首先，祝老师和大家新年快乐，感谢遇见~2018 年我还有很长的路要走，希望与大家共同成长。

其次，今天的学习有些烧脑，基本思想容易掌握，可是后面关于启发式算法的介绍就有些难了。

从直觉上看，我能够理解启发式算法产生的动机与优势，让机器更快更高效地找到符合生存法则的最优解，而不是在搜索式算法中只是在约束条件下进行计算。因而，我认为启发式算法会更有前景，一方面是具备一定的后验知识，模拟自然界的状态与结果，更有目的性，另一方面提升算法性能与效率。希望随着后面的知识与补充资料能够学习更多的实例，当然如果有类比，我们理解起来就就更方便了。

极客时间
打卡第一天(2/21):
<<人工智能基础课04>>
最优化方法
独立思考,回答老师问题:在最优化方法中，基于数学定理的搜索式算法和基于仿生学原理的启发式算法，哪一种能够在人工智能的发展中发挥更大的作用呢？
参考诸多文章:最优化算法有三要素：变量（Decision Variable）、约束条件（Constraints）和目标函数（Objective function）
我觉得,最优化问题,基于特定的环境,用特定的处理方法,不一定哪个都能通吃全局;
今日所学:优化算法分类：
精确算法(绝对最优解)和启发式算法（近似算法）;
精确算法包括线性规划、动态规划、整数规划和分支定界法等运筹学中的传统算法，其算法计算复杂性一般很大，只适合于求解小规模问题，在工程中往往不实用。
启发式方法指人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案
。
领域搜索算法分为两类:局部搜索法(爬山算法)和指导性搜索法(SA、GA、EP、ES和TS);
群体智能算法:粒子群算法(PSO),蚁群算法(ACO),人工蜂群算法(ABC),人工鱼群算法(AFSA),混洗蛙跳算法(SFLA),烟花算法(FWA),细菌觅食优化(BFO),萤火虫算法(FA);