由于某道面试题目的驱使，GA和PSO成了这个暑期里面最有意义的东西。

 

---------------------------我是好好味的分界线------------------------

 

GA:遗传算法其实是一个很大同时很热的课题，掌握好GA并不容易。关于GA的研究，主要集中在交叉和变异算子上，同时编码也是每一个实际应用中不可回避的问题。因此，这两个方面就构成了GA在应用上所要解决的问题，也直接决定了得出结果的好坏。

 

PSO:这是一种相当有意思的算法。理论基础是动物的群体智慧和个体经验对行为的影响。这其实是我在国庆前已经在宿舍看着维基百科写出来了。效果也是相当的好，连后来的GA都突破不了。附上关键公式：

 

第i个微粒表示为X_i = (x_i1, x_i2, …, x_iD)，它经历过的最好位置（有最好的适应值）记为P_i = (p_i1, p_i2, …, p_iD)，也称为pbest。在群体所有微粒经历过的最好位置的索引号用符号g表示，即P_g，也称为gbest。微粒i的速度用V_i = (v_i1, v_i2, …, v_iD)表示。对每一代，它的第d维(1 ≤ d ≤ D)根据如下方程进行变化：

  vid = w*vid+c1*rand()*(pid-xid)+c2*Rand()*(pgd-xid)  (1a)

  xid = xid+vid                (1b)

其中w为惯性权重(inertia weight)，c1和c2为加速常数(acceleration constants)，rand()和Rand()为两个在[0,1]范围里变化的随机值。

                                             （源自维基百科)

后话：我承认我的GA在实现时并不十分理想，有个小bug我没理，而且实践表明并不能有效地让种群像优秀的方向发展。虽然我有另一种方法，可以很好地填补这些缺陷，但这又会带来另一种问题--过早收敛，这是GA所要经常面临的问题。

这里面有个结论：我不是一个好的上帝，还不能把一堆猩猩变成人；却是一个不错的农夫，能够把成千上万的小鸟放出去找到我要去的地方。