算法的描述都充满了美感，不愧是大魔王。不过这里并不是结束，这只是个开始，终将找到打败大魔王的方法，让新的魔王诞生。
由于差分进化算法足够强，而文中实验的问题较为简单导致算法的改进甚至越改越差（其实我也不知道改的如何，需要大量实验验证）。在遥远的将来，也会有更加复杂的问题来检验魔王的能力，总之，后会无期。
以下指标纯属个人yy,仅供参考
目录
上一篇 优化算法笔记（六）遗传算法
下一篇 优化算法笔记（八）人工蜂群算法
优化算法matlab实现（七）差分进化算法matlab实现
4. 优化算法笔记（八）人工蜂群算法
（以下描述，均不是学术用语，仅供大家快乐的阅读）
工蜂群算法（Artificial Bee Colony Algorithm，ABC）是一种模仿蜜蜂采蜜机理而产生的群智能优化算法。其原理相对复杂，但实现较为简单，在许多领域中都有研究和应用。
人工蜂群算法中，每一个蜜源的位置代表了待求问题的一个可行解。蜂群分为采蜜蜂、观察蜂和侦查蜂。采蜜蜂与蜜源对应，一个采蜜蜂对应一个蜜源。观察蜂则会根据采蜜蜂分享的蜜源相关信息选择跟随哪个采蜜蜂去相应的蜜源，同时该观察蜂将转变为侦查蜂。侦查蜂则自由的搜索新的蜜源。每一个蜜源都有开采的限制次数，当一个蜜源被采蜜多次而达到开采限制次数时，在该蜜源采蜜的采蜜蜂将转变为侦查蜂。每个侦查蜂将随机寻找一个新蜜源进行开采，并转变成为采蜜蜂。
下面是我的实现方式（我的答案）：
1． 三种蜜蜂之间可以相互转化。
采蜜蜂->观察蜂：有观察蜂在采蜜过程中发现了比当前采蜜蜂更好的蜜源，则采蜜蜂放弃当前蜜源转而变成观察蜂跟随优质蜜源，同时该观察蜂转变为采蜜蜂。
采蜜蜂->观察蜂：当该采蜜蜂所发现的蜜源被开采完后，它会转变为观察蜂去跟随其他采蜜蜂。
采蜜蜂->侦查蜂：当所有的采蜜蜂发现的蜜源都被开采完后，采蜜蜂将会变为侦查蜂，观察蜂也会变成侦查蜂，因为大家都无蜜可采。
侦查蜂->采蜜蜂、观察蜂：侦查蜂随机搜索蜜源，选择较好的数个蜜源位置的蜜蜂为采蜜蜂，其他蜜蜂为观察蜂。
2.蜜源的数量上限
蜜源的数量上限等于采蜜蜂的数量上限。初始化时所有蜜蜂都是侦查蜂，在这些侦查蜂所搜索到的蜜源中选出数个较优的蜜源，发现这些蜜源的侦查蜂变为采蜜蜂，其他蜜蜂变为观察蜂。直到所有的蜜源都被开采完之前，蜜源的数量不会增加，因为这个过程中没有产生侦查蜂。所有的蜜源都被开采完后，所有的蜜蜂再次全部转化为侦查蜂，新的一轮蜜源搜索开始。也可以在一个蜜源开采完时马上产生一个新的蜜源补充，保证在整个开采过程中蜜源数量恒定不变。
蜜源的开采实际上就是观察蜂跟随采蜜蜂飞向蜜源的过程。得到的下一代的位置公式如下：
表示第i只观察蜂在第t代时随机选择第r只采蜜蜂飞行一段距离，其中R为（-1，1）的随机数。
一只观察蜂在一次迭代过程中只能选择一只采蜜蜂跟随，它需要从众多的采蜜蜂中选择一只来进行跟随。观察蜂选择的策略很简单，随机跟随一只采蜜蜂，该采蜜蜂发现的蜜源越优，则选择它的概率越大。
是不是很像轮盘赌，对，这就是轮盘赌，同时我们也可以稍作修改，比如将勤劳的小蜜蜂改为懒惰的小蜜蜂，小蜜蜂会根据蜜源的优劣和距离以及开采程度等因素综合来选择跟随哪只采蜜蜂（虽然影响不大，但聊胜于无）。
忘记了轮盘赌的小伙伴可以看一下 优化算法笔记（六）遗传算法 。
下面是我的人工蜂群算法流程图
又到了实验环节，参数实验较多，全部给出将会占用太多篇幅，仅将结果进行汇总展示。
实验1：参数如下
