秦小瑜无疑是一个人才，对程序设计的悟性非常之高。更主要的是他非常清楚自己的不足之处，全心全力去完善和增加自己的知识。他一见到吴秦就亲热地叫“师父”。提出编程中遇到的N个问题。

吴秦将这些问题一一化解。他不是告诉秦小瑜具体怎么去解答某个问题，而是引导他如何去自己解决这些问题。在授之以鱼还是渔的问题上，吴秦第一次全心全力地帮助一个人。照他的估计，小瑜将有能力在两年之内变成一个能够设计大型架构的程序工程师。

除了大将之才，吴秦更需要专才，他决定试一试秦小瑜在人工智能编程方面的才能。

以前编过一个车间调度管理系统，核心的调度方案最优选择涉及到遗传算法。吴秦开始给秦小瑜讲解遗传算法的具体应用。

虽然吴秦讲解得非常的清晰和条理，小瑜的帅气的脸还是因为强烈的思维冲击而变形，看得一旁的姐姐有点儿心疼。

遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。这一点体现了自然界中“物竞天择、适者生存“进化过程。1962年Holland教授首次提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方面，并奠定了坚实的理论基础。

吴秦似乎意犹未尽，继续讲模拟退火算法。

模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。

吴秦用这些原理以具体的案例来指导秦小瑜掌握这些人工智能算法。

秦小瑜虽然学得很苦，可是也很兴奋，因为这些以前只在书本上理论出现的知识，到了吴秦的嘴里，却可以非常清晰和真实，让秦小瑜觉得以前那些老师都是骗子，自己根本就没有掌握这门知识，却偏偏一副为人师表的虚伪像。 本章未完，请点击下一页继续阅读！ 第1页/共4页