粒子群算法，遗传算法，人工蜂群算法都属于进化算法么

粒子群算法（pso）和遗传算法(ga)都是优化算法，都力图在自然特性的基础上模拟个体种群的适应性，它们都采用一定的变换规则通过搜索空间求解。
 pso和ga的相同点：
 (1)都属于仿生算法。pso主要模拟鸟类觅食、人类认知等社会行为而提出；ga主要借用生物进化中“适者生存”的规律。
 (2)都属于全局优化方法。两种算法都是在解空间随机产生初始种群，因而算法在全局的解空间进行搜索，且将搜索重点集中在性能高的部分。
 (3)都属于随机搜索算法。都是通过随机优化方法更新种群和搜索最优点。pso中认知项和社会项前都加有随机数；而ga的遗传操作均属随机操作。
 (4)都隐含并行性。搜索过程是从问题解的一个集合开始的，而不是从单个个体开始，具有隐含并行搜索特性，从而减小了陷入局部极小的可能性。并且由于这种并行性，易在并行计算机上实现，以提高算法性能和效率。
 (5)根据个体的适配信息进行搜索，因此不受函数约束条件的限制，如连续性、可导性等。
 (6)对高维复杂问题，往往会遇到早熟收敛和收敛性能差的缺点，都无法保证收敛到最优点。
 pso和ga不同点
 (1)pso有记忆，好的解的知识所有粒子都保存，而ga没有记忆，以前的知识随着种群的改变被破坏。
 (2)在ga算法中，染色体之间相互共享信息，所以整个种群的移动是比较均匀地向最优区域移动。pso中的粒子仅仅通过当前搜索到最优点进行共享信息，所以很大程度上这是一种单项信息共享机制，整个搜索更新过程是跟随当前最优解的过程。在大多数情况下，所有粒子可能比遗传算法中的进化个体以更快速度收敛于最优解。
 (3)ga的编码技术和遗传操作比较简单，而pso相对于ga，不需要编码，没有交叉和变异操作，粒子只是通过内部速度进行更新，因此原理更简单、参数更少、实现更容易。
 (4)在收敛性方面，ga己经有了较成熟的收敛性分析方法，并且可对收敛速度进行估计；而pso这方面的研究还比较薄弱。尽管已经有简化确定性版本的收敛性分析，但将确定性向随机性的转化尚需进一步研究。
 (5)在应用方面，pso算法主要应用于连续问题，包括神经网络训练和函数优化等，而ga除了连续问题之外，还可应用于离散问题，比如tsp问题、货郎担问题、工作车间调度等。