为什么只有状态转移算法才是真正意义上的智能优化算法，其它的都是“假冒伪劣”？

0 旁白
　　 长期以来，“论文为王”的观念被推崇至上，没有论文就没有发言权，发表了大量学术论文才能高谈阔论、坐而论道，以至于出现“大家都忙着写论文，没有时间搞科研”的反常局面，不知内情者以为发论文就是搞科研。本文正是在这种反常局面下诞生，如果列位看官对智能优化算法感兴趣，且带着求真务实的态度搞科研，倒可以看看本文，否则纯粹浪费时间。

1 引言
　　 自从上世纪70年代美国密歇根大学Holland提出遗传算法以来，各种智能优化算法如雨后春笋般涌出，比如粒子群优化算法、差分进化算法、人工蜂群算法等。特别是近10年来，澳大利亚格里菲斯大学Seyedali Mirjalili提出了诸如灰狼优化算法、鲸鱼优化算法、飞蛾扑火优化算法等10余种智能优化算法，让人惊掉下巴，哭笑不得。
　　 从最优化算法的设计原理上看，只要产生候选解（或解集）和更新当前解（或解集）的机制稍微不一样，就是一种不同的最优化算法，这也不难理解如今为什么会有如此名目繁多的最优化算法。可是这些所谓的“智能优化算法”真的是智能优化算法么？！
　　 抛开那些“挂羊头卖狗肉”的所谓群体智能或生物启发机制不论，本文从另一个角度阐述为什么只有状态转移算法才是真正意义上的智能优化算法，其它的都是“假冒伪劣”！
　　
2 几种智能优化算法简介
　　 下面就几种常见的智能优化算法进行介绍。
　　 2.1 遗传算法简介
　　 遗传算法（Genetic Algorithm，GA）是20世纪六七十年代由美国密歇根大学的Holland教授创立，它是一类模拟自然界遗传机制和生物进化论的随机搜索算法。遗传算法从代表最优化问题可能潜在解集的一个种群开始，首先将表现型映射到基因型，即编码，从而将解空间映射到编码空间，每个编码对应问题的一个解，称为染色体或个体。初始种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体，并借助自然遗传学进行组合交叉和变异，产生出代表新的解集的种群。这个过程使种群像自然进化一样，后代种群比前代更加适应于环境。
　　 遗传算法里两种经典操作，交叉和变异，示意图分别如下：
　　
　　

图 1 交叉操作
　　
　　 图 2 变异操作
　　
　　 2.2 粒子群优化算法简介
　　 粒子群优化算法(Particle Swarm Optimization，PSO) 由Eberhart和Kennedy博士于1995年提出，其思想源于对鸟群觅食过程的模拟，通过鸟之间的相互协作完成食物的搜寻。PSO算法把优化问题的解域类比为鸟类的飞行空间，将优化问题的候选解类比为鸟群中的鸟，每只鸟抽象为飞行空间内一个无质量无体积的微粒，问题需搜寻的最优解则等同于鸟群要寻找的食物。鸟群在觅食过程中，有时候需要分散的寻找，有时候需要鸟群集体搜寻，即时而分散时而群集。对于整个鸟群来说，它们在找到食物之前会从一个地方迁移到另一个地方，在这个过程中总有一只鸟对食物的所在地较为敏感，对食物的大致方位有较好的侦查力，从而，这只鸟也就拥有了食源的较为准确信息。在鸟群搜寻食物的过程中，它们一直都在互相传递各自掌握的食源信息，特别是这种较为准确的信息。所以在这种“较准确信息”的吸引下，使得鸟群都集体飞向食源，在食源的周围群集，最终达到寻找到食源的结果。
　　 粒子群优化算法中的速度和位置更新公式如下：
$$\begin{array}{l}{v}_{id}^{t+1}=w{v}_{id}^t+c_1{r}_1\left(p_{id}^t-x_{id}^t\right)+c_2{r}_2\left(p_{gd}^t-x_{id}^t\right)\\ x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1}\end{array}$$
其中 $x_{id}^t$表示在 $t$时刻第 $i$个粒子第 $d$维的位置， $v_{id}^t$表示在 $t$时刻第 $i$个粒子第 $d$维的速度， $w$代表惯性权重， $c_1,c_2$分别代表自我和社会学习因子，