『壹』 C++演算法的書籍（適合初學的）
一般來說，清華大學出版社的計算機書是最好的，主要有
1.《C++語言基礎教程(第2版)》
出版社：清華大學出版社
作者：呂鳳翥
書中全面、系統地講述了 C++語言的基本概念、基本語法和編程方法，較詳盡地講述了 C++語言面向對象的重要特徵： 類和對象、繼承和派生類、多態性、虛函數、函數模塊和類模板等內容。本書具有豐富的例題，每章後面均備有相當數量的練習題和作業題。 全書通俗易懂，由淺入深，突出重點，偏重應用。本書不僅可作為高等學校 C++語言課程的教材，還可作為 C++語言的自學教材
2.《面向對象程序設計與C++語言（第二版）》
出版社：人民郵電出版社
作者：楊庚/王汝傳/葉曉國
本書系統地介紹了面向對象技術及C++語言的相關知識。內容包括面向對象技術的概念和特徵、C++語言基礎、類和對象、派生與繼承、虛函數與多態性、模板、運算符重載、輸入/輸出流庫、異常處理等。 本書注重基本概念，從實際應用出發，突出重點，敘述清楚，深入淺出，論述詳盡，使讀者既能深刻領會面向對象程序設計的思想，了解面向對象程序設計的特徵，又能掌握C++語言的...
3.《C++語言程序設計教程》
出版社：清華大學出版社
作者：楊進才/沈顯君/劉蓉
C++語言是目前最為流行的程序設計語言，它既支持面向過程的結構化程序設計，也支持基於對象的面向對象程序設計。本書依據ANSI C++標准，從面向過程的編程到面向對象的編程方法展開，形成一條自然流暢的主線，同時兩個部分又自成體系，以滿足不同基礎與需求的學習者。內容包括：C++編程簡介、數據類型與表達式、控制結構、函數、構造數據類型、C++程序的結構、類與對象、繼承
4.《C/C++程序設計教程》
出版社：機械工業出版社
作者：秦維佳/傘宏力/侯春光/孟艷紅
本書是《C／C++程序設計教程》的配套學習輔導用書。. 全書共分12章，內容包括C／C++語言程序設計初步，C語言的數據類型及表達式，結構化程序設計，數組、函數與指針的概念和實例，結構體與共用體，位運算與文件的概念，面向對象程序設計，類的繼承與多態，C++的I／O流。每章包括知識體系、學習要點、上機實訓、習題和參考答案。.. 本書可供初學者學習C語言，也可供...
5.《C++程序設計基礎導學》
出版社：科學出版社
作者：趙海廷/嚴運國
本書為是實踐訓練環節必不可少的輔助教材。本書按照《C++程序設計基礎》的順序組織編撰，由基本要求、內容小結、典型例題分析、習題、實驗及習題參考答案組成。本書的目的是通過典型例題剖析、習題和實驗環節來鞏固所學的理論知識，提高學生的實踐操作水平。 本書適用高職高專的理工科學生，也適合於C++語言的初學者，還可供普通高校理...