上图分别为采蜜蜂上限为10%总数和50%总数的情况，可以看出当采蜜蜂上限为10%总群数时，种群收敛的速度较快，但是到最后有一个点死活不动，这是因为该点作为一个蜜源，但由于适应度值太差，使用轮盘赌被选择到的概率太小从而没有得到更佳的蜜源位置，而因未开采完，采蜜蜂又不能放弃该蜜源。
看了看采蜜蜂上限为50%总群数时的图，发现也有几个点不动的状态，可以看出，这时不动的点的数量明显多于上限为10%总数的图，原因很简单，采蜜蜂太多，“先富”的人太多，而“后富”的人较少，没有带动“后富者”的“先富者”也得不到发展。
看看结果
嗯，感觉结果并没有什么差别，可能由于问题较简单，迭代次数较少，无法体现出采蜜蜂数对于结果的影响，也可能由于蜜源的搜索次数为60较大，总群一共只能对最多20*50/60=16个蜜源进行搜索。我们将最大迭代次数调大至200代再看看结果
当最大迭代次数为200时，人工蜂群算法的结果如上图，我们可以明显的看出，随着采蜜蜂上限的上升，算法结果的精度在不断的下降，这也印证了之前的结果，由于蜜源搜索次数较大（即搜索深度较深）采蜜蜂数量越多（搜索广度越多），结果的精度越低。不过影响也不算太大，下面我们再来看看蜜源最大开采次数对结果的影响。
实验2：参数如下
上图分别是蜜源开采限度为1,20和4000的实验。
当蜜源开采上限为1时，即一个蜜源只能被开采一次，即此时的人工蜂群算法只有侦查蜂随机搜索的过程，没有观察蜂跟随采蜜蜂的过程，可以看出图中的蜜蜂一直在不断的随机出现在新位置不会向某个点收敛。
当蜜源开采上限为20时，我们可以看到此时种群中的蜜蜂都会向一个点飞行。在一段时间内，有数个点一动不动，这些点可能就是采蜜蜂发现的位置不怎么好的蜜源，但是在几次迭代之后，它们仍会被观察蜂开采，从而更新位置，蜜源开采上限越高，它们停顿的代数也会越长。在所有蜜蜂都收敛于一个点之后，我们可以看到仍会不断的出现其他的随机点，这些点是侦查蜂进行随机搜索产生的新的蜜源位置，这些是人工蜂群算法跳出局部最优能力的体现。
当蜜源开采上限为4000时，即不会出现侦查蜂的搜索过程，观察蜂只会开采初始化时出现的蜜源而不会采蜜蜂不会有新的蜜源产生，可以看出在蜂群收敛后没有出现新的蜜源位置。
看看最终结果，我们发现，当蜜源开采上线大于1时的结果提升，但是好像开采上限为5时结果明显好于开采次数上限为其他的结果，而且随着开采次数不断上升，结果在不断的变差。为什么会出现这样的结果呢？原因可能还是因为问题较为简单，在5次开采的限度内，观察蜂已经能找到更好的蜜源进行开采，当问题较为复杂时，我们无法知晓开采发现新蜜源的难度，蜜源开采上限应该取一个相对较大的值。当蜜源开采限度为4000时,即一个蜜源不可能被开采完(开采次数为20(种群数)*200(迭代次数)),搜索的深度有了但是其结果反而不如开采限度为几次几十次来的好,而且这样不会有侦查蜂随机搜索的过程,失去了跳出局部最优的能力。
我们应该如何选择蜜源的最大开采次数限制呢？其实，没有最佳的开采次数限制，当适应度函数较为简单时，开采次数较小时能得到比较好的结果，但是适应度函数较复杂时，经过试验，得出的结果远差于开采次数较大时。当然，前面就说过，适应度函数是一个黑盒模型，我们无法判断问题的难易。那么我们应该选择一个适中的值，个人的选择是种群数的0.5倍到总群数的2倍作为蜜源的最大开采次数，这样可以保证极端情况下，1-2个迭代周期内小蜜蜂们能将一个蜜源开采完。
