EDAs（Estimation of Distribution Algorithms）是一类基于概率模型的进化优化算法。与传统遗传算法（Genetic Algorithms，GA）相比，EDAs 用分布学习 + 采样替代了交叉与变异算子，因此在结构表示能力、稳定性与全局搜索性能方面具有显著优势。
虽然 EDAs 与 GA 均属于基于种群的随机优化算法，但 EDAs 引入概率模型后具备了一系列关键优势：
本文解释为什么机器学习模型需要“假设”才能发挥作用，以及为什么不存在适用于所有任务的万能算法。
无免费午餐定理说明：
如果所有可能的任务（或目标函数）都等概率出现，则任何两个学习/优化算法的平均性能完全相同。
数学表达：
在智能优化算法的发展中，元启发式方法（Metaheuristics）因其通用性、可扩展性以及对复杂黑箱问题的强适应性而成为人工智能优化的重要组成部分。本文将系统整理元启发式算法在“是否基于模型（Model-Based vs. Model-Free）”这一维度下的分类及其特点，为从事智能优化研究或工程实践的读者提供清晰的知识结构。
传统的分类方式主要从灵感来源、解空间结构或种群规模等角度进行划分。然而，随着机器学习（ML）和优化技术的深度融合，基于模型的优化策略不断涌现，逐渐成为提升求解效率的关键技术路径。因此，“是否构建模型”成为智能优化领域一个越来越重要的视角。
整理常见、实用的 Ubuntu 命令，按场景分类速查。
| 功能 | 命令示例 | 说明 |
|---|---|---|
| 查看当前路径 | pwd |
打印当前工作目录 |
| 列出文件 | ls -l / ls -al |
显示详细列表 / 包含隐藏文件 |
| 进入目录 | cd /path/to/dir |
切换工作目录 |
| 返回上级目录 | cd .. |
返回上一级目录 |
| 创建目录 | mkdir "mydir" |
新建目录 |
| 创建多级目录 | mkdir -p "a/b/c" |
一次创建多层 |
| 删除文件 | rm "file.txt" |
删除单个文件 |
| 删除目录 | rm -rf "dirname" |
强制删除目录及内容 |
| 复制文件 | cp file1 file2 |
复制文件 |
| 复制目录 | cp -r dir1 dir2 |
递归复制目录 |
| 移动或重命名 | mv old new |
移动或重命名文件或目录 |
| 查看文件内容 | cat file / less file / head -n 10 file |
快速查看文件内容 |
| 搜索文件 | find / -name "*.conf" |
查找配置文件 |
| 查找文本 | grep "pattern" filename |
按内容搜索文件 |
| 压缩文件 | tar -czvf archive.tar.gz folder |
创建压缩包 |
| 解压文件 | tar -xzvf archive.tar.gz |
解压压缩包 |
Linux 是一套稳定、安全、强大的开源操作系统，它支撑着世界上绝大多数服务器、云计算平台和开发环境。
本篇旨在帮助初学者建立对 Linux 的整体认识，理解它的思想、结构与使用方式。
在随机算法、蒙特卡罗模拟或概率建模中，我们常常希望从某个特定分布中生成随机变量样本。
然而，大多数编程语言或计算机硬件只提供均匀分布的随机数生成器，例如：
KNN（K-Nearest Neighbors，K 最近邻算法） 是一种基于实例的监督学习算法，用于分类和回归问题。
核心思想：
“物以类聚”——一个样本的类别大概率与它距离最近的样本类别相同。
KNN 不构建显式模型，而是直接利用训练样本进行预测，因此属于：
多项式变异（Polynomial Mutation）是一种连续变量的变异算子，广泛应用于进化算法（如 NSGA-II、MOEA/D）中。
其主要思想是：
通过一个可调的多项式分布实现“小扰动概率高，大扰动概率低”的变异机制，
以维持种群多样性并防止早熟收敛。
设个体的第 个决策变量为 ，定义域为 。
变异操作为：
传统遗传算法多使用二进制编码与单点交叉。
但在实际优化问题中，更自然的表示通常是实数编码。
因此，需要一种方法让实数编码的交叉操作仍然具备二进制交叉的特性。
SBX（Simulated Binary Crossover） 由 Deb 和 Agrawal（1995）提出，
其目标是在实数空间中模拟二进制交叉的“统计行为”。