Twiddle算法可以为一个计算误差的算法A去找到一个好的参数P。比如在PID调参中，一次调整一个参数，最终生成最优参数集，实现最优参数的搜索。
相较于梯度下降之类的算法的话，最大的优点就应该是简单了吧，不用去计算高维函数的梯度。
Talk is cheap, show me the code!
2.代码说明下面写一段伪Python代码来说明一下，在这里的话以PID为例。
# 我们为PID算法选取初始化参数构成参数向量p，顺序依次为拍P->I->D
# 因为这也符合PID整定的一般规则，先比例，后积分，再微分。
p = [0, 0, 0]
# 在这里我们定义初始的变化量
dp = [1, 1, 1]
# 这里的A(p)是计算误差的算法
best_err = A(p)
# 我们将误差的阈值设置为0.1，
threshold = 0.1
#如果dp的变化量和比我们设置的阈值大的话，执行循环操作
while sum(dp) > threshold:
for i in range(len(p)):
p[i] += dp[i]
err = A(p)
if err < best_err: # 误差比目前最好的误差更小则更新最好误差值
best_err = err
dp[i] *= 1.1
else: # 不然的话我们就将目前的参数朝另一个方向进行计算（这里减去2倍是因为刚才加了1次）
p[i] -= 2 * dp[i]
err = A(p)
if err < best_err: # 误差变优的话则更新
best_err = err
dp[i] *= 1.05
else: # 不然的话就说明目前的变化值设计的太大，既不能There was no improvement
p[i] += dp[i] # 这一步是为了让p[i]返回到这次循环前的值，即不加不减
dp[i] *= 0.95 # 减小变化值继续反复更新参数
