文章 "种群优化算法：树苗播种和成长（SSG）算法"
寻找局部极值的最佳算法是什么？
粗略地说，我们需要生成一个参数列表，这些参数最好能落入局部极值（顶点）。
以刺猬为例，显示其针尖的坐标。
对于任何全局搜索任务，表格顶端的任何算法都能发挥最佳效果。如果您知道函数是平滑或离散的，您可以单独选择最合适的算法，或者根据问题中优化参数的数量选择最合适的算法。
通常情况下，不要将问题设置为必须找到局部极值，因为在大多数实际问题中，局部极值的数量是未知的（如果不是这样，使用分析方法会更容易），而全局极值的数量是已知的--一个（如果有几个全局极值的值相同，就相当于它是一个）。这就是为什么问题的设置通常会使函数尽可能具有单调性，误差最小化就是一个例子。
在一般情况下，我不知道有什么算法可以解决搜索局部的问题，而且很少有针对特定问题编写特定算法的权宜之计。在这种情况下，我会考虑如何表示 FF 来解决问题。可能会有不同的方法，比如使用 AO 作为聚类的附加功能。解决问题的另一种方法是将 FF 分成假设的 "层"，从全局最小值到全局最大值（必须事先找到），然后按顺序检查每一层，也就是说，您需要为 AO 制作一个批处理任务管理器。
总之，我要让你失望了--目前还没有解决搜索局部极值问题的通用算法。修改 FF 比制作特殊算法更容易。
3. 为当前迭代选择有效参数的算法无关紧要，允许改变优化的范围和步骤
1.好吧，AO 并不关心向其提交多少参数和什么参数进行优化，因此您可以向 AO 提交所有参数，也可以不提交所有参数。
2.2. 您可以单独、联合、顺序和组合应用任何算法。我尽量使文章中的算法统一。
3.原则上，所介绍的任何算法都可以在优化过程中直接调整。您只需修正初始化，使累积种群不被重置。例如，可以根据已过的时间减少（或增加）优化参数的步长。
这绝对是反科学的！ )))))不过很聪明。
我在想，有一些算法的 "团块化 "程度很高，当种群倾向于按地域划分为不同群体时，例如 IWO、COA、ABC、BFO，这些算法的种群可以通过测量代理之间的欧氏距离来分析代理团块（AO 中的逻辑搜索单元称为代理），即搜索代理之间距离最小的代理群体。
您还可以尝试在 COA、HS 或 MA 等回滚（当一个代理从同一位置向不同方向反复尝试搜索时）算法中设置一个尝试计数器，通过多次迭代对群体状态进行切分，尝试次数最多的代理将成为局部极值。MA 和 BFO 本身就有这样一个计数器。
也就是说，我说过没有精确的方法来搜索局部极值（搜索全局极值在这方面可以被认为是 "精确的"），但你可以像我上面描述的那样进行近似搜索。要获得精确的解决方案，您需要知道 FF 的差异信息。
ZЫ. 向所有对此感兴趣的人提出一个有趣的问题：局部极值和全局极值（不考虑它们在 FF 值上的差异）之间有什么区别？
ZZY 在回答了第一个问题之后，许多问题就会自行消失。
新文章 种群优化算法：树苗播种和成长（SSG）算法已发布：
树苗播种和成长（SSG）算法的灵感来自星球上最具韧性的生物之一，在各种条件下都表现出杰出的生存能力。
该算法是少数几个没有作者明确讲述的算法之一（仅提供一般规定和思路）。 由作者提出的算法操作符，算法也没有现成的程序指令实现。 没有关于子树和父树、及其交互的明确说明。 对于操作符的执行顺序没有要求，任何用户都可以更改其顺序，从而能获得更好的幼苗。
从广义上讲，SSG 并非是一种优化算法，它是一组通用规则，旨在补充其它算法，从而提高优化品质。 换言之，SSG 是任何种群进化算法的附加组件，如此我就有了想象的空间，并有机会尝试优化算法的特定实现。 我在编写以前的算法时应用了自己的一些想法和经验，并使用它们与 SSG 配合工作。 实验结果如下，供读者判断。
为了开始理解算法，我们需要将这棵树想象为优化代理者。 一棵树是优化问题的解，其中每个枝杈都是问题的优化参数。 图例 1 提供了子树和父树的抽象和艺术描绘图。 树干是一组要优化的参数。 每个枝杈都是一个单独的优化参数，其中枝杈的长度受相应参数的允许值范围的限制。 枝杈的方向无关紧要，仅在图中显示来高亮显示它们的差异。
作者：Andrey Dik