就拿仿生算法中的粒子群优化算法p来说。这种算法模拟的是鸟群的捕食行为。
设想这样一个场景：一群鸟在随机搜索食物，在这个区域里只有一块食物。
所有的鸟都不知道食物在那里，但是它们知道当前的位置离食物还有多远。
那么找到食物的最优策略是什么呢，最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
p算法就是从这种模型中得到启示并用于解决优化问题。
但是。不同的仿生算法之间，也有很多不同的。
就拿同属于仿生算法的遗传算法和p算法做比较，p算法没有遗传算法中的交叉和变异。而是根据自己的速度来决定搜索。
而且它的粒子还有一个重要的特dian，就是有记忆。
与遗传算法比较, p算法的信息共享机制是完全不同的。
在遗传算法中。染色体互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。
在p算法中, 只有bs(or bs)给出信息给其他的粒子。这是单向的信息流动，整个搜索更新过程是跟随当前最优解的过程，与遗传算法比较, 在大多数的情况下，所有的粒子可能更快的收敛于最优解。
但这份资料中所列举的仿生算法，却是将仿生算法中一些类似的过程总结了出来。
比如它首先对种群随机初始化，然后对种群内的每一个个体计算适应值，适应值与最优解的距离直接有关种群根据适应值进行复制，如果终止条件满足的话，就停止，否则转步骤二。
杨林并不知道政府方面已经开始对矩阵语言进行研究，事实上就算知道了也无所谓，反正半个月后，矩阵语言就会向外界公布，到时候恐怕无论哪个国家都会投入到这样的研究中去。
之后的两天，杨林又分别参加了人工智能和机器人峰会、创新大赛及投资峰会以及移动互联网人才峰会，几乎每一次露面，他都会成为与会人员的关注焦dian和记者们追逐的目标。
由于矩阵语言还没有正式公布，几乎所有人都想从杨林口中探出一些这种语言的风声。
可惜一旦涉及到这样的话题，杨林便会选择婉拒，告诉对方在半个月后的矩阵语言开发者大会上自然就会知晓。
杨林并不知道政府方面已经开始对矩阵语言进行研究，事实上就算知道了也无所谓，反正半个月后，矩阵语言就会向外界公布，到时候恐怕无论哪个国家都会投入到这样的研究中去。
之后的两天，杨林又分别参加了人工智能和机器人峰会、创新大赛及投资峰会以及移动互联网人才峰会，几乎每一次露面，他都会成为与会人员的关注焦dian和记者们追逐的目标。
由于矩阵语言还没有正式公布，几乎所有人都想从杨林口中探出一些这种语言的风声。
可惜一旦涉及到这样的话题，杨林便会选择婉拒，告诉对方在半个月后的矩阵语言开发者大会上自然就会知晓。(未完待续。。)</>