社會進化演算法

① 高分尋達人分別介紹下遺傳演算法和演化演算法，以及之間的聯系和區別

根據閱讀的資料，大概有以下判斷：
遺傳演算法是演化演算法中的一種。

遺傳演算法（Genetic Algorithm）是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱並行性和更好的全局尋優能力；採用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。遺傳演算法的這些性質，已被人們廣泛地應用於組合優化、機器學習、信號處理、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。

遺傳演算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型。它的思想源於生物遺傳學和適者生存的自然規律，是具有「生存＋檢測」的迭代過程的搜索演算法。遺傳演算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳演算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。 作為一種新的全局優化搜索演算法，遺傳演算法以其簡單通用、魯棒性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能演算法之一。

遺傳演算法是基於生物學的，理解或編程都不太難。下面是遺傳演算法的一般演算法：
創建一個隨機的初始狀態

初始種群是從解中隨機選擇出來的，將這些解比喻為染色體或基因，該種群被稱為第一代，這和符號人工智慧系統的情況不一樣，在那裡問題的初始狀態已經給定了。

評估適應度

對每一個解(染色體)指定一個適應度的值，根據問題求解的實際接近程度來指定(以便逼近求解問題的答案)。不要把這些「解」與問題的「答案」混為一談，可以把它理解成為要得到答案，系統可能需要利用的那些特性。

繁殖(包括子代突變)

帶有較高適應度值的那些染色體更可能產生後代(後代產生後也將發生突變)。後代是父母的產物，他們由來自父母的基因結合而成，這個過程被稱為「雜交」。

下一代

如果新的一代包含一個解，能產生一個充分接近或等於期望答案的輸出，那麼問題就已經解決了。如果情況並非如此，新的一代將重復他們父母所進行的繁衍過程，一代一代演化下去，直到達到期望的解為止。

並行計算

非常容易將遺傳演算法用到並行計算和群集環境中。一種方法是直接把每個節點當成一個並行的種群看待。然後有機體根據不同的繁殖方法從一個節點遷移到另一個節點。另一種方法是「農場主/勞工」體系結構，指定一個節點為「農場主」節點，負責選擇有機體和分派適應度的值，另外的節點作為「勞工」節點，負責重新組合、變異和適應度函數的評估。
http://ke..com/view/45853.html

演化演算法：
這部分的研究主要是提供具有演化特徵的演算法，已知的遺傳演算法是其中之一。許多新的演算法正在研究中。由於遺傳演算法的整體搜索策略和優化計算時不依賴於梯度信息，所以它的應用非常廣泛，尤其適合於處理傳統搜索方法難以解決的高度復雜的非線性問題。人工生命研究的重要內容就是進化現象，遺傳演算法是研究進化現象的重要方法之一
我國學者接觸這個領域較晚，目前尚未形成聲勢和有規模的研究隊伍。1997年夏天，在中科院基礎局、國家科委基礎司及中國國際經濟及技術交流中心的支持下，由中科院系統科學所和自動化研究所舉辦了第一次人工生命及進化機器人研討會[20]。與會者約60人。除去邀請了五位國際知名學者的學術報告之外，國內也有數名學者介紹了相關的研究成果。主要在數字生命、復雜巨系統方面進行了一些研究。據目前了解到的情況，國內尚有一些人在研究演化演算法，在人工智慧的一本書上有一段介紹人工生命。但對人工社會、人工生態環境及進化機器人等尚無人問津。
http://blog.ustc.e.cn/chujx/archives/000925.html

② 智能計算/計算智能、仿生演算法、啟發式演算法的區別與關系

我一個個講好了，
1）啟發式演算法：一個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度不一定事先可以預計。意思就是說，啟發式演算法是根據經驗或者某些規則來解決問題，它求得的問題的解不一定是最優解，很有可能是近似解。這個解與最優解近似到什麼程度，不能確定。相對於啟發式演算法，最優化演算法或者精確演算法（比如說分支定界法、動態規劃法等則能求得最優解）。元啟發式演算法是啟發式演算法中比較通用的一種高級一點的演算法，主要有遺傳演算法、禁忌搜索演算法、模擬退火演算法、蟻群演算法、粒子群演算法、變鄰域搜索演算法、人工神經網路、人工免疫演算法、差分進化演算法等。這些演算法可以在合理的計算資源條件下給出較高質量的解。
2）仿生演算法：是一類模擬自然生物進化或者群體社會行為的隨機搜索方法的統稱。由於這些演算法求解時不依賴於梯度信息，故其應用范圍較廣，特別適用於傳統方法難以解決的大規模復雜優化問題。主要有：遺傳演算法、人工神經網路、蟻群演算法、蛙跳演算法、粒子群優化演算法等。這些演算法均是模仿生物進化、神經網路系統、螞蟻尋路、鳥群覓食等生物行為。故叫仿生演算法。
3）智能計算：也成為計算智能，包括遺傳演算法、模擬退火演算法、禁忌搜索演算法、進化演算法、蟻群演算法、人工魚群演算法，粒子群演算法、混合智能演算法、免疫演算法、神經網路、機器學習、生物計算、DNA計算、量子計算、模糊邏輯、模式識別、知識發現、數據挖掘等。智能計算是以數據為基礎，通過訓練建立聯系，然後進行問題求解。
所以說，你接觸的很多演算法，既是仿生演算法，又是啟發式演算法，又是智能演算法，這都對。分類方法不同而已。

這次樓主不要再老花了哈！

③ 進化的演化思想史

早在古希臘時代，類似演化的思想已經出現，例如阿那克西曼德認為人類祖先來自海中。到了18世紀與19世紀，就已經有許多關於生命起源來自共同祖先的觀念。建立生物學的拉馬克，是第一位為演化提出科學理論的科學家。而達爾文與華萊士所提出，以天擇為主要機制的演化論，成為第一個具有說服力的解釋。在達爾文發表著作並成名之後，有許多先前尚未發表，發展較少的類似理論被發現。此外，達爾文在當時還未知任何遺傳機制，因此他無法解釋為何不同世代具有不同特徵。尤其當時流行子代的性狀為兩位親代性狀混合的概念，使得任何變異理論上似乎會逐漸消失。
孟德爾發現遺傳性狀的分離現象，解決了原本性狀混合的難題，然而一開始卻受到忽略。而且原本遺傳學家並不接受達爾文的天擇觀念，而是以突變作為演化原動力。直至20世紀，數學家羅納德?費雪、生物學家萊特（SewallWright）與霍爾登（J.B.S.Haldane）才建立了群體遺傳學，並與演化論結合。再加上湯瑪斯·摩根、特奧多修斯·多布然斯基、朱利安、赫胥黎、恩斯特·麥爾、喬治·辛普森、斯特賓斯（G.L.Stebbins）等人的研究，又稱為新達爾文主義的現代綜合理論在1920年到1940年代開始成形。
至於詳細的遺傳機制，則要等到埃弗里發現核酸為遺傳物質，以及華生與克里克，根據富蘭克林（RosalindFranklin）的研究，發表脫氧核糖核酸雙螺旋結構，以及分子生物學的建立之後。
到了1960年代，許多生物學家開始以基因中心演化觀點探討演化過程。道金斯更認為，基因是唯一的天擇單位。此外還有漢彌爾頓提出以利他行為為基礎的親屬選擇。與之同時，古爾德與艾崔奇對演化的速率重新詮釋，提出疾變平衡論，認為生物的演化速度是長期的停滯與短暫的爆發所組合。之後演化生物學成形，並且發展出許多分支。 演化生物學是研究演化的主要學門，探討物種的起源和改變，以及物種之間的親緣關系。這些研究影響了傳統的分類學，並導致系統分類學的出現。演化發育生物學（evo-devo）比較不同動物在發育過程中的變化，由此探討它們之間的關系與演化過程。體質人類學專注於人類的起源與演化，並探討人種的差異，又稱為生物人類學。
為了更深入研究演化過程與機制的細節，許多相關的分支學門產生。例如生態遺傳、人類演化、分子演化與種系發生。由於生物學是奠基在其它更基礎的自然科學之上，因此數學、統計學、物理學與化學對於了解演化機制也相當重要。例如為基因流、基因漂變等現象提供數學模式的群體遺傳學，研究在演化動力影響下，等位基因的分布和改變。
遺傳演算法則是應用演化與遺傳的各種機制，並結合電腦的運算能力來解決許多問題。應用的層麵包含工程、設計與通訊科技等。 有些演化研究專注在社會性生物上，稱為社會演化學。例如漢彌爾頓提出親屬選擇，解釋利他行為與邪惡的存在。不久之後，艾德華·威爾森出版的《社會生物學：新綜合》，解釋了社會性生物的各種行為，並在最後討論套用在人類行為的可能性。
1976年，道金斯在《自私的基因》一書中，認為人類的文化也能以演化解釋 。他根據基因（gene）這個詞，將文化的演化單位稱為迷因（meme、在中文也被音譯為迷米），類似遺傳因子的基因，迷因為文化的遺傳因子，也經由復制（模仿）、變異與選擇的過程而演化。
社會演化學與迷因學的差異在於，社會演化仍然是一種基因中心觀點，以遺傳物質分子為天擇單位，而迷因學則是以非基因的文化為天擇單位。