『貳』 進化演算法入門讀書筆記（一）
這里我參考學習的書籍是：
《進化計算的理論和方法》，王宇平，科學出版社
《進化優化演算法：基於仿生和種群的計算機智能方法》，[美]丹·西蒙，清華大學出版社。
進化演算法是 求解優化問題 的一種演算法，它是 模仿生物進化與遺傳原理 而設計的一類隨機搜索的優化演算法。
不同的作者稱進化演算法有不同的術語，以下。註：這里僅列舉出了我自己比較容易混淆的一些，並未全部列出。
進化計算： 這樣能強調演算法需要在 計算機上 實施，但進化計算也可能指不用於優化的演算法（最初的遺傳演算法並不是用於優化本身，而是想用來研究自然選擇的過程）。因此，進化優化演算法比進化計算更具體。
基於種群的優化： 它強調進化演算法一般是讓問題的候選解 種群 隨著時間的進化以得到問題的更好的解。然而許多進化演算法每次迭代只有單個候選解。因此，進化演算法比基於種群的優化更一般化。
計算機智能/計算智能： 這樣做常常是為了區分進化演算法與專家系統，在傳統上專家系統一直被稱為人工智慧。專家系統模仿演繹推理，進化演算法則模仿歸納推理。進化演算法有時候也被看成是人工智慧的一種。計算機智能是比進化演算法更一般的詞，它包括神經計算、模糊系統、人工生命這樣的一些技術，這些技術可應用於優化之外的問題。因此，進化計算可能比計算機智能更一般化或更具體。
由自然啟發的計算/仿生計算： 像差分進化和分布估計演算法這些進化演算法可能並非源於自然，像進化策略和反向學習這些進化演算法與自然過程聯系甚微。因此，進化演算法比由自然啟發的演算法更一般化，因為進化演算法包括非仿生演算法。
機器學習： 機器學習研究由經驗學到的計算機演算法，它還包括很多不是進化計算的演算法，如強化學習、神經網路、分簇、SVM等等。因此，機器學習比進化演算法更廣。
群智能演算法： 一些人認為群智能演算法應與進化演算法區分開，一些人認為群智能演算法是進化演算法的一個子集。因為群智能演算法與進化演算法有相同的執行方式，即，每次迭代都改進問題的候選解的性能從而讓解的種群進化。因此，我們認為群智能演算法是一種進化演算法。
進化演算法的簡單定義可能並不完美。在進化演算法領域術語的不統一會讓人困惑，一個演算法是進化演算法如果它通常被認為是進化演算法，這個戲謔的、循環的定義一開始有些麻煩，但是一段時間後，這個領域工作的人就會習慣了。
優化幾乎適用於生活中的所有領域。除了對如計算器做加法運算這種過於簡單的問題，不必用進化演算法的軟體，因為有更簡單有效的演算法。此外對於每個復雜的問題，至少應該考慮採用進化演算法。
一個優化問題可以寫成最小化問題或最大化問題，這兩個問題在形式上很容易互相轉化：
函數 被稱為目標函數，向量 被稱為獨立變數，或決策變數。我們稱 中元素的個數為問題的維數。
優化問題常常帶有約束。即在最小化某個函數 時，對 可取的值加上約束。不舉例。
實際的優化問題不僅帶有約束，還有多個目標。這意味著我們想要同時最小化不止一個量。
例子：
這里評估這個問題的一種方式是繪制 作為函數 的函數的圖：
如圖，對在實線上的 的值，找不到能同時使 和 減小的 的其他值，此實線被稱為 帕累托前沿 ，而相應的 的值的集合被稱為帕累托集。（此處的帕累托最優問題十分重要，可以參考這個鏈接來學習和理解： 多目標優化之帕累托最優 - 知乎 ，非常清晰易懂。）
該例子是一個非常簡單的多目標優化問題，它只有兩個目標。實際的優化問題通常涉及兩個以上的模目標，因此很難得到它的帕累托前沿，由於它是高維的，我們也無法將它可視化。後面的章節將會仔細討論多目標進化優化。
多峰優化問題是指問題不止一個局部最小值。上例中的 就有兩個局部最小值，處理起來很容易，有些問題有很多局部最小值，找出其中的全局最小值就頗具挑戰性。
對於前面的簡單例子，我們能用圖形的方法或微積分的方法求解，但是許多實際問題除了有更多獨立變數、多目標，以及帶約束之外更像上面的Ackley函數這樣，對於這類問題，基於微積分或圖形的方法就不夠用了，而進化演算法卻能給出更好的結果。
到現在為止我們考慮的都是連續優化問題，也就是說，允許獨立變數連續地變化。但有許多優化問題中的獨立變數智能在一個離散集合上取值。這類問題被稱為組合優化問題。如旅行商問題。
對於有 個城市的旅行商問題，有 個可能的解。對於一些過大的問題，硬算的方法不可行，像旅行商這樣的組合問題沒有連續的獨立變數，因此不能利用導數求解。除非對每個可能的解都試一遍，不然就無法確定所得到的組合問題的解是否就是最好的解。進化演算法對這類大規模、多維的問題，它至少能幫我們找出一個好的解（不一定是最好的）。