Cachel Wood的博客

染色体是由基因组成的，所以把组成遗传算法染色体（个体）的基本部分称为基因，基因的选择可以多种多样，比如在扇贝例子中，我们用像素作为基因，但实际上扇贝例子的原文是用不同的三角形块作为基因，通过不同三角形块的叠加形成。：在目前的种群中（通常是上一代的种群和新生产的种群的结合）选择一定数量的较优个体，形成新的种群。选择是通过适应度函数f(x)做出的，其中x为个体。：在种群中随机选择m个样本，在这m个样本中，选择适应度函数最好的个体作为下一代的个体，之后将样本回放，重复采用和选择直到选出一定数目的个体。

基本蚁群算法是针对旅行商问题提出的。代表信息素的挥发率，表示新增加的信息素。

一般是给被禁对象x一个数（禁忌长度）t，要求对象x在t步迭代内被禁，在禁忌表中采用tabu(x) = t记忆，每迭代一步，该项指标做运算tabu(x) = t-1，直到tabu(x)=0时解禁。禁忌对象：由于需要避免一些操作的重复进行，就要将一些元素放到禁忌表中以禁止对这些元素进行操作，这些元素就是我们指的禁忌对象（通常指找到的局部最优解）。为了避免陷入局部最优解，TS搜索中采用了一种灵活的“记忆”技术，对已经进行的优化过程进行记录和选择，指导下一步的搜索方向，这就是Tabu表的建立。

若目标函数f在第i+1步移动后比第i步更优，即fYi1≤fYifYi1))≤fYi))，则总是接受该移动。若fYi1fYifYi1))fYi))，即移动后的解比当前解要差，则以一定的概率接受移动，而且这个概率随着时间推移逐渐降低，逐渐降低才能趋向稳定。

使用正平衡状态下，感染者为0时的平衡点来计算基本再生数R0。

护士排班问题并不专指对于医院护士的排班，实际上泛指这种限制条件较多的排班问题。第二种求解方法是演化博弈算法，比较经典的有遗传算法，模拟退火算法，粒子群算法等一系列启发式算法，可以在较短的时间内找到一个可以接受的解。目前对于排班问题有两种比较典型的求解思路，一种就是传统的线性规划LP问题加大型求解器的求解思路，目前。等优秀的开源模块，这种方法求得的是精确解，但是非常耗费计算资源，在问题规模相当大时很难获得最优解。P问题是在多项式时间内可以被解决的问题，而NP问题是在多项式时间内可以被验证其正确性的问题。

线性规划是数学规划中的一类最简单规划问题，常见的线性规划是一个有约束的，变量范围为有理数的线性规划。最终可得最优解为x = 20, y = 24, 最优值为428。当然0-1规划的典型应用场景是指派问题、运输问题、排班问题等。对最大化问题、最小化问题，大于等于和小于等于约束都支持。规划实际上只需要在整数规划的基础上，让决策变量的定义域在。问题需要化为最小化问题，所有约束条件必须为。松弛问题的最优解总是优于整数规划问题的。可得该整数规划问题的最优解为。可得0-1规划的最优解是。

综上，将对偶价格dual price定义为：当约束条件中的常数项增加一个单位时，最优目标函数值变化的数量。将影子价格定义为：当约束条件中的常数项增加一个单位时，最优目标函数值增加的数量。变化的数量可以理解为不带符号的，只有大小。增加的数量可以理解为带符号的，有方向。此时的对偶价格和对偶问题的解是相等的。而影子价格可能是对偶问题的解的负数。