迫于期末考试，简要总结课程中介绍过的智能算法。
遗传算法的基本思想：遗传、变异、适者生存。
遗传：子代总是和亲代有相同或相似的性状。
变异：随机发生，以产生亲代和子代之间、子代的不同个体之间的差异。
适者生存：具有适应性变异的个体被保留下来。
one-hot编码；多点搜索，隐含并行性；启发式搜索；搜索效率高。
个体表现型和问题解空间，染色体编码解码方法，个体适应度评价，遗传算子选择(复制、交叉、变异)
参数：群体大小、终止进化代数、复制替代个体数、交叉概率、变异概率
追随当前搜索到的最优值来寻找全局最优解。
类比鸟群，每个解都是搜索空间的一个具有位置和速度的鸟(粒子)，每个粒子通过跟踪个体极值(粒子经过的最优解)和全局极值(群体经过的最优解)更新自身的位置。
更新粒子速度的核心公式如下所示：
实数编码；容易实现；精度高，收敛快。
问题解空间、个体适应度评价
参数：粒子数、终止条件(最大进化代数/最小误差要求)、最大速度、学习因子(局部学习因子&全局学习因子)、惯性权重、自适应变异参数
在传统遗传算法上提出基于差分的简单变异、一对一的竞争生存策略。
实数编码；待定参数少，简单易用；鲁棒性好，不易陷入局部最优，适用多种问题；全局搜索能力强，收敛速度快。
问题解空间、个体适应度评价
参数：群体大小、终止进化代数、缩放因子、交叉因子
Hopfield网络是对称的二元无向全互联网络，即每个神经元只有两个取值，每个神经元与其他所有神经元连接且该连接具有无向性。
Hopfield网络优化的核心就是使整个网络的能量最小。权值一经计算不再改变，各神经元状态不断更新，当网络演变到稳定时各神经元的状态便是问题的解。
详见博客。
系统辨识是确定系统数学模型及参数的问题，参数辨识是在确定模型结构基础上选用辨识算法估计模型中的未知参数。将辨识误差作为目标函数，可以使上述智能算法在系统辨识中广泛应用。
🤠奶一口考试顺利！