目录
一、GA遗传算法
二、ACO蚁群算法
三、PSO粒子群算法
四、SA模拟退火算法
五、ABC人工蜂群算法
六、综合
一、GA遗传算法
1.运算流程
2.遗传算法适应值分配策略（基于目标函数的直接分配、基于排名的分配）
3.遗传算法在二进制问题（如0-1背包）和顺序问题（如TSP问题）的交叉和变异算子的实现
（1）单点交叉
左边部分都不变。
（2）部分交叉
现将所交叉部分提取出来，交换。剩下的根据情况分析是否放原位。
（3）变异：
0-1背包问题：直接0—>1，1—>0
TSP问题：
swap： 断掉4条边，连上4条边。
insert： 断掉一部分，将该部分插入某处。
inverse：将某一部分进行翻转，还是放在原处。
4.遗传算法的交叉概率和变异概率对算法行为的影响
①交叉概率Pc：较大的交叉概率可以增强遗传算法开辟新的搜索区域的能力，但高性能的模式遭到破坏的可能性增大；若交叉概率太低，遗传算法搜索可能陷入迟钝状态。
②变异概率Pm：一般低频度的变异可防止群体中重要基因的可能丢失，高频度的变异将使遗传算法趋于纯粹的随机搜索。
5.轮盘赌思想算法实现（遗传算法）
二、ACO蚁群算法
1.运算流程
三、PSO粒子群算法
1.运算流程
四、SA模拟退火算法
1.运算流程
2.模拟退火算法的的概率接收公式
系统从能量E1变化到E2，其对应的概率为：
如果E2＜E1，系统接收此状态；否则，以一个随机的概率接收或丢弃此状态。状态2被接收的概率为：
注：公式
中的负号是求最小值的时候才有，若问题时求最大值，那么就没有负号，要懂得区别
3. 模拟退火算法的初始温度和降温系数（假设是几何降温）对算法行为的影响
（1）初始温度T0:T0越大，获得高质量解的概率越大。但是初温过高会导致计算时间增加，降低算法的收敛速度。
（2）降温速度α ：α是[0,1]且非常接近1的常数，降温系数越大，温度下降越慢，算法收敛速度越慢，接收劣质解的概率越高，获得高质量解的概率越高。
4.模拟退火算法解决0-1背包问题
五、ABC人工蜂群算法
1.侦察蜂scout和观察蜂onlooker的作用
（1）侦察蜂的作用：当雇佣蜂太久没有更新解时（即陷入了局部解），则启动侦察蜂重新进行全局搜索，从而避免算法陷入局部最优解。
（2）观察蜂（跟随蜂）的作用：对雇佣蜂找到的局部解周围进行探索，即对局部解进行优化，寻找更优的局部最优解。
2.ABC算法的雇佣蜂（Employed bee）和观察峰（Onlooker）的数量。
①雇佣蜂（采蜜蜂）的数量越多，算法全局搜索性能越强，算法收敛越慢，但搜索到全局最优解的可能越大；
②观察蜂（跟随蜂）的数量越多，算法局部搜索性能越强，算法收敛越快，但越容易陷入局部最优解。
3.ABC算法的位置修改公式
4.从观察蜂的工作机制分析蜂群优化算法的正反馈机制。
观察蜂是跟随雇佣蜂，雇佣蜂找的蜜源越好，就会有越多的观察蜂跟随它，而观察蜂跟随的越多，那对雇佣蜂的函数值寻优次数（对蜜源的优化）就越多，那找到的解（蜜源）就会更优。从而形成了正反馈。
六、综合
1.区分metaheuristic和heuristic
（1）metaheuristic：元启发式算法，是一个通用的启发式策略，不借助于某种问题的特有条件，从而可以广泛运用。如GA、SA、PSO、ACO、ABC、DE。
（2）heuristic：启发式算法，针对特定条件下求解某个具体的问题。如爬山算法。
2.区分single solution-based和population-based的智能优化算法
（1）single solution-based的智能优化算法（迭代过程只有一个解）：SA、TA
（2）population-based的智能优化算法：GA、ABC、PSO、ACO、DE
3.区分construction-based和iterative improvement-based的智能优化算法
（1）construction-based（每次都是从头开始构造新解）：ACO解是通过一步步选出来的
（2）iterative improvement-based（迭代产生新解）：GA、ABC、PSO、SA、DE、TA
4.区分组合优化问题、连续优化问题、约束优化问题等概念及我们使用的实例
（1）组合优化问题
①概念：具有离散变量的问题，我们称它为组合的。组合优化（Combinatorial Optimization）问题的目标是从组合问题的可行解集中求出最优解。
②实例：旅行商问题（Traveling Salesman Problem－TSP）、0-1背包问题（Knapsack Problem——KP）、度约束的最小生成树问题；
（2）连续优化问题
①概念：连续优化是求解连续变量的问题，其一般是求解一组实数，或者一个函数。
②实例：求解函数的最大值和最小值
（3）约束优化问题
①概念：约束优化问题是一类数学最优化问题，它由目标函数以及与目标函数中的变量相关的约束条件两部分组成，优化过程则为在约束条件下最优化（最大化或最小化）目标函数。
②实例：0-1KP、目标规划、度约束的问题
5.算法的简写
（1）模拟退火算法：Simulated Annealing，简称SA
（2）遗传算法：Genetic Algorithm，简称GA
（3）阈值接收算法：Threshold Algorithm，简称TA
（4）粒子群算法：Particle Swarm Optimization，简称PSO
（5）蚁群优化算法（简称蚁群算法）：Ant Colony Optimization，简称ACO
（6）人工蜂群算法（简称蜂群算法）：Artificial Bee Colony Algorithm, 简称ABC
（7）差分进化算法：Differential Evolution，简称DE
6.各种算法接收新解的方式（接收所有，只接收更好的，概率接收）
（1）概率接收劣质解：模拟退火算法（SA）、阈值接收算法（TA，确定性接收）
（2）只接收更好的：遗传算法（GA）、差分进化算法（DE）、人工蚁群优化算法（ACO）、蜂群优化算法（ABC）
（3）接收所有：粒子群优化算法（PSO）
7.。。