人工蜂群算法算是一个困扰我比较长时间的算法，几年时间里，我根据文献实现的人工蜂群算法都有数十种，只能说人工蜂群算法的描述太过模糊，或者说太过抽象，研究者怎么实现都说的通。但是通过实现多次之后发现虽然实现细节大不相同，但效果相差不多，所以我们可以认为人工蜂群算法的稳定性比较强，只要实现其主要思想即可，细节对于结果的影响不太大。
对于人工蜂群算法影响最大的因素还是蜜源的开采次数限制，开采次数限制越大，对同一蜜源的开发力度越大，但是分配给其他蜜源的搜索力度会相对减少，也会降低蜂群算法的跳出局部最优能力。可以动态修改蜜源的开采次数限制来实现对算法的改进，不过效果不显着。
其次对于人工蜂群算法影响是三类蜜蜂的搜索行为，我们可以重新设计蜂群的搜索方式来对算法进行改进，比如采蜜蜂在开采蜜源时是随机飞向其他蜜源，而观察蜂向所选的蜜源靠近。这样改进有一定效果但是在高维问题上效果仍不明显。
以下指标纯属个人yy,仅供参考
目录
上一篇 优化算法笔记（七）差分进化算法
下一篇 优化算法笔记（九）杜鹃搜索算法
优化算法matlab实现（八）人工蜂群算法matlab实现
5. 优化算法笔记（十八）灰狼算法
（以下描述，均不是学术用语，仅供大家快乐的阅读）
灰狼算法（Grey Wolf Algorithm）是受灰狼群体捕猎行为启发而提出的算法。算法提出于2013年，仍是一个较新的算法。目前为止（2020）与之相关的论文也比较多，但多为算法的应用，应该仍有研究和改进的余地。
灰狼算法中，每只灰狼的位置代表了解空间中的一个可行解。群体中，占据最好位置的三只灰狼为狼王及其左右护法（卫）。在捕猎过程中这三只狼将带领着狼群蛇皮走位，抓捕猎物，直至找到猎物（最优解）。当然狼王不会一直是狼王，左右护法也是一样，每一轮走位后，会根据位置的优劣重新选出新的狼王和左右护法。狼群中的每一只灰狼会向着（也可能背向）这三只位置最优的灰狼移动一定的距离，来决定这一步自己将如何走位。简单来说， 灰狼个体会向则群体中最优的三个个体移动 。
很明显该算法的主角就是灰狼了。
设定目标灰狼为
，当前灰狼的为 ，则该灰狼向着目标灰狼移动后的位置 可以由一下公式计算得出：
灰狼群体中位置最好的三只灰狼编号为1,2,3，那么当前的灰狼i通过观察灰狼1、灰狼2和灰狼3，根据公式（1）得出的三个位置为Xi1,Xi2,Xi3。那么灰狼i将要移动到的位置可以根据以下供述计算得出：
可以看出该灰狼的目标位置是通过观察三只头狼得到的三个目标位置的所围成的区域的质心。（质心超出边界时，取值为边界值）。
灰狼算法的论文描述很多，但是其公式和流程都非常简单，主要对其参数A和C的作用效果进行了详细描述。
C主要决定了新位置相对于目标灰狼的方位，而A则决定新位置向目标靠近还是远离目标灰狼。当|A|>=1时，为远离目标，表现出更强的全局搜索能力，|A|<1时靠近目标，表现出更强的局部搜索能力。
适应度函数 。
实验一：
看看这图像和结果，效果好极了。每当我这么认为时，总会出现意想不到的转折。
修改一下最优解位置试一试， 。
实验二 ： 。
其结果比上面的实验差了不少，但我觉得这才是一个优化算法应有的搜索图像。其结果看上去较差只是因为迭代次数较少，收敛不够迅速，这既是优点也是缺点，收敛慢但是搜索更细致。
仔细分析灰狼算法的流程，它并没有向原点靠近的趋势，那只能理解为算法群体总体上向着群体的中心移动。 猜想 ：当初始化群体的中心恰好是正解时，算法的结果将会非常的好。
下面使用 ，并将灰狼的初始位置限定在（50,100）的范围内，看看实验图像是否和实验二的图像一致。
