1.调整vp中人口调整策略
    2.macnp里面很多参数都可以考虑程序自调整。
    3.多样性检查

    1.遗传算法（Genetic Algorithm）
    文化因子算法（Memetic Algorithm）：把变异操作替代为启发式搜索local search
    在文化基因算法中,用了智能体 （agent,实际上agent在此译为“代表”更加恰当）的概念,遗传操作的对象并不是种群空间中的普通个体,而是各局部区域推选出的优秀代表,遗传操作的结果是选出那些适应性强的优秀代表,同时也产生一些交叉作用后新的个体,这些新个体可能属于一些新的区域,在下一代的局部搜索中它们会被附近的优秀个体取代,然后再进行进一步的全局进化。 这种局部与全局的混合搜索机制显然要比单纯在普通个体间搜索的进化效率高得多。Pablo Moscato提出了一种基于竞争式作为文化基因算法的一个例子：对于一个给定的优化问题，可以先确定一定数量的初始个体，这些个体的状态可以是随机的，也可以根据某个启发式机制来确定，随后对每个个体都进行局部搜索，通过局部搜索提高个体适应度使种群达到一定的预备状后，就可以进行个体与个体之间的相互操作，这种相互作用可以是相互竞争，也可以是相互协作。相互竞争的操作类似于遗传算法中的个体选择过程，相互协作行为可以理解为遗传算法中的交叉机制或者其他产生新个体的方法，也可以更概括性的理解为信息的交换过程。局部搜索、竞争、协作操作都是循环进行的，知道满足终止条件。

    2.VPMS那篇论文里面，的确证明了在加入可变的人口策略可以提高MS的的质量。他们提出了VPMScnp（人口可变），对比FPMS（人口不可变），f best对比上，他们赢了14个例子，打平20个，输了7个，但是并没有显著优于FPMS（置信度95%）；f avg对比上，他们赢了25个例子，打平10个例子，输了7个例子，显著优于FPMS（置信度95%）。
    加了VP的MACNP与没加VP的MACNP，这里f best只输了一个例子，f avg只输了两个例子。

    3.VPMS
    1.Population Building创建两个初始解
    2.Solution Construction产生后代
    3.Local Improvement解的优化
    4.Population Updating优化后的后代加入人口
    5.Population Sizing人口大小调整

    4.VPMScnp
    Double Backbone-based Crossover用于Solution Construction产生后代
    1.S1∩S2；2.从S1∪S2中概率提取元素；3.调整新解（add from V \ (S1 ∪ S2) or remove from the new solution）；4.本地优化

    Diversified Late Acceptance Search: 用于Local Improvement本地优化
    原本是Late Acceptance Hill Climbing爬山法：用一个HL大小的array（初始化为初始解的适应度），每次第iters个新解跟第（iters % HL）的值比较，适应度更高则接受。
    优化为：f(S) > array[v] || (f(S) < array[v] && f(S) < f prev)