目前計算機中的搜索算法有哪些？

深度優先，廣度優先(源自于數據結構)

窮舉法(列出所有可能),回溯法（深度優先思想加上返回式搜索）源自于算法設計與分析

爬山法，模擬退火，遺傳算法（智能化算法）都是一些自適應的隨機搜索算法，（有點類似于不確定性算法，也是一些啟發式算法（另外蟻群算法也是啟發式算法）

梯度下降算法（源自于最優化理論）

前期補充材料：請參考http://blog.csdn.net/emiyasstar__/article/details/6938608

遺傳算法該如何理解

從啟發式的角度去理解更容易：

?遺傳算法參照達爾文的進化論，認為物種都是向好的方向去發展（適者生存），因此可以認為到足夠的代數之后，得到的最值可實際的最值很接近。

遺傳算法主要包括了三種自然進化操作（各種書籍不盡統一）選擇，交叉，變異。

選擇(復制）：從前代種群中不斷選擇2個較優個體，讓這些較優個體(父母)將它們的基因傳遞到下一代。

交叉：兩個待交叉的不同的染色體(父母)根據交叉概率(cross_rate)按某種方式交換其部分基因。（體現了自然界中群體內個體個體之間的信息交換）

變異：染色體按照變異概率進行染色體的變異。（在群體中引入新的變種確保群體中信息的多樣性）

遺傳算法步驟流程

????(1) 用固定長度的染色體表示問題變量域，選擇染色體種群數量為N，交叉概率為C，突變概率為M?
(2) 定義適應性函數來衡量問題域上單個染色體的性能或適應性。適應性函數是在繁殖過程中選擇配對染色體的基礎。?
(3) 隨機產生一個大小為N的染色體的種群。?
(4) 計算每個染色體的適應性。?
(5) 在當前種群中選擇一對染色體。雙親染色體被選擇的概率和其適應性有關。適應性高的染色體被選中的概率高于適應性低的染色體。?
(6) 通過執行遺傳操作——交叉和突變產生一對后代染色體。?
(7) 將后代染色體放入新種群中。?
(8) 重復步驟5，直到新染色體種群的大小等于初始種群的大小N為止。?
(9) 用新（后代）染色體種群取代初始（雙親）染色體種群。?
(10) 回到步驟4，重復這個過程直到滿足終止條件為止。

爬山法該如何理解

就是找到一個山坡，就不在尋找了，它覺得左邊和右邊都比較小，它認為這就是最高峰，所以可能進入局部最優。

?

?

模擬退火算法的理解

通過一定的概率跳過局部最優，最終可能會進入最高峰，必須多次試驗，程序多次運行。