④ 什麼是粒子群演算法

粒子群演算法介紹（摘自http://blog.sina.com.cn/newtech）
優化問題是工業設計中經常遇到的問題,許多問題最後都可以歸結為優化問題. 為了解決各種各樣的優化問題,人們提出了許多優化演算法,比較著名的有爬山法、遺傳演算法等.優化問題有兩個主要問題:一是要求尋找全局最小點,二是要求有較高的收斂速度. 爬山法精度較高,但是易於陷入局部極小. 遺傳演算法屬於進化演算法( Evolutionary Algorithms) 的一種,它通過模仿自然界的選擇與遺傳的機理來尋找最優解. 遺傳演算法有三個基本運算元:選擇、交叉和變異. 但是遺傳演算法的編程實現比較復雜,首先需要對問題進行編碼,找到最優解之後還需要對問題進行解碼,另外三個運算元的實現也有許多參數,如交叉率和變異率,並且這些參數的選擇嚴重影響解的品質,而目前這些參數的選擇大部分是依靠經驗.1995 年Eberhart 博士和kennedy 博士提出了一種新的演算法;粒子群優化(Partical Swarm Optimization -PSO) 演算法 . 這種演算法以其實現容易、精度高、收斂快等優點引起了學術界的重視,並且在解決實際問題中展示了其優越性.

粒子群優化(Partical Swarm Optimization - PSO) 演算法是近年來發展起來的一種新的進化演算法( Evolu2tionary Algorithm - EA) .PSO 演算法屬於進化演算法的一種,和遺傳演算法相似,它也是從隨機解出發,通過迭代尋找最優解,它也是通過適應度來評價解的品質. 但是它比遺傳演算法規則更為簡單,它沒有遺傳演算法的「交叉」(Crossover) 和「變異」(Mutation) 操作. 它通過追隨當前搜索到的最優值來尋找全局最優 .

粒子群演算法

1. 引言

粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，有Eberhart博士和kennedy博士發明。源於對鳥群捕食的行為研究

PSO同遺傳演算法類似，是一種基於疊代的優化工具。系統初始化為一組隨機解，通過疊代搜尋最優值。但是並沒有遺傳演算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優的粒子進行搜索。詳細的步驟以後的章節介紹

同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域

2. 背景: 人工生命

"人工生命"是來研究具有某些生命基本特徵的人工系統. 人工生命包括兩方面的內容

1. 研究如何利用計算技術研究生物現象
2. 研究如何利用生物技術研究計算問題

我們現在關注的是第二部分的內容. 現在已經有很多源於生物現象的計算技巧. 例如, 人工神經網路是簡化的大腦模型. 遺傳演算法是模擬基因進化過程的.

現在我們討論另一種生物系統- 社會系統. 更確切的是, 在由簡單個體組成的群落與環境以及個體之間的互動行為. 也可稱做"群智能"(swarm intelligence). 這些模擬系統利用局部信息從而可能產生不可預測的群體行為

例如floys 和 boids, 他們都用來模擬魚群和鳥群的運動規律, 主要用於計算機視覺和計算機輔助設計.

在計算智能(computational intelligence)領域有兩種基於群智能的演算法. 蟻群演算法(ant colony optimization)和粒子群演算法(particle swarm optimization). 前者是對螞蟻群落食物採集過程的模擬. 已經成功運用在很多離散優化問題上.

粒子群優化演算法(PSO) 也是起源對簡單社會系統的模擬. 最初設想是模擬鳥群覓食的過程. 但後來發現PSO是一種很好的優化工具.

3. 演算法介紹

如前所述，PSO模擬鳥群的捕食行為。設想這樣一個場景：一群鳥在隨機搜索食物。在這個區域里只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。

PSO從這種模型中得到啟示並用於解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一隻鳥。我們稱之為「粒子」。所有的例子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然後粒子們就追隨當前的最優粒子在解空間中搜索

PSO 初始化為一群隨機粒子(隨機解)。然後通過疊代找到最優解。在每一次疊代中，粒子通過跟蹤兩個"極值"來更新自己。第一個就是粒子本身所找到的最優解。這個解叫做個體極值pBest. 另一個極值是整個種群目前找到的最優解。這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分最為粒子的鄰居，那麼在所有鄰居中的極值就是局部極值。

在找到這兩個最優值時, 粒子根據如下的公式來更新自己的速度和新的位置

v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)
present[] = persent[] + v[] (b)

v[] 是粒子的速度, persent[] 是當前粒子的位置. pbest[] and gbest[] 如前定義 rand () 是介於（0， 1）之間的隨機數. c1, c2 是學習因子. 通常 c1 = c2 = 2.

程序的偽代碼如下

For each particle
____Initialize particle
END

Do
____For each particle
________Calculate fitness value
________If the fitness value is better than the best fitness value (pBest) in history
____________set current value as the new pBest
____End

____Choose the particle with the best fitness value of all the particles as the gBest
____For each particle
________Calculate particle velocity according equation (a)
________Update particle position according equation (b)
____End
While maximum iterations or minimum error criteria is not attained

在每一維粒子的速度都會被限制在一個最大速度Vmax，如果某一維更新後的速度超過用戶設定的Vmax，那麼這一維的速度就被限定為Vmax

4. 遺傳演算法和 PSO 的比較

大多數演化計算技術都是用同樣的過程
1. 種群隨機初始化
2. 對種群內的每一個個體計算適應值(fitness value).適應值與最優解的距離直接有關
3. 種群根據適應值進行復制
4. 如果終止條件滿足的話，就停止，否則轉步驟2

從以上步驟，我們可以看到PSO和GA有很多共同之處。兩者都隨機初始化種群，而且都使用適應值來評價系統，而且都根據適應值來進行一定的隨機搜索。兩個系統都不是保證一定找到最優解

