今天在編寫python粒子群尋優時，在定義計算適應度函數中，我將適應度先初始化為每個粒子位置X(ndarray)的第一個參數，然后通過索引使一些粒子的適應度改為-1000。

　　但是發現結果總是不收斂，而且跳來跳去，仔細調試了一會才發現問題出在傳參上，還是基礎掌握的不牢固。

　　在fitness = X[:, 0]這一句中，python實際上并未分配新的內存空間給變量fitness，而是將fitness作為引用指向X[:, 0]所在內存地址，于是在通過索引修改fitness的值時，粒子的位置X也受到修改，因此造成結果不對。

　　所以在用numpy中的深拷貝.copy()代替直接賦值=后，即fitness = (X[:, 0]).copy()，問題得到解決。

　　一般來說：

　　如果函數收到的是一個可變對象（比如字典或者列表）的引用，就能修改對象的原始值。

　　如果函數收到的是一個不可變對象（比如數字、字符或者元組）的引用，就不能直接修改原始對象。

　　通過搜索：

在python中，不可變對象是共享的，創建可變對象永遠是分配新地址

　　有以下例子供思考：

　　我們將a, b都賦值為1，可以看到a, b的地址相同，這時如果我們將b+1：

　　此時b與c的地址相同，即不可變對象的值是共享的。程序只會在第一次給2分配內存地址，之后再創建值為2的變量時，都會指向內存中同一個2，而不是重新分配一個內存地址寫入2。

　　但是對于可變對象，即使兩個變量的值相同，其內存也會不同：

　　我們可以觀察到，對于c = c + [3]，程序重新分配了內存空間，符合創建可變對象永遠是分配新地址。而對列表a使用內置方法pop后，即使列表內容修改，地址也不會改變，不像第一個例子將b修改為2后b的地址也發生改變。同樣對于直接修改列表中的值也一樣，也就是我一開始碰到的問題。

　　參考得：

　　對于int, float, bool, str, tuple等不可變對象，變量值的改變本質上是該引用變量指向的改變，而原來那塊內存的值是不變的。

　　可變對象的改變為原內存處值的改變，對于一個列表a，如果將其直接賦值給b，則a與b同時引用一個列表，一方改變，兩者同變。

　　但是注意列表的這個改變應該限于內置方法以及通過索引修改列表內單元的值(?)，就是因為創建可變對象永遠是分配新地址，如下面例子：

　　總結：

我們沒有必要去討論函數傳參是傳值還是傳址，我們只需要注意傳給函數可變對象（比如字典或者列表）的引用，就會有破壞對象的原始值的風險，就像C++中將數組地址傳給函數一樣。其次我們需要記住：在python中，不可變對象是共享的，創建可變對象永遠是分配新地址！

所以最開始的那個問題，我們甚至可以通過fitness = X[:, 0] * 1來代替深拷貝.deep()，因為此時fitness已經指向新的地址。