第一章算法概述第二章算法复杂性分析第三章算法设计的基.pptVIP

人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能,实现机器智能。有人把人工智能分成两大类：一类是符号智能，一类是计算智能。符号智能是以知识为基础，通过推理进行问题求解。也即所谓的传统人工智能。计算智能是以数据为基础，通过训练建立联系，进行问题求解。人工神经网络、遗传算法、模糊系统、进化程序设计、人工生命等都可以包括在计算智能。 传统的建立在梯度计算基础上的非线性规划类方法，当目标函数仅具有单极点时，通常表现出较高的计算效率，但当目标函数具有多极值点时，由于其本身固有的局部优化性及不稳健等缺陷，而被广泛认为不适于全局优化问题的求解。近二十年来，人们相继发展了许多求解全局优化问题的方法，一般可分为确定型与非确定型（如随机搜索）算法。Monto-Carlo方法及前面所讲的模拟退火算法都归属后者。当目标函数具有为数不多的极值点时，确定型算法常表现出较高的计算效率，但同时也暴露出算法复杂、对目标函数的性质要求高、可靠性差等缺点。相比而言，随机搜索方法具有较强的鲁棒性 * * * * 2003 高级算法设计与分析 第一章 算法概述 第二章 算法复杂性分析 第三章 算法设计的基本方法 第四章 图和网络的算法 第五章 计算几何 第六章 概率算法 第七章 NP完全性理论及近似算法 第八章 现代优化算法简介 *第九章 分布式算法简介 *第十章 加密算法简介 8-1 现代优化算法 （智能优化算法） 智能计算 借用自然界（生物界）规律的启迪，根据其原理，模仿设计求解问题的算法。如：人工神经网络、遗传算法、进 化规划、模拟退火和群集智能技术等. 优化问题 问题可描述为有n个输入(x1,x2,...xn),一组约束条件和一个目标函数。满足约束条件的输入称为可行解,它是输入的一个子集.使优化函数取得极值的可行解称为最优解. 这些方法主要针对NP类的优化问题寻求满足实际 需要的近优解或满意解，而非精确最优解。这些智能方法 也存在着收敛速度慢、易陷入局部最优解及对复杂约束处 理难等弱点。 局部搜索，模拟退火，遗传算法，禁忌搜索的一个形象比喻. 为了找出地球上最高的山，一群兔子开始想办法： 1．兔子朝着比现在高的地方跳去。他们找到了不远处的最高 山峰。但是这座山不一定是珠穆朗玛峰。这就是局部搜索 它不能保证局部最优值就是全局最优值。 2．兔子喝醉了。他随机地跳了很长时间，但他渐渐清醒了并 朝最高方向跳去。这就是模拟退火。 3．兔子们被下了丧失记忆地药，并被发射到太空，然后落到 了地球上地任意地方。他们不知道自己的使命是什么。但 是，如果你过几年就杀死一部分海拔底的兔子，多产的兔 子们自己就会找到珠穆朗玛峰。这就是遗传算法。 4. 兔子们知道一个兔的力量是渺小的。他们互相转告, 哪里 是平原, 估计不会出现高山; 哪里是山脉, 要多加注意等。 他们制定了下一步去哪里寻找的策略。这就是禁忌搜索. Procedure 迭代爬山法 { t=0; 初始化 best;. repeat local?false 随机选取一个当前点Vc ; 评估vc repeat 在vc的邻域中选择所有新点,从中找出使评估函数eval值 最优的点Vn. if eval(vn)好于eval(vc) then Vc ? Vn else local ? true until local t ? t+1 if Vc 好于 best then best ? Vc ; until t=max } * 爬山算法 随机爬山法: 若不是检查当前点vc 邻域的所有点来选出最好点, 而是 随机选取邻域中的任意点, 并以 一定的概率接受这个新点,接受概 率依赖于他们对应的评估函数之 间的差别. 爬山算法的弱点: 1.经常仅得到局部最优后搜索即停止. 2.没有局部解偏离最优解的度量信息 与其他局部解的差距也无法得到. 3.最优解的获得与初始解有关. 4.不能给出计算所需的上界. 将固体加温至充分高后徐徐冷却, 使达到能量最低点称为退火。加温时, 固体内部粒子随温度T升高变为无序状，内能E增大; 而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态, 最后在常温时达到基态, 内能减为最小. 粒子在温度T时趋于平衡的概率为p=e-ΔE/(kT), E为温度T