進化演算法是為了克服傳統優化方法的缺點而設計的一類演算法。為了解決目標函式的導數不存在或無法求得，但又要求函式的全域性最優解的問題。進化演算法是模擬生物進化或遺傳原理而設計的一類隨機搜尋的優化演算法，屬於不確定優化方法。進化演算法是以達爾文的演化論為基礎，模仿自然界「優勝劣汰」，「適者生存」的優化過程對多目標問題求解，以得到全域性最優解。min y=f(x)=[f1(x) , f2(x) ,…,fn(x) ]
其中n=1,2,3…n,表示n個目標函式。d個決策變數引數即x=[x1,x2,…,xd]，決策向量構成決策空間，此時是向量求解。在多目標優化中，目標函式是不相同的，求出的最優解或是相互矛盾的，從而求解全域性最優解的過程是複雜的。
2、soo（單目標優化）：顧名思義，單目標優化即在乙個任務中優化乙個目標函式，相對簡單很多。
3、mto（多工優化）：以上兩個概念均是預設在乙個任務中。多工優化又可劃分為多工多目標優化（mtmo）和多工單目標優化（mtso）。多工優化是利用基於種群搜尋的隱式並行性來挖掘多個任務之間潛在的遺傳互補性，已達到資訊相互傳遞，使多工優化演算法效率更高。k分量的多工優化中，每個任務都是單目標，第j個子任務tj，對應的目標函式是fj。多工優化中主要試**決不同任務之間的衝突，以提高效率。
基礎進化演算法流程圖
step1:按某種方式產生初始種**(0)，一般種群規模是偶數，設種群代數t=0;
step2:計算種**(t)中每個個體的適應度值，通常是目標函式的函式值；
step3:按照某種規則從p(t)中選取乙個子群體p』(t)作為產生後代的父母，用交叉運算元作用於p』(t)產生交叉後代集合o』(t)，再用變異運算元作用於o』(t)產生變異後代集合o(t)，計算o(t)中每個後代的適應度。
step4:用選擇運算元從集合p(t) u o中選出下一代種**(t+1)，令t=t+1;
setp5:如果演算法滿足終止條件，則輸出p(t+1)中最優解，終止演算法，否則，轉入step2;
摘自**《multiobjective multifactorial optimization in evolutionary multitasking》
多目標優化的搜尋空間只有乙個，而多因素優化的搜尋空間分割成了一系列的子空間。
演算法相關概念解釋
演算法 演算法是解決特定問題求解步驟的描述，在計算機中表現為指令的有限序列，並且每條指令表示乙個或多個操作。演算法的特性 有窮性，確定性，可行性，輸入，輸出。演算法的設計要求 正確性，可讀性，健壯性，高效率和低儲存。演算法的度量方法 事後統計法 不科學，不準確 事前分析估計法。輸入輸出 演算法有零個...
演算法設計 回溯法相關概念
適用於解一些組合數相當大的問題 策略 深度優先策略其含義為 所有可能解組成的空間 問題的解向量 乙個n元式 x1,x2,x3 xn 的形式 顯約束 對分量xi的取值進行限定，可以控制解空間的大小 隱約束 為滿足問題的解而對不同分量之間施加的約束 對能否得到問題的可行解或最優解做出的約束 若不滿足隱約...
排序演算法相關
1.1氣泡排序 氣泡排序的基本原理是 依次比較相鄰的兩個數，將大數放在前面，小數放在後面，也即首先比較第乙個和第二個數，將大數放在前面，小數放在後面。然後比較第2個數和第3個數，將大數放前，小數方後，依次直至比較最後兩個數。如此在第一輪最後的數必定是所有數中最小的，然後重複以上過程將所有小數放在最後...