但是，PSO 沒有遺傳操作如交叉(crossover)和變異(mutation). 而是根據自己的速度來決定搜索。粒子還有一個重要的特點，就是有記憶。

與遺傳演算法比較, PSO 的信息共享機制是很不同的. 在遺傳演算法中，染色體(chromosomes) 互相共享信息，所以整個種群的移動是比較均勻的向最優區域移動. 在PSO中, 只有gBest (or lBest) 給出信息給其他的粒子，這是單向的信息流動. 整個搜索更新過程是跟隨當前最優解的過程. 與遺傳演算法比較, 在大多數的情況下，所有的粒子可能更快的收斂於最優解

5. 人工神經網路 和 PSO

人工神經網路(ANN)是模擬大腦分析過程的簡單數學模型，反向轉播演算法是最流行的神經網路訓練演算法。進來也有很多研究開始利用演化計算(evolutionary computation)技術來研究人工神經網路的各個方面。

演化計算可以用來研究神經網路的三個方面：網路連接權重，網路結構(網路拓撲結構，傳遞函數)，網路學習演算法。

不過大多數這方面的工作都集中在網路連接權重，和網路拓撲結構上。在GA中，網路權重和/或拓撲結構一般編碼為染色體(Chromosome)，適應函數(fitness function)的選擇一般根據研究目的確定。例如在分類問題中，錯誤分類的比率可以用來作為適應值

演化計算的優勢在於可以處理一些傳統方法不能處理的例子例如不可導的節點傳遞函數或者沒有梯度信息存在。但是缺點在於：在某些問題上性能並不是特別好。2. 網路權重的編碼而且遺傳運算元的選擇有時比較麻煩

最近已經有一些利用PSO來代替反向傳播演算法來訓練神經網路的論文。研究表明PSO 是一種很有潛力的神經網路演算法。PSO速度比較快而且可以得到比較好的結果。而且還沒有遺傳演算法碰到的問題

這里用一個簡單的例子說明PSO訓練神經網路的過程。這個例子使用分類問題的基準函數(Benchmark function)IRIS數據集。(Iris 是一種鳶尾屬植物) 在數據記錄中，每組數據包含Iris花的四種屬性：萼片長度，萼片寬度，花瓣長度，和花瓣寬度，三種不同的花各有50組數據. 這樣總共有150組數據或模式。

我們用3層的神經網路來做分類。現在有四個輸入和三個輸出。所以神經網路的輸入層有4個節點，輸出層有3個節點我們也可以動態調節隱含層節點的數目，不過這里我們假定隱含層有6個節點。我們也可以訓練神經網路中其他的參數。不過這里我們只是來確定網路權重。粒子就表示神經網路的一組權重，應該是4*6+6*3=42個參數。權重的范圍設定為[-100，100] (這只是一個例子，在實際情況中可能需要試驗調整).在完成編碼以後，我們需要確定適應函數。對於分類問題，我們把所有的數據送入神經網路，網路的權重有粒子的參數決定。然後記錄所有的錯誤分類的數目作為那個粒子的適應值。現在我們就利用PSO來訓練神經網路來獲得盡可能低的錯誤分類數目。PSO本身並沒有很多的參數需要調整。所以在實驗中只需要調整隱含層的節點數目和權重的范圍以取得較好的分類效果。

6. PSO的參數設置

從上面的例子我們可以看到應用PSO解決優化問題的過程中有兩個重要的步驟: 問題解的編碼和適應度函數
PSO的一個優勢就是採用實數編碼, 不需要像遺傳演算法一樣是二進制編碼(或者採用針對實數的遺傳操作.例如對於問題 f(x) = x1^2 + x2^2+x3^2 求解, 粒子可以直接編碼為 (x1, x2, x3), 而適應度函數就是f(x). 接著我們就可以利用前面的過程去尋優.這個尋優過程是一個疊代過程, 中止條件一般為設置為達到最大循環數或者最小錯誤

PSO中並沒有許多需要調節的參數,下面列出了這些參數以及經驗設置

粒子數: 一般取 20 – 40. 其實對於大部分的問題10個粒子已經足夠可以取得好的結果, 不過對於比較難的問題或者特定類別的問題, 粒子數可以取到100 或 200

粒子的長度: 這是由優化問題決定, 就是問題解的長度

粒子的范圍: 由優化問題決定,每一維可是設定不同的范圍

Vmax: 最大速度,決定粒子在一個循環中最大的移動距離,通常設定為粒子的范圍寬度,例如上面的例子里,粒子 (x1, x2, x3) x1 屬於 [-10, 10], 那麼 Vmax 的大小就是 20

學習因子: c1 和 c2 通常等於 2. 不過在文獻中也有其他的取值. 但是一般 c1 等於 c2 並且范圍在0和4之間

中止條件: 最大循環數以及最小錯誤要求. 例如, 在上面的神經網路訓練例子中, 最小錯誤可以設定為1個錯誤分類, 最大循環設定為2000, 這個中止條件由具體的問題確定.

全局PSO和局部PSO: 我們介紹了兩種版本的粒子群優化演算法: 全局版和局部版. 前者速度快不過有時會陷入局部最優. 後者收斂速度慢一點不過很難陷入局部最優. 在實際應用中, 可以先用全局PSO找到大致的結果,再有局部PSO進行搜索.

另外的一個參數是慣性權重, 由Shi 和Eberhart提出, 有興趣的可以參考他們1998年的論文(題目: A modified particle swarm optimizer)

⑤ 達爾文認為醫學王國養癌基因組48萬美元成本太高，自然選擇選擇王國養健康優秀基因組18萬美元成本低

混沌年度大課如期而至，話不多說，直接走進今天的文章吧。

我們今天的主題是「哲科搖滾 點亮創新」。哲科者，哲學和科學也。第一天我們講科學點亮創新。大家可能會疑惑：原本給大家的課表第一部分是物理學，但今天講的怎麼是生物學？

凱文·凱利在《失控》裡面有這樣一段話，「鍾表般的精確邏輯，也即機械邏輯，只能用來建造簡單的裝置，真正復雜的系統，如細胞、經濟體或者大腦，都需要一種地道的非技術邏輯」。

什麼樣的非技術邏輯呢？這本寫於20多年前的書這樣寫到：

「我們意識到，除了生物邏輯之外，沒有任何一種邏輯能夠讓我們組裝出一台能夠自己思想的設備、甚至不可能組裝出一套可以運行的大型系統。」

所以今天我們講生物學，我把物理學完全放棄了。

一、進化演算法：如何進行戰略取捨，

今天我們要向一個人致敬。今天，這個世界對這個人的尊敬程度還不夠高，這個人就是達爾文。

1.達爾文進化論

① 自身經歷

1809年達爾文出生於英格蘭，在他22歲那一年，他有機會搭乘小獵犬號去世界考察，大概有5年的時間，他一直在遠洋考察。

也正是在這5年海上飄行的日子裡，他逐漸形成了「進化論」的思想。所謂進化論的思想，講的是會有新物種出現。

在他29歲那一年，他發現了進化論背後的機制——自然選擇，也就是這時候，他的整個進化論思想及其機制已經形成了。

但那時候，社會有著強烈的宗教氛圍，他的太太也是個虔誠的基督徒，他知道他的觀點如果發表出來，會對周圍的人、對宗教、對大學，甚至對他的家庭產生巨大的影響。

直到1859年，在他50歲那一年，由於另外一個學者也獨立發現了自然選擇學說，逼得達爾文把他的學說發表出去，就是著名的《物種起源》。它和牛頓1687年的《自然哲學的數學原理》，是之後的科學革命中最重要的兩本著作。

