考虑一个解决方案最大化目标函数的问题
问题：从500个元素中，需要选择15个（候选解决方案），目标函数的值取决于候选解决方案中元素之间的成对关系等等。
这里描述了解决这个问题的步骤：
1. Generate a set of candidate solutions in guided random manner(population) //not purely random the direction is given to generate the population
2. Evaluating the objective function for current population
3. If the current_best_solution exceeds the global_best_solution, then replace the global_best with current_best
4. Repeat steps 1,2,3 for N (arbitrary number) times
人口规模和N较小（约50）的人
在N次迭代之后，它返回存储在global_best_solution
这是一个众所周知的算法的描述吗？
如果是，该算法的名称是什么，或者这些类型的算法适合哪种类别？
答案 0 :(得分：3)
你听到的只是钓鱼。请注意，您可以删除步骤3和4，因为运行循环100次与初始填充100次一样的操作相同。
如果你认为目标函数是一个随机变量，它是随机决策变量的函数，那么你所做的就是以99.9％的百分位数给出一些概率非常高的东西 - 但最佳值与第99.9百分位的距离没有限制。
为了说明困难，请考虑以下类型的旅行商问题。想象一下两个点A和B的簇，每个点有100个点。在聚类内，每个点任意接近每个其他点（例如0.0000001）。但是 - 在群集之间距离是1,000,000。最佳巡回演出的长度显然为2,000,000（+可忽略不计的数量）。随机游览只是这200个决策点的随机排列。获得一个最佳或近乎最佳的旅行将类似于一副200张卡片，其中100张读取和100张黑色，并且在一个块中的所有红牌中都有（计算“环绕”的块） - 消失的可能性很小（它可以计算为99 * 100！* 100！/ 200！= 1.09 x 10 ^ -57）。即使你产生了数以万计的旅行团，但绝大多数情况下，这些旅行中的每一个都会被数百万人带走。这是一个小问题，但也很容易出现最大问题，即通过决策变量的纯随机设置，你几乎不可能获得接近最优的解决方案。
这是一个极端的例子，但它足以表明纯粹随意捕鱼的解决方案并不十分可靠。使用进化算法或其他启发式算法（如模拟退火或禁忌搜索）会更有意义。
答案 1 :(得分：0)
如果该群体的成员没有互动，为什么要与人群合作？
你所拥有的是随机搜索。
如果你添加变异，它看起来像一个进化策略：https://en.wikipedia.org/wiki/Evolution_strategy