1. 學習了可求解問題、難求解問題和不可計算問題的概念：可求解問題 – 計算機在有限時間內能夠求解的問題；難求解問題 – 計算機在有限時間內不能求解的問題；不可計算問題 – 計算機完全不能求解的問題。

2. 學習了P類問題，Np類問題和NPC類問題的概念，以及他們的包含關系，NPC類問題的求解方法：窮舉法或遍歷法。

3. 學習了遺傳算法的生物學起源，包括各種基本概念：種群、個體、染色體、基因、基因型、表現型、個體適應度、選擇、復制交配、雜交和突變，以及他們各自在遺傳算法中的概念映射。

4. 學習了遺傳算法求解過程模擬和遺傳算法基本框架和設計要點（重點理解過程和設計思路，詳情見PDF課件）

5. 學習了遺傳算法為什麽可以求解NPC類問題的基本思想：1. 隨機搜索法；2：導向性隨機搜索法；3. 導向性群（體）隨機搜索法。學習了遺傳算法的使用條件：1）對於NP問題，沒有其他更好的算法可以使用；2）已知“解空間”，即可能解的表現型和基因型；3）關於可能解的“適應度”函數的計算方法，即有一個函數可以確定可能解是否接近精確解的程度或方向。

6. 學習了使用遺傳算法求解應用問題的方法和思路：1）一維的集覆蓋問題 – 會議室租用問題；航班機組成員選擇問題；軟件測試用例選擇問題。2)二維集覆蓋問題 – 課程表優化問題。註意一維問題中，每一行只需被選出的列覆蓋即可，不需要確定行與列的唯一確定關系，而二維問題中，每一行都必須有確定的列與之對應。

7. 學習了遺傳算法的設計要點：1）可能解的產生 – 可能解的形式怎樣？怎樣產生待判定的可能解？產生多少個待判定的可能解？進化的代數為多少？2）判斷可能解是否是問題的解 – 適應度，選擇標準和滿意解的判斷。最後具體學習了可能解、可行解、近似解、滿意解和最優解的概念，以及它們的包含關系。

8. 學習了2)二維集覆蓋問題 – 課程表優化問題的解形式（表現型）與編碼（基因型），以及可能解如何進行交叉操作（體現可能解策略的多樣性）：1）兩段交叉；2）等距離多段交叉；3）不等距離多段交叉；4）行交叉；5）列交叉；6）塊交叉、點交叉。

9. 學習了策略性選擇的隨機性，以及策略選擇需要折中：是需要更加廣泛的解空間，增加獲得最優解的概率，但時間增加，還是選擇壓縮搜索空間以換取更多的時間？

10 學習了變異操作（算法中要有，但不能過於頻繁），以及它的目的：1）使遺傳算法具有局部的隨機搜索能力；2）使遺傳算法可維持群體多樣性。

11. 學習了終止運行的條件：1）進化次數限制；2）計算耗費的資源限制；3）已達到最優值；4）適應度已經達到飽和；5）人為幹預；6）以上兩種或多種組合。

12. 最後學習了算法的3個延伸思考題：1）遺傳算法的收斂速度和解的質量關系 – 執行相同次數的叠代後，近似率高的算法更好；到達期望滿意解，叠代次數越少越好；當不同算法應用多次後，求得滿意解次數越多，該算法越好。2）各項參數對收斂速度和解質量的關系，特別是初始種群規模大小的影響；3）染色體編碼中“遺傳基因”的判斷問題，以及怎樣在後續叠代中保存該基因，而不被破壞的問題

計算機導論第八章-總結