生物學家卡羅爾講了一句話，「生物學如果沒有進化論，就好像物理學沒有引力學說一樣」。足見它的重要程度。

② 用公理化方法推導出第一性原理

達爾文用公理化方法推導出他的第一性原理，其中包括邏輯奇點：

第一，個體差異——遺傳變異；

第二，生存競爭——自然選擇。

在達爾文之前，我們整個人類對這個世界的理解都是簡單性質的，是達爾文幫我們推開那扇門，告訴我們其實那個世界是一個復雜性的世界。

王東岳老師說：「從牛頓機械論到達爾文進化論，是一個新世界觀的轉化」。

《生物學思想及其發展歷史》一書的作者邁爾被稱為「二十世紀的達爾文」，他在書中寫道，「達爾文的新模式，就其整體而言，代表了最先進的新世界觀」。

哲學家丹尼特講過這么一句話，「達爾文的進化論，其實是一種知識層面的宇宙演算法，他幾乎把所有的傳統觀念都消蝕掉，然後在之後留下一個革命性的世界觀」。

王東岳老師說：「從牛頓機械論到達爾文進化論，是一個新世界觀的轉化」。

《生物學思想及其發展歷史》一書的作者邁爾被稱為「二十世紀的達爾文」，他在書中寫道，「達爾文的新模式，就其整體而言，代表了最先進的新世界觀」。

哲學家丹尼特講過這么一句話，「達爾文的進化論，其實是一種知識層面的宇宙演算法，他幾乎把所有的傳統觀念都消蝕掉，然後在之後留下一個革命性的世界觀」。

第一次，達爾文革命「廢黜了人」，把人類包括在共同祖先的種系數之中，他剝奪了聖經賦予人在自然界中的特權地位。

第二次，達爾文革命「廢黜了上帝」，通過對生物界一切現象做出完全唯物主義的解釋，自然選擇學說排除了任何形式的超自然力量。

我們用一句話來講達爾文的根本思想，就是「存在沒有設計師的設計」。所有這個世界，看起來像是有人精心設計出來一樣，但事實上，哪有什麼設計師。

如果你再往深里想一想這句話，會發現它非常之深刻，言外之意，那些最美好的設計其實都可以自己長出來，一種軟性的、生命的、柔和的水一樣的力量在流淌到我面前來。

所有這一切，達爾文證明起來極其之簡潔，那公式簡潔到你幾乎不敢相信：變異+選擇=進化。38年億生物進化史，一個公式就解決了，堪稱人類思維的奇跡。

不需要設計師，最後自己長出來的結果，比最好的設計師設計出來的結果還好。

在機械論裡面，我們相信我創造的公司，我是那個驅動力量，在我做的產品裡面，我相信我是設計者，我是產品的驅動力量。

但我們錯了，我們創造出的那個產品自己有生命，如果你足夠尊敬它，足夠賦能於它，它自己會長出來，會變成一個生命，你只要協助它就行。

如果這個世界觀真的能夠touch（觸碰）到你的話，我認為它是在黑暗當中，在不確定性當中，唯一能夠帶我們走出去的道路。你只需要放低自己，幫助它成長起來。大家要牢牢touch到這個意味。

其實，變異+選擇=進化，這個公式其實並不完備，它還缺一個要素。第三個要素，達爾文也在他的書里提到過，但沒有把它作為一級要素，那就是——隔離。

變異+選擇+隔離=進化。

希望我已經表達清楚了。

2.進化演算法與創新思維

① 進化演算法

接下來，有一個問題：我們可否用進化演算法指導創新實踐？凱文·凱利指出，進化演算法特別適合我們做3件事情：

第一，如何達到你想去卻找不到路的領域？

第二，如何到達你無法想像到的領域？

第三，如何開辟全新的領域？

第一，如何達到你想去卻找不到路的領域？

第二，如何到達你無法想像到的領域？

第三，如何開辟全新的領域？

② 創新思維

變異：自上而下，多樣探索。

凱文·凱利在《失控》里講到，「想要得到和生命真正類似的行為，不是設法創造出真正復雜的生物，而是給簡單的生物提供一個極其豐饒的變異環境」。

這就是為什麼我們從遺傳變異中單獨拿出變異的道理所在。達爾文進化論有個前提：變異的來源是無窮無盡的。變異為自然選擇提供了原材料，如果沒有豐富的個體差異，「自然選擇將無所事事。」

在生物界變異有兩大來源（甚至你可以類比一下，比如在你的企業裡面）：第一是基因突變，第二是基因重組。

基因重組我們特別熟悉，新生兒一半的基因來自父體，一半的基因來自母體。即便如此，還有60到100個基因會發生突變，大概是0.24%-0.4%。

基因的重組和突變，生物犧牲一半基因，只為換取新變異和多樣性。

所以，當我們希望在企業內用進化論思想時，第一前提就是：企業內是否有足夠豐富的變異。多樣性是創新的來源，除非在企業中注入多樣性，否則內生性增長很快就會消失。

但現實生活中恰恰相反，人們由於自己時空邊界的束縛，相信中間值，不太喜歡多樣性，忽視甚至討厭變異體。

久而久之，企業內的變異素材不夠，企業僵化，自然選擇時效。這是大公司缺乏創新之根本原因。

例如，如果你是名校畢業的，當你選擇你的高管團隊時，會下意識去找名校畢業的人，組成你的高管團隊。

如果你是一個草根出身的，你也會下意識按你的模樣，去組織你的高管團隊。

例如，如果你是名校畢業的，當你選擇你的高管團隊時，會下意識去找名校畢業的人，組成你的高管團隊。

如果你是一個草根出身的，你也會下意識按你的模樣，去組織你的高管團隊。

現實生活當中，由於人類總是用自己的意識想控制著一切，讓它被修理整齊。所以企業創新源缺少的第一原因就是，沒有足夠的多樣性。因為我們不鼓勵多樣性。

⑥ 地下水管理模型研究現狀

1959年，Todd在他的經典論著《Ground Water Hydrology》中明確提出了地下水管理的概念，20世紀60年代以來，迅速發展起來的地下水數值模擬模型大大推進了地下水的定量化研究^［10］。「備選方案法」是一種比較簡單的確定地下水管理方案的方法。通常給定多種條件（如開采方案），多次運行數值模擬模型，可以得到不同條件下的地下水狀態，在給定的目標下，通過比較各種方案，可選擇目標較優的方案作為決策方案，這是20世紀70年代以前最常用的優選地下水開發利用方案的方法。由於要多次運行模擬模型，比較不同方案下的地下水狀態，這種方法耗時較多。這不是嚴格意義上的「最優解」，沒有運用運籌學的方法全面、綜合地考慮管理的目標和各種約束，從而得不到理論意義上的最優地下水開發利用方案。

地下水管理模型通常由地下水系統的數值模擬模型和優化模型耦合而成。Maddock^［11］推導出地下水系統單位脈沖響應函數，提出了建立大規模地下水水力管理模型有效的方法——響應矩陣法。而Aguado和Remson^［12］首次將地下水數值模擬模型與線性規劃聯立，明確提出了建立地下水水力管理模型的嵌入法。20世紀70年代到80年代初，國外以研究地下水水力管理模型為主，並提出了完善的理論和實用的建模方法，Gorelick^［13］對分布參數地下水管理模型，特別是水力管理模型進行了綜述。

我國科技人員於20世紀80年代中後期開始地下水管理模型的研究與應用工作，公開發表的論著如林學鈺、焦雨著《石家莊市地下水資源的科學管理》^［14］，許涓銘等^［15］系統論述了建立分布參數地下水水力管理模型的基本理論和方法。在這一階段，我國幾乎所有以地下水為主要供水水源的大城市，針對不同的問題，都建立了地下水管理模型，如石家莊、西安、哈爾濱、長春、濟南、包頭等。一些典型地區也建立了區域地下水管理模型，如河北平原、河西走廊、柴達木盆地等。這些研究大大推進了我國地下水科學管理的進程，但由於當時建模所考慮的因素多為水力要素，模型結構也比較簡單，多歸結為求解線性規劃問題，這大大限制了模型的實用性和可操作性。

