在连续状态转移算法中， 是一个连续变量，设计了四个特殊的状态转换算子来产生新的候选解。
状态转移算法状态转换算子
(1) 旋转变换（Rotation Transformation, RT）
这里 是一个正常数，称作旋转因子， 是一个随机矩阵，它里面的每个元素服从[-1,1]的均匀分布， 表示向量的二范数。旋转变换具有在半径为 的超球体内搜索的功能。
(2)平移变换（Translation Transformation, TT）
这里 是一个正常数，称作平移因子， 是一个服从[0,1]均匀分布的随机变量。平移变换具有沿着从点 到点 直线上并以 为起点最大长度为 进行线搜索的功能。
(3)伸缩变换（Expansion Transformation, ET）
这里 是一个正常数，称作伸缩因子， 是一个随机对角矩阵，它里面的每个元素服从高斯分布。伸缩变换具有使 中的每个元素伸缩变换到 的功能，从而实现在整个空间进行搜索。
(4)坐标搜索（Axesion Transformation, AT）
这里 是一个正常数，称作坐标因子， 是一个随机对角稀疏矩阵，它只在某个随机位置有非零元素，且该元素服从高斯分布。坐标搜索具有沿着坐标轴方向搜索的功能，它的目的是为了增强单维搜索能力。
状态转移算法邻域和采样
对于一个给定的当前状态 ，下一个状态 是通过上面介绍的状态变换算子产生的。考虑到状态转移矩阵的随机性，可知产生的候选解不是唯一的。不难想象，对于给定的 ，当利用某种状态变换算子时，产生的所有候选解将自动形成一个邻域。
对于给定的 ，考虑到状态转移矩阵中的元素服从某种随机分布，产生的候选解是一个随机向量，它对应的特定值可以看成一个样本。此外，对于某种状态变换算子和给定当前状态，考虑到其对应的状态转移矩阵的产生是独立的，当独立运行多次后，比如独立运行SE次后，将会产生SE个样本。
状态转移算法更新策略
在给定当前最好解 的基础上，对于某种状态变换算子，利用上面阐述的采样策略，将会产生SE个候选解。记SE个候选解中的最好解为 ，则通过如下的策略来更新当前最好解
, if
, otherwise
状态转移算法基本连续状态转移算法的流程
基本连续状态转移算法由上面介绍的状态变换算子，采样机制与更新策略融合而成，其算法的流程如下：
Step 1：随机产生一个初始解 ，设置算法参数 1e-4,
Step 2: 基于当前最好解 ，利用伸缩变换操作产生SE个样本，并利用更新策略更新当前最好解，如果当前最好解有变动，执行平移变换操作并以同样的机制更新当前最好解 。
Step 3: 基于当前最好解 ，利用旋转变换操作产生SE个样本，并利用更新策略更新当前最好解，如果当前最好解有变动，执行平移变换操作并以同样的机制更新当前最好解 。
Step 4: 基于当前最好解 ，利用坐标搜索操作产生SE个样本，并利用更新策略更新当前最好解，如果当前最好解有变动，执行平移变换操作并以同样的机制更新当前最好解 。
Step 5: 置 ，如果 ，置 ，否则置 ，然后重返Step2直到终止条件满足。
状态转移算法基本连续状态转移算法背后的原理
；
且假定 存在，根据单调收敛定理可知序列 是收敛的；
