搞定了上周末的辽宁大学模拟联合国峰会…最后拿了个Best Delegate，开开心心来填坑。

    主要分成三个部分，在维基上搜了一下：

一、模拟退火：https://zh.wikipedia.org/wiki/%E6%A8%A1%E6%8B%9F%E9%80%80%E7%81%AB（中文维基百科）

        按照维基写的结合之前例会讲的内容，模拟退火就是用来解决求函数最优解的问题的一种优化方法，避免了简单算法有可能最后得到局部最优解的问题。解决方式主要是保留取当前解的领域内，最优解以外的解的可能性（赋予一个随机的概率值），通过Metropolis准则:“若Δt′<0则接受S′作为新的当前解S，否则以概率exp（-Δt′/T）接受S′作为新的当前解S” 来实现。

        具体分成三个部分：初始化，迭代和停止准则。在链接里有详细的介绍。

        具体算法的数学证明并没有仔细研究，可以证明模拟退火所得解依概率收敛至全局最优解。

二、蚁群算法：http://www.cnblogs.com/Leo_wl/p/5665715.html       

                            http://blog.csdn.net/hewei0241/article/details/8296789

        蚁群算法是一种仿生模拟进化算法，提炼出来关键词似乎是正反馈、最优化。感觉蚁群算法和图论关系很大（虽然对图论还暂时没什么了解），可以应用在TSP旅行商问题、七桥问题等等问题上。

        蚁群算法的关键在于模拟出蚁群，每只蚂蚁经过一条路径时在路上留下信息素，已经释放的信息素浓度随着时间不断降低，并且蚂蚁会选择信息素浓度相对高的路径。这样就形成了一种增强学习机制，即信息素浓度高的路径与低浓度路径的差距会越来越大。最终能够找到最优的一条路径。

        那么用什么标准判断路径的优劣，即蚂蚁在什么路上会洒下信息素呢？考虑到实际情况中蚂蚁寻找的都是最短的路劲，假定所有蚂蚁爬行速度一定的情况下，越短的路径上蚂蚁爬行所用时间越短，最终较短的路径上信息素逐渐累积，浓度增加。因此基本的蚁群算法主要用来解决求最短路径的问题。

        资料中显示研究者还研究出了其他优化后的蚁群算法。

三、遗传算法：https://zh.wikipedia.org/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95

        遗传算法在我看来是一个更玄学的算法了。。。通过达尔文的物竞天择思想来求出系统的最优解，在不断的进化之中筛选出更优解，淘汰劣解。思想是可以理解的，但是如果不和具体的例子结合起来感觉总是有些宽泛。在维基百科里列出了一些遗传算法的应用领域，但是感觉相关的领域接触的还比较少，等以后具体接触到了或者遇到具体的问题再研究吧（怎么感觉又在挖坑）。