20世紀90年代以來，由於數值模擬和計算機技術以及數學方法在地下水資源優化開發方面的理論與方法日臻完善，使復雜的水資源管理問題得以有效的解決。這不但促進了地下水管理學科的迅速發展，並在推動水文地質學從定性研究進入定量化研究的過程中作出了應有的貢獻。從模型的研究內容看，主要集中在地表水-地下水聯合調度、地下水量-水質綜合管理、地下水可持續利用管理模型的研究上；從模型的結構看，主要是以非線性規劃、動態規劃和多目標規劃管理模型為研究的熱點和難點問題。

1.2.2.1 地下水非線性管理模型研究進展

地下水管理模型的非線性問題是普遍存在的，產生非線性的原因主要有兩個：其一是系統狀態的非線性，如潛水含水層模擬模型的非線性；其二是管理問題的非線性，如目標函數和某些特殊約束條件的非線性。真實的地下水系統管理問題大多數是非線性的，因此非線性管理模型能更精確地描述這類地下水系統及其管理問題，因而提高模型結果的精度和可信度。由於非線性規劃問題沒有統一的模式，在可行域內有可能存在多個局部最優解，因而到目前為止，還沒有通用的、高效的求解方法，要根據管理模型的結構特點和規模，選擇合適的求解方法^［10］。

線性化是解決非線性問題最簡單的方法，如Gorelick和Remson^［16］、Ratzlaff^［17］等都應用這種方法解決這類問題。迭代法也是解決非線性問題的有效方法之一，如Aguado和Remson^［18］用預測-校正法通過反復迭代求解潛水含水層地下水管理問題；Willis 和Newman^［19］用求解一系列線性規劃替代非線性目標函數、線性約束條件的非線性規劃問題。王洪濤提出了非線性多含水層地下水資源管理的處理方法，並把這一方法應用到唐山市以防治岩溶地面塌陷為目的的水資源管理中^［20］。

若非線性規劃的目標函數是決策變數的二次多項式，並且模擬模型和其他約束條件又全是線性的，則稱這種非線性規劃為二次規劃。二次規劃有統一的表示形式和通用解法，是非線性管理模型中最常用的求解方法之一。如Lefkoff和Gorelick^［21］、Misirli和Yazicigil^［22］等均是用二次規劃求解管理模型。

此外，常用於解非線性規劃的方法還有直接搜索法（主要有修正單純形法、Nelder-Mead單純形法、並行方向搜索法）和基於導數的優化方法（如約束優化的隱式篩選法等）。人工智慧演算法（又稱進化演算法，evolutionary algorithms，EA）也為求解高度非線性規劃問題開拓了廣闊的前景。

1.2.2.2 地下水動態規劃管理模型研究進展

地下水系統本身是一個高度復雜的動態系統。由於管理區的自然條件和人為作用等均在不斷地發生變化，尤其當水源地的地下水要進行長期開采時，地下水資源管理模型必須隨著時間推進做定期的修正以保證模型的精確性和可靠性，地下水動態規劃管理模型的提法便應運而生^［23］。這方面的研究可參閱有關文獻，如Yakowitz，Andricevic^{［24，25］}等。動態規劃方法本身還不夠完善，在高維的情況下會產生所謂的「維數災」問題，目前在求解地下水動態規劃管理模型中，用的較普遍的方法是微分動態規劃方法，它是由Jacobson和Mayne^［26］提出的。微分動態規劃方法是一種多維動態規劃的改進演算法，不需要進行狀態變數和決策變數的離散化，克服了計算量呈維數增長這一障礙。因此，它提供了一種解算大型、多時段、非穩態流的地下水資源管理模型的可行的分析計算方法^［27］。

Murry 等^［28］運用帶約束條件的微分動態規劃方法成功地實現了多級水庫的優化控制；Jones等^［29］利用微分動態規劃方法求解了最優控制模型，成功地解決了理想模型中8個假設井的最優開采量分配問題；Culver等^［30］建立了地下水水質模擬模型並應用有限元法求解，通過應用微分動態規劃方法和Quasi-Newton近似法，確定了含水層不同時期的最優抽水方案；Chang等^［31］應用微分動態規劃方法解決了時變地下水系統污染修復最優控制問題；Chang等^［32］聯合應用微分動態規劃方法和遺傳演算法解決了地下水管理問題；Chu 等^［33］應用人工神經網路方法和微分動態規劃方法解決了大規模地下水系統的管理問題。我國學者李文淵等^［34］建立了以抽水費用最小為目標的地下水管理模型，應用微分動態規劃方法求解，並編制了計算機程序；郝永紅等^［35］結合陽泉市岩溶地下水系統的實際，應用微分動態規劃方法為陽泉市岩溶水的開發提出了最優開采方案；王浩然^［36］以位於山東省淄博市境內的孝婦河流域上游地區的地下水系統為研究對象，構造了地下水開采條件下的控制模型，採用微分動態規劃方法求解，獲得了比較符合實際且容易實施的地下水優化開采量。

1.2.2.3 地下水多目標管理模型研究進展

地下水多目標管理模型是以地下水模擬模型為基礎，由兩個或兩個以上的目標函數及其約束條件組成的，用於對地下水進行統籌規劃和有效保護的管理模型。地下水多目標管理模型更能體現地下水系統的層次性和多目標性，模型不僅能提供地下水合理開發利用最優方案，而且可作為宏觀經濟和環境規劃的決策依據，因而更具實用性和可操作性^［37］。由於多目標問題類型多，無統一的數學形式，故沒有通用的求解方法。針對不同的管理模型和目標評價准則，應採用相應的解法。

20世紀70年代以來，多目標管理模型用於解決水資源的規劃問題^{［38，39］}；80年代以後，隨著對地下水系統研究的不斷深入、地下水模擬技術及其與管理模型耦合技術的發展，多目標規劃才出現在地下水管理問題中。Willis等^［40］首次建立了地下水多目標管理模型；Bogardi等^［41］採用一種互動式多目標決策方法求解地下水多目標管理問題，有三個目標函數：總抽水量最大、抽水降深最小以及總抽水費用最低；Ritzel等^［42］用遺傳演算法求解多目標地下水污染控制問題；Park等^［43］運用多目標遺傳演算法對沿海含水層中的抽水量和井位進行優化，以防止海水入侵；Kollat等^［44］對4種多目標優化演算法進行了對比研究；邵景力等^{［45，46］}運用線性規劃方法對包頭市地下水多目標管理模型進行了求解，他們還建立了包頭市地下水-地表水聯合調度多目標管理模型，模型最終歸結為求解線性目標規劃問題；代振學等^［47］建立了濟寧-兗州礦區地下水多目標管理模型，採用模糊線性規劃法求得了管理模型的最優解，最後通過靈敏度分析和流場模擬，證實了最優解的正確性；孟慶國等^［48］進行了城市地下水多目標管理模型的相關研究，建立了內蒙古呼和浩特市地下水多目標管理模型，採用多階段目標規劃法對模型進行求解；王來生等^［49］建立了哈爾濱市地下水資源多目標規劃管理模型，將求解多目標最優化問題的約束法和線性加權法相結合，給出了一種綜合解法；王紅旗等^［32］根據大慶市西部地區地下水系統的特點，構建了地下水資源多目標動態規劃管理模型，採用多目標規劃的改進線性加權法和微分動態規劃方法相結合的方法進行求解，通過管理模型的運算得出三種規劃方案下的地下水最優開采量，並根據管理模型的運算結果對研究區的地下水資源開發利用規劃提出合理化建議；賀北方等^［50］建立了區域水資源多目標優化配置模型，目標有3個：區域供水凈效益最大、區域重要污染物排放量最小、供水系統缺水量最小，應用遺傳演算法求解了此管理模型。