实验三 . ,初始种群取值范围为（50,100）
这图像和结果跟实验一的不是一样的吗?这说明从实验二中得出的猜想是错误的。
从图像和结果上看，都和实验二非常相似，当解在解空间的中心时但不在原点时，算法的结果将差一些。
为什么会这样呢？从算法的流程上看，灰狼算法的各个行为都是关于头狼对称的，当最优解在原点且头狼在附近时，公式（1）将变为如下：
实验五 . ,三只头狼添加贪心算法。
从图像可以看出中心的三个点移动的频率要比其他点的移动频率低。从结果上可以看出其结果相对稳定了不少，不过差距非常的小，几乎可以认为是运气好所导致。如果所有的个体都添加贪心算法呢？显然，算法的全局搜索能力将进一步减弱，并且更容易向群体中心收敛，这并不是一个好的操作。
实验六 . ,
在实验五的基础上为狼群添加一个统一的步长，即每只狼每次向着目标狼移动的距离不能大于其步长，将其最大步长设为1，看看效果。
从图像可以看出，受到步长的约束每只狼的移动距离较小，在结束时还没有收敛，其搜索能力较强但收敛速度过慢且极易陷入局部最优。现在将最大步长设置为10（1/10解空间范围）使其搜索能力和收敛速度相对平衡，在看看效果。
从图像可以看出，算法的收敛速度快了不少，但从结果可知，相较于实验五，算法的提升并不太大。
不过这个图像有一种似曾相识的感觉，与萤火虫算法（FireFly Algorithm）差不多，仔细对比这两个算法可以发现， 灰狼算法相当于萤火虫算法的一个简化 。实验六种对灰狼算法添加步长的修改，让其离萤火虫算法更近了一步。
实验七 . ,
在实验六的基础上让最大步长随着迭代次数增加递减。
从实验七的图像可以看出，种群的收敛速度好像快了那么一点，结果也变好了不少。但是和改进后的萤火虫算法相比仍然有一定的差距。
灰狼算法在全局搜索和局部搜索上的平衡已经比较好了，尝试过对其进行改进，但是修改使搜索能力更强时，对于局部最优的函数求解效果很差，反之结果的精度较低，总体而言修改后的算法与原算法相差无几。
灰狼算法是根据灰狼群体的捕猎行动而提出的优化算法，其算法流程和步骤非常简单，数学模型也非常的优美。灰狼算法由于没有贪心算法，使得其有着较强的全局搜索能力同时参数A也控制了算法的局部搜索范围，算法的全局搜索能力和局部搜索能力比较平衡。
从算法的优化图像可以看出，灰狼算法和萤火虫算法非常的相似。可以认为，灰狼算法是对萤火虫算法的一种改进。萤火虫算法向着由于自己的个体飞行，而灰狼算法则的条件更为苛刻，向着群体前三强前进，萤火虫算法通过步长控制搜索范围，而灰狼算法则直接定义搜索范围参数A，并令A线性递减。
灰狼算法的结构简单，但也不容易改进，数次改进后只是改变了全局搜索能力和局部搜索能力的比例，综合能力并没有太大变化。
由于原点对于灰狼算法有着隐隐的吸引力，当测试函数目标值在原点时，其结果会异常的好。因此，灰狼算法的实际效果没有论文中的那么好，但也不差，算是一个中规中矩的优化算法。
参考文献
Mirjalili S , Mirjalili S M , Lewis A . Grey Wolf Optimizer[J]. Advances in Engineering Software, 2014, 69:46-61. 提取码：wpff
以下指标纯属个人yy,仅供参考
目录
上一篇 优化算法笔记（十七）万有引力算法
下一篇 优化算法笔记（十九）头脑风暴算法
优化算法matlab实现（十八）灰狼算法matlab实现