进化算法（EA）是一种随机优化方法，在过去的几十年中，经证明它们能有效解决许多现实难题。 但是直到现在，我们仍然缺乏有效的方法来表示和研究它们在各种环境中的集体行为，这对于进化计算的研究人员和工程师更好地理解算法非常有用。 本文是解决上述问题的初步方法。 我们尝试通过一种称为特征学习的方法来分析EA的一代式集体行为。 提出了一种基于慢特征分析（SFA）的无监督特征学习框架，用于从不同适应度环境下的多个EA的世代集体行为数据中提取判别特征，目的是找出搜索行为之间是否存在差异。在同一健身环境中运行的不同EA的数量； 以及在不同适应度环境下运行的一种算法的行为之间是否存在差异。 此外，还研究了健身环境与EA搜索行为之间的关系。 在实验中，选择了几种典型的EA和具有典型景观的经典基准功能作为研究对象。 在提取的特征空间中可视化并比较了各种EA的集体行为。

通过概率慢特征分析监控操作点和过程动态

程序原理来源：https://pberkes.github.io/software/sfa-tk/index.html

该算法可用于信号处理的多方面，盲源分离，特征提取，模式识别等等

slow feature analysis 慢特征分析matlab源代码，参考文献：Wiskott, L. and Sejnowski, T.J. (2002), "Slow Feature Analysis:Unsupervised Learning of Invariances",