與單目標管理模型相比，地下水多目標管理模型有如下特點^［51］：

（1）各目標間的度量單位多是不可公度的，有些目標甚至很難給出定量指標，如供水的社會效益、環境效應等。用單目標優化方法很難處理不可公度的多目標問題。

（2）各目標間的權益通常是相互矛盾的，這是構成多目標問題存在的基本特徵。多目標問題總是以犧牲一部分目標的利益來換取另一些目標的改善。單一目標的最優並不代表系統整體最優。

（3）多目標問題的優化解不是唯一的。多目標規劃的任務是考慮經濟、社會、環境、技術等因素，權衡各目標的利弊，從多個「有效解」中尋求各目標都能接受的「滿意解」。

（4）多目標規劃可以充分發揮分析者和決策者各自的作用。在現代管理中，分析者的任務是根據決策者的要求建立管理模型，提供多個各有利弊的方案，作為決策者決策的依據。決策者的任務是站在更高的層次上，兼顧各方面利益，從眾多可選方案中確定決策方案。

⑦ 神經科學會成為人工智慧「超進化」的關鍵，是真的嗎

AI與神經科學究竟有什麼關系？神經科學究竟 怎樣進一步助推人工智慧發展？緊密結合神經科學的人工智慧將產生什麼轉變？

神經科學和人工智慧本屬同源

提到人工智慧和神經科學中間的關聯，幾句話來歸納：同源分流、學科獨立；交叉融合、分久必合。

最開始，人工智慧與神經科學是二門分別獨立的學科，擁有不太一樣的研究對象、研究思路管理體系。從學科發源的時間起點看來，人工智慧學科以1956年美國達特茅斯學校夏天探討班為起緣；而神經科學問世的標示能夠 回溯到1891年的神經元理論。那樣看神經科學算得上人工智慧學科的「老前輩」。

將來二者緊密結合大有作為

那麼，緊密結合神經科學的人工智慧可能產生哪些轉變呢？

現階段神經科學與人工智慧的融合，只佔生物人的大腦測算基本原理的冰山一角。精確預知未來人工智慧將怎樣發展難以，但假如洞悉神經科學、人工智慧的學科發展規律性和人類社會經濟發展新趨勢，粗略地刻畫將來發展環節或是很有可能的，這針對選准自主創新突破點，確立自主創新主要方位十分重要。這也是包含在我國以內進行有關神經科學預測分析和技術預見的初心之一。

從當今到2025年，神經科學再次保持高速發展趨勢，但顛覆性創新的基礎理論成效還很少，在這里一時期，人工智慧和雲計算技術是神經科學發展的「網路加速器」。而到2030—2035年，神經科學將邁入第一輪重大進展，在神經系統認知和神經系統認知能力了解層面發生顛覆性創新成效，進而哺育、創新人工智慧的原來優化演算法基本和電子器件基本，人類社會發展進到實際性類腦智能科學研究環節。

到2050年，神經科學將邁入第二輪重大進展，在感情、觀念了解層面發生顛覆性創新成效，開發設計出一個多限度、融合、驗證的人的大腦實體模型基礎理論，類腦智能進到全新升級，並將促進人的大腦的超生命的進化，神經科學和類腦智能學科融為一體，人類社會發展全方位進到強人工智慧時期。自然，緊緊圍繞神經科學和人工智慧尤其是強人工智慧，也有很多科學理論和社會發展與倫理道德層面的難題。

「大家堅信，將來神經科學行業大有作為、將來神經科學與人工智慧融合大有作為。」從人類現代文明江河看來，神經科學和人工智慧是同一枚硬幣的2個面，盡管互不相關，但都是有一同的偏向：為人類的存活和觀念演變給予新很有可能。

⑧ 如何用蟻群演算法來計算固定時間內走更多的城市且路程最短

概念：蟻群演算法(ant colony optimization,ACO),又稱螞蟻演算法,是一種用來在圖中尋找優化路徑的機率型演算法.它由Marco Dorigo於1992年在他的博士論文中提出,其靈感來源於螞蟻在尋找食物過程中發現路徑的行為.蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值
其原理：為什麼小小的螞蟻能夠找到食物?他們具有智能么?設想,如果我們要為螞蟻設計一個人工智慧的程序,那麼這個程序要多麼復雜呢?首先,你要讓螞蟻能夠避開障礙物,就必須根據適當的地形給它編進指令讓他們能夠巧妙的避開障礙物,其次,要讓螞蟻找到食物,就需要讓他們遍歷空間上的所有點；再次,如果要讓螞蟻找到最短的路徑,那麼需要計算所有可能的路徑並且比較它們的大小,而且更重要的是,你要小心翼翼的編程,因為程序的錯誤也許會讓你前功盡棄.這是多麼不可思議的程序!太復雜了,恐怕沒人能夠完成這樣繁瑣冗餘的程序
應用范圍：螞蟻觀察到的范圍是一個方格世界,螞蟻有一個參數為速度半徑（一般是3）,那麼它能觀察到的范圍就是3*3個方格世界,並且能移動的距離也在這個范圍之內
引申：跟著螞蟻的蹤跡,你找到了什麼?通過上面的原理敘述和實際操作,我們不難發現螞蟻之所以具有智能行為,完全歸功於它的簡單行為規則,而這些規則綜合起來具有下面兩個方面的特點：1、多樣性 2、正反饋 多樣性保證了螞蟻在覓食的時候不置走進死胡同而無限循環,正反饋機制則保證了相對優良的信息能夠被保存下來.我們可以把多樣性看成是一種創造能力,而正反饋是一種學習強化能力.正反饋的力量也可以比喻成權威的意見,而多樣性是打破權威體現的創造性,正是這兩點小心翼翼的巧妙結合才使得智能行為涌現出來了.引申來講,大自然的進化,社會的進步、人類的創新實際上都離不開這兩樣東西,多樣性保證了系統的創新能力,正反饋保證了優良特性能夠得到強化,兩者要恰到好處的結合.如果多樣性過剩,也就是系統過於活躍,這相當於螞蟻會過多的隨機運動,它就會陷入混沌狀態；而相反,多樣性不夠,正反饋機制過強,那麼系統就好比一潭死水.這在蟻群中來講就表現為,螞蟻的行為過於僵硬,當環境變化了,螞蟻群仍然不能適當的調整.既然復雜性、智能行為是根據底層規則涌現的,既然底層規則具有多樣性和正反饋特點,那麼也許你會問這些規則是哪裡來的?多樣性和正反饋又是哪裡來的?我本人的意見：規則來源於大自然的進化.而大自然的進化根據剛才講的也體現為多樣性和正反饋的巧妙結合.而這樣的巧妙結合又是為什麼呢?為什麼在你眼前呈現的世界是如此栩栩如生呢?答案在於環境造就了這一切,之所以你看到栩栩如生的世界,是因為那些不能夠適應環境的多樣性與正反饋的結合都已經死掉了,被環境淘汰了!蟻群演算法的實現 下面的程序開始運行之後,螞蟻們開始從窩里出動了,尋找食物；他們會順著屏幕爬滿整個畫面,直到找到食物再返回窩.其中,『F』點表示食物,『H』表示窩,白色塊表示障礙物,『+』就是螞蟻了.

