有没有关于学习数学史的心得体会
第一、数学史可以帮助我们了解先遇到了怎样的问题，他们是怎样解决的，他们解决这些问题是怎样想到的，就为我们开拓了思路，提供了办法。
第二、从数学史的角度来看，中国近代数学落后的原因在于数学思想方法的落后，没能跟上数学发展的最前沿。
方已把极限、无穷小等概念烂熟之时，我们还只沉醉在一些算术的小技巧上。
第三、每一次的数学危机都是一次数学的革命，为我们带来了新的数学思想、方法。
根本性的改变了我们对数学、以及对整个世看法。
与其他知识部门相比，数学是门历史性或者说累积性很强的科学。
重大的数学理论总是在继承和发展原有理论的基础上建立起来的，它们不仅不会推翻原有的理论，而且总是包容原理论。
人们也常常把现代数学比喻成一株茂密的大树，它包含着并且正在继续生长出越来越多的分支。
数学史不仅是单纯的数学成就的编年记录。
数学的发展决不是一帆风顺的，在更多的情况充满忧郁、徘徊，要经历艰难曲折，甚至会面临危机。
数学史也是数学家们克服困难和战胜危机的斗争记录。
对这种记录的了解可使我们从前人的探索与奋斗中汲取教益，获得鼓舞和增强信心。
因此，可以说不了解数学史就能全面了解数学科学。
遗传算法实验报告
遗传算法实验报告专业：自动化姓名：张俊峰学号：13351067摘要：遗传算法，是基于达尔文进化理论发展起来的一种应用广泛、高效的随机搜索与优化方法。
本实验利用遗传算法来实现求函数最大值的优化问题，其中的步骤包括初始化群体、个体评价、选择运算、交叉运算、变异运算、终止条件判断。
该算法具有覆盖面大、减少进入局部解的风险、自主性等特点。
此外，遗传算法不是采用确定性原则而是采用概率的变迁规则来指导搜索方向，具有动态自适应的优点。
关键词：串集最优化评估迭代变异一：实验目的熟悉和掌握遗传算法的运行机制和求解的基本方法。
遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传、变异等操作以及达尔文的适者生存的理论，模拟自然进化过程来寻找所求问题的答案。
其求解过程是个最优化的过程。
一般遗传算法的主要步骤如下： （1）随机产生一个确定长度的特征字符串组成的初始种群。
。
（2）对该字符春种群迭代地执行下面的步骤a和步骤b，直到满足停止准则为止： a计算种群中每个个体字符串的适应值； b应用复制、交叉和变异等遗传算子产生下一代种群。
（3）把在后代中表现的最好的个体字符串指定为遗传算法的执行结果，即为问题的一个解。
二：实验要求已知函数y=f（x1,x2,x3,x4）=1\\\/(x12+x22+x32+x42+1),其中-5≤x1,x2,x3,x4≤5,用遗传算法求y的最大值。
三：实验环境操作系统：Micro
求高手指点遗传算法或者模拟退火算法在中小学排课算法中的应用，现在没有一点头绪，求指点
可以到网上搜一搜这方面的小论文看看，就有头绪了。
比如你搜“遗传算法在中小学排课系统中的应用”就能找到好多文章。
遗传算法的优缺点
遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.。
数值方法求解这一问题的主要手段是迭代运算。
一般的迭代方法容易陷入局部极小的陷阱而出现死循环现象，使迭代无法进行。
遗传算法很好地克服了这个缺点，是一种全局优化算法。
生物在漫长的进化过程中，从低等生物一直发展到高等生物，可以说是一个绝妙的优化过程。
这是自然环境选择的结果。
人们研究生物进化现象，总结出进化过程包括复制、杂交、变异、竞争和选择。
一些学者从生物遗传、进化的过程得到启发，提出了遗传算法（GA）。
算法中称遗传的生物体为个体（individual），个体对环境的适应程度用适应值（fitness）表示。
适应值取决于个体的染色体（chromosome），在算法中染色体常用一串数字表示，数字串中的一位对应一个基因（gene）。
一定数量的个体组成一个群体（population）。
对所有个体进行选择、交叉和变异等操作，生成新的群体，称为新一代（newgeneration）。
遗传算法计算程序的流程可以表示如下[3]：第一步准备工作（1）选择合适的编码方案，将变量（特征）转换为染色体（数字串，串长为m）。
通常用二进制编码。
（2）选择合适的参数，包括群体大小（个体数M）、交叉概率PC和变异概率Pm。
（3）确定适应值函数f（x）。
f（x）应为正值。
第二步形成一个初始群体（含M个个体）。
在边坡滑裂面搜索问题中，取已分析的可能滑
遗传算法思想
首先初始化，包括种群的大小，编码的方案，遗传的代数，变异的概率，等等；然后进行选择操作；接着是将选择的个体进行交叉，；然后再进行选择，并将选择的个体进行变异；最后就是更新最优值了。
大体过程就是这样了。
遗传算法优点，要详细一些的
遗传算法是一种全局优化概率算法，主要的优点有1.遗传算法对所求解的优化问题没有太多的数学要求，由于他的进化特性，搜素过程中不需要问题的内在性质，对于任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续的都可处理。
2.进化算子的各态历经性使得遗传算法能够非常有效地进行概率意义的全局搜素。
3.遗传算法对于各种特殊问题可以提供极大的灵活性来混合构造领域独立的启发式，从而保证算法的有效性。
遗传算法有那些缺点
1、早熟。
这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部最优解。
2、大量计算。
涉及到大量个体的计算，当问题复杂时，计算时间是个问题。
3、处理规模小。
目前对于维数较高的问题，还是很难处理和优化的。
4、难于处理非线性约束。
对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支。
5、稳定性差。
因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。
大致这些，lz可查阅相关专业书籍
遗传算法的优缺点
遗传算法与传统的优化方法（枚举，启发式等）相比较，以生物进化为原型，具有很好的收敛性，在计算精度要求时，计算时间少，鲁棒性高等都是它的优点。
在现在的工作中，遗传算法（1972年提出）已经不能很好的解决大规模计算量问题，它很容易陷入“早熟”。
常用混合遗传算法，合作型协同进化算法等来替代，这些算法都是GA的衍生算法。