⑨ 該不該讀下去

該！！！不可以放棄！！！

不要用窮人思維去思考！！！

讀書是你跨越階級的最好階梯。

社會中，兩個最基本階層，是窮人和富人。富人、窮人里又可以分成更加細化的等級。窮人是可以跨越階級的，但是很難。讀書是其中一條最廉價的捷徑。窮人跨越階級，最難突破的就是父母。父母是個人的起點，也是大部分人的天花板。中國這代人大部分比父母混的強，是因為父母被耽擱了，往後幾代，未可知，歐美成熟發達社會，絕大部分孩子沒法超過父母。一些父母一事無成，對孩子卻要求很高，希望很大。但是孩子卻非你所願，父母沒意識到，孩子是父母的復製品，孩子也是父母的鏡子。有其父必有其子。孩子從父母那裡繼承了生理學意義上的基因，長得像你，還有社會學意義上的基因，做事和思考方式也很像你。對人最有影響的是學校教育，學習到科學和人文知識，不局限於所有知識來源於家長，但家庭對孩子的影響是決定性的。每個家庭都給自己孩子傳授人生經驗，富人和窮人會把自己的全部傳授給下一代，對後代有潛移默化影響。大部分人從父母那裡，並不能學到有用的生存技能，這種狀態一直通過社會基因遺傳。農業時代，讀書機會是難得，不是所有人有受教育的機會。

古代整體遵循一種「進化演算法」，每代人中擇優培育，一個人發達了，大家一起跟著發達。現代文明優越在有義務教育。義務教育最早起源於德國，是後來德、美迅速趕超英國的殺手鐧。德國最早開始普及義務教育，電力時代需要大量技術工人，不識字的人沒法操作機器，注重教育，全民素質高的德國和美國後來居上，教育也是日本中國等後發國家的發展秘籍。義務教育強行在學校，搞愛國教育，培養國家意識。義務教育也打破「社會基因」，孩子在學校學習宇宙大爆炸，進化論，分子生物學等，就會相信科學而非迷信。在中國，考上大學，改變命運，突破了父母天花板，義務教育功不可沒。在全世界范圍內，物以類聚，人以群分，是一種能從數學上證明的「同質化分層」機制，跨越物種，跨越文明，都存在。假如你是窮人，離開家庭，不受家庭影響，但你的社會階層決定你周圍的人不是特別優秀，你從他們身上學不到太多東西，想成功你就要突破這個階級。社會上存在可怕的同質化分層。社會初期都比較平等，慢慢就各個階層形成明顯界線。全世界古代現代都這樣。以前的大學里，城鄉孩子都有，差距不大，但2008年之後，是個明顯分水嶺，大學里農村出來的孩子越來越少。歐美已在穩定的制度下發展了幾百年，社會變得非常穩定。我國穩定發展才三四十年，中產階級一年在孩子身上花十幾萬幾十萬，教育演變成競賽，都覺得努力一下還有希望進入富豪階層。

未來，階層狀態會越來越嚴重，呈現圈子化，有的圈子裡的人只需維持現狀不墜落就可，有的圈子卻需要不斷向上突破。像有些人住在高樓層，只要維持不掉下來就行。有些卻需要努力爬上去。

怎樣跨越原生家庭局限，不以父母為天花板？

辦法就是多讀書。中國高考慘烈，因為所有人都看出來這是最廉價的向上突破途徑，是第一個跨越階層的機會。歐美大學學費越來越貴，英聯邦等國把大學當創收工具。

怎樣突破同質層分化，走出原有的低級圈層？

年輕時去大城市埋頭苦幹。越是小地方，越板塊固化，階層牢不可破。怎樣克服消費枷鎖，買到資產而不是消費？勤儉節約。這輩子沒攢下錢，也給後輩傳承好習慣，代代傳承，東西方一樣，每個豪門崛起，都需好幾代人努力。

怎樣克服習得性無助，變成一個積極的人？

跳出舒適區，去做那些難事。跳出思維，走出舒適區，也是保持心態年輕化的關鍵。社會中下層的人收入，都是固定工資，不太依賴運氣；越往上層階級，運氣比例越大，經商很多時候依賴運氣。富人收入中運氣比例高。

如果有閑暇時間，可以發展運氣行業。要從消費者向生產者的轉變。如果一直做消費者，花自己時間和錢，玩別人的游戲，吃別人做的菜，永遠別想翻身，你得讓別人消費你的東西。互聯網時代，生產者門檻降低，傳播邊際成本降低，不需要打廣告也可推廣自己產品的時代。消費，不一定是花錢，花時間也是消費。一個決定，可能對一個沒資源、沒動手能力的窮人沒用，五年後可能徹底改變你的生活。一件事努力做了，不成功，有很多原因，但如果什麼都沒做，那就是不可饒恕的放棄了成功的機會。

⑩ 什麼是螞蟻演算法詳解！！

蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型技術。它由Marco Dorigo於1992年在他的博士論文中引入，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。
蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值.
蟻群演算法是一種求解組合最優化問題的新型通用啟發式方法，該方法具有正反饋、分布式計算和富於建設性的貪婪啟發式搜索的特點。通過建立適當的數學模型，基於故障過電流的配電網故障定位變為一種非線性全局尋優問題。由柳洪平創建。
預期的結果：
各個螞蟻在沒有事先告訴他們食物在什麼地方的前提下開始尋找食物。當一隻找到食物以後，它會向環境釋放一種信息素，吸引其他的螞蟻過來，這樣越來越多的螞蟻會找到食物！有些螞蟻並沒有象其它螞蟻一樣總重復同樣的路，他們會另闢蹊徑，如果令開辟的道路比原來的其他道路更短，那麼，漸漸，更多的螞蟻被吸引到這條較短的路上來。最後，經過一段時間運行，可能會出現一條最短的路徑被大多數螞蟻重復著。
原理：
為什麼小小的螞蟻能夠找到食物？他們具有智能么？設想，如果我們要為螞蟻設計一個人工智慧的程序，那麼這個程序要多麼復雜呢？首先，你要讓螞蟻能夠避開障礙物，就必須根據適當的地形給它編進指令讓他們能夠巧妙的避開障礙物，其次，要讓螞蟻找到食物，就需要讓他們遍歷空間上的所有點；再次，如果要讓螞蟻找到最短的路徑，那麼需要計算所有可能的路徑並且比較它們的大小，而且更重要的是，你要小心翼翼的編程，因為程序的錯誤也許會讓你前功盡棄。這是多麼不可思議的程序！太復雜了，恐怕沒人能夠完成這樣繁瑣冗餘的程序。
然而，事實並沒有你想得那麼復雜，上面這個程序每個螞蟻的核心程序編碼不過100多行！為什麼這么簡單的程序會讓螞蟻干這樣復雜的事情？答案是：簡單規則的涌現。事實上，每隻螞蟻並不是像我們想像的需要知道整個世界的信息，他們其實只關心很小范圍內的眼前信息，而且根據這些局部信息利用幾條簡單的規則進行決策，這樣，在蟻群這個集體里，復雜性的行為就會凸現出來。這就是人工生命、復雜性科學解釋的規律！那麼，這些簡單規則是什麼呢？下面詳細說明：
1、范圍：
螞蟻觀察到的范圍是一個方格世界，螞蟻有一個參數為速度半徑（一般是3），那麼它能觀察到的范圍就是3*3個方格世界，並且能移動的距離也在這個范圍之內。
2、環境：
螞蟻所在的環境是一個虛擬的世界，其中有障礙物，有別的螞蟻，還有信息素，信息素有兩種，一種是找到食物的螞蟻灑下的食物信息素，一種是找到窩的螞蟻灑下的窩的信息素。每個螞蟻都僅僅能感知它范圍內的環境信息。環境以一定的速率讓信息素消失。
3、覓食規則：
在每隻螞蟻能感知的范圍內尋找是否有食物，如果有就直接過去。否則看是否有信息素，並且比較在能感知的范圍內哪一點的信息素最多，這樣，它就朝信息素多的地方走，並且每隻螞蟻多會以小概率犯錯誤，從而並不是往信息素最多的點移動。螞蟻找窩的規則和上面一樣，只不過它對窩的信息素做出反應，而對食物信息素沒反應。
4、移動規則：
每隻螞蟻都朝向信息素最多的方向移，並且，當周圍沒有信息素指引的時候，螞蟻會按照自己原來運動的方向慣性的運動下去，並且，在運動的方向有一個隨機的小的擾動。為了防止螞蟻原地轉圈，它會記住最近剛走過了哪些點，如果發現要走的下一點已經在最近走過了，它就會盡量避開。
5、避障規則：
如果螞蟻要移動的方向有障礙物擋住，它會隨機的選擇另一個方向，並且有信息素指引的話，它會按照覓食的規則行為。
7、播撒信息素規則：
每隻螞蟻在剛找到食物或者窩的時候撒發的信息素最多，並隨著它走遠的距離，播撒的信息素越來越少。
根據這幾條規則，螞蟻之間並沒有直接的關系，但是每隻螞蟻都和環境發生交互，而通過信息素這個紐帶，實際上把各個螞蟻之間關聯起來了。比如，當一隻螞蟻找到了食物，它並沒有直接告訴其它螞蟻這兒有食物，而是向環境播撒信息素，當其它的螞蟻經過它附近的時候，就會感覺到信息素的存在，進而根據信息素的指引找到了食物。
問題：
說了這么多，螞蟻究竟是怎麼找到食物的呢？
在沒有螞蟻找到食物的時候，環境沒有有用的信息素，那麼螞蟻為什麼會相對有效的找到食物呢？這要歸功於螞蟻的移動規則，尤其是在沒有信息素時候的移動規則。首先，它要能盡量保持某種慣性，這樣使得螞蟻盡量向前方移動（開始，這個前方是隨機固定的一個方向），而不是原地無謂的打轉或者震動；其次，螞蟻要有一定的隨機性，雖然有了固定的方向，但它也不能像粒子一樣直線運動下去，而是有一個隨機的干擾。這樣就使得螞蟻運動起來具有了一定的目的性，盡量保持原來的方向，但又有新的試探，尤其當碰到障礙物的時候它會立即改變方向，這可以看成一種選擇的過程，也就是環境的障礙物讓螞蟻的某個方向正確，而其他方向則不對。這就解釋了為什麼單個螞蟻在復雜的諸如迷宮的地圖中仍然能找到隱蔽得很好的食物。
當然，在有一隻螞蟻找到了食物的時候，其他螞蟻會沿著信息素很快找到食物的。
螞蟻如何找到最短路徑的？這一是要歸功於信息素，另外要歸功於環境，具體說是計算機時鍾。信息素多的地方顯然經過這里的螞蟻會多，因而會有更多的螞蟻聚集過來。假設有兩條路從窩通向食物，開始的時候，走這兩條路的螞蟻數量同樣多（或者較長的路上螞蟻多，這也無關緊要）。當螞蟻沿著一條路到達終點以後會馬上返回來，這樣，短的路螞蟻來回一次的時間就短，這也意味著重復的頻率就快，因而在單位時間里走過的螞蟻數目就多，灑下的信息素自然也會多，自然會有更多的螞蟻被吸引過來，從而灑下更多的信息素……；而長的路正相反，因此，越來越多地螞蟻聚集到較短的路徑上來，最短的路徑就近似找到了。也許有人會問局部最短路徑和全局最短路的問題，實際上螞蟻逐漸接近全局最短路的，為什麼呢？這源於螞蟻會犯錯誤，也就是它會按照一定的概率不往信息素高的地方走而另闢蹊徑，這可以理解為一種創新，這種創新如果能縮短路途，那麼根據剛才敘述的原理，更多的螞蟻會被吸引過來。
引申
跟著螞蟻的蹤跡，你找到了什麼？通過上面的原理敘述和實際操作，我們不難發現螞蟻之所以具有智能行為，完全歸功於它的簡單行為規則，而這些規則綜合起來具有下面兩個方面的特點：
1、多樣性
2、正反饋
多樣性保證了螞蟻在覓食的時候不置走進死胡同而無限循環，正反饋機制則保證了相對優良的信息能夠被保存下來。我們可以把多樣性看成是一種創造能力，而正反饋是一種學習強化能力。正反饋的力量也可以比喻成權威的意見，而多樣性是打破權威體現的創造性，正是這兩點小心翼翼的巧妙結合才使得智能行為涌現出來了。
引申來講，大自然的進化，社會的進步、人類的創新實際上都離不開這兩樣東西，多樣性保證了系統的創新能力，正反饋保證了優良特性能夠得到強化，兩者要恰到好處的結合。如果多樣性過剩，也就是系統過於活躍，這相當於螞蟻會過多的隨機運動，它就會陷入混沌狀態；而相反，多樣性不夠，正反饋機制過強，那麼系統就好比一潭死水。這在蟻群中來講就表現為，螞蟻的行為過於僵硬，當環境變化了，螞蟻群仍然不能適當的調整。
既然復雜性、智能行為是根據底層規則涌現的，既然底層規則具有多樣性和正反饋特點，那麼也許你會問這些規則是哪裡來的？多樣性和正反饋又是哪裡來的？我本人的意見：規則來源於大自然的進化。而大自然的進化根據剛才講的也體現為多樣性和正反饋的巧妙結合。而這樣的巧妙結合又是為什麼呢？為什麼在你眼前呈現的世界是如此栩栩如生呢？答案在於環境造就了這一切，之所以你看到栩栩如生的世界，是因為那些不能夠適應環境的多樣性與正反饋的結合都已經死掉了，被環境淘汰了！
參數說明：
最大信息素：螞蟻在一開始擁有的信息素總量，越大表示程序在較長一段時間能夠存在信息素。信息素消減的速度：隨著時間的流逝，已經存在於世界上的信息素會消減，這個數值越大，那麼消減的越快。
錯誤概率表示這個螞蟻不往信息素最大的區域走的概率，越大則表示這個螞蟻越有創新性。
速度半徑表示螞蟻一次能走的最大長度，也表示這個螞蟻的感知范圍。
記憶能力表示螞蟻能記住多少個剛剛走過點的坐標，這個值避免了螞蟻在本地打轉，停滯不前。而這個值越大那麼整個系統運行速度就慢，越小則螞蟻越容易原地轉圈。
蟻群演算法的實現
下面的程序開始運行之後，螞蟻們開始從窩里出動了，尋找食物；他們會順著屏幕爬滿整個畫面，直到找到食物再返回窩。
其中，『F』點表示食物，『H』表示窩，白色塊表示障礙物，『+』就是螞蟻了。
參數說明：
最大信息素：螞蟻在一開始擁有的信息素總量，越大表示程序在較長一段時間能夠存在信息素。信息素消減的速度：隨著時間的流逝，已經存在於世界上的信息素會消減，這個數值越大，那麼消減的越快。
錯誤概率表示這個螞蟻不往信息素最大的區域走的概率，越大則表示這個螞蟻越有創新性。
速度半徑表示螞蟻一次能走的最大長度，也表示這個螞蟻的感知范圍。
記憶能力表示螞蟻能記住多少個剛剛走過點的坐標，這個值避免了螞蟻在本地打轉，停滯不前。而這個值越大那麼整個系統運行速度就慢，越小則螞蟻越容易原地轉圈。