智能演算法的優缺點

A. 機器人路徑規劃中傳統演算法和智能演算法的區別

傳統演算法雖然結果一定是最優解，但是運算量極大，可能會有lag。
相反，採用一定的智能演算法，雖然每次選擇不一定最優，但是基本上都能快速（<=0.1s）判斷，而且只要設定一定的糾錯演算法，總體效率遠高於傳統演算法。

B. 智能計算/計算智能、仿生演算法、啟發式演算法的區別與關系

我一個個講好了，
1）啟發式演算法：一個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度不一定事先可以預計。意思就是說，啟發式演算法是根據經驗或者某些規則來解決問題，它求得的問題的解不一定是最優解，很有可能是近似解。這個解與最優解近似到什麼程度，不能確定。相對於啟發式演算法，最優化演算法或者精確演算法（比如說分支定界法、動態規劃法等則能求得最優解）。元啟發式演算法是啟發式演算法中比較通用的一種高級一點的演算法，主要有遺傳演算法、禁忌搜索演算法、模擬退火演算法、蟻群演算法、粒子群演算法、變鄰域搜索演算法、人工神經網路、人工免疫演算法、差分進化演算法等。這些演算法可以在合理的計算資源條件下給出較高質量的解。
2）仿生演算法：是一類模擬自然生物進化或者群體社會行為的隨機搜索方法的統稱。由於這些演算法求解時不依賴於梯度信息，故其應用范圍較廣，特別適用於傳統方法難以解決的大規模復雜優化問題。主要有：遺傳演算法、人工神經網路、蟻群演算法、蛙跳演算法、粒子群優化演算法等。這些演算法均是模仿生物進化、神經網路系統、螞蟻尋路、鳥群覓食等生物行為。故叫仿生演算法。
3）智能計算：也成為計算智能，包括遺傳演算法、模擬退火演算法、禁忌搜索演算法、進化演算法、蟻群演算法、人工魚群演算法，粒子群演算法、混合智能演算法、免疫演算法、神經網路、機器學習、生物計算、DNA計算、量子計算、模糊邏輯、模式識別、知識發現、數據挖掘等。智能計算是以數據為基礎，通過訓練建立聯系，然後進行問題求解。
所以說，你接觸的很多演算法，既是仿生演算法，又是啟發式演算法，又是智能演算法，這都對。分類方法不同而已。

這次樓主不要再老花了哈！

C. 最常見的人工智慧演算法都有哪些它們在求解過程中與傳統演算法相比，有什麼特點

很多很多，早期的演算法特點是通過規則方式建立知識庫，指導演算法完成計算；當前演算法的特點是不編程高速計算機如何計算，而是讓計算機自己學習，這些演算法可以看一下163上斯坦福《機器學習》的公開課。

D. 人工智慧利與弊。

人工智慧的利

1、人工智慧讓人類生活更美好

例如，人工智慧的醫療應用惠及大眾。我們醫生或許難以保持最新治療方案和方法，也無法了解所有醫學例案。人工智慧可以在短時間內分析大量數據，精確判斷病症，並找到最佳的治療方案，為人們提供最好的治療。

人工智慧的弊

1、大規模的失業

人工智慧的發展，導致很多人失業。據人力資源和社會保障部2016年新聞發布會介紹，2016年末中國失業率達4.05%，機器人不會犯錯，不會累，不需要休息，不需要工資。這完全可以代替很多職業，例如工人，司機等等不需要思想的工作。如此便會導致大批大批的人失業，大批大批的人整日無所事事。

人工智慧大規模使用，必然帶來大規模的失業。很多人必然被機器人所取代。而大規模的失業，一則給政府帶來沉重的負擔，二則必然使需求下降，千千萬萬的企業不得不破產。

2、對人類的一次大淘汰

人工智慧時代的到來可能是對人類的一次大淘汰。機器人對人類的大淘汰，如果處理不好有可能引發核大戰，那將是人類的災難，人類可能因此而滅亡。

舉一個例子：「想像一下，如果有一天，冰箱向你抱怨它工作時間太長了，或者要求加薪，你一定會覺得這太可怕了。不要認為人工智慧只是按照程序進行，未來它將像嬰兒的大腦一樣具有學習功能，很可能超過人的智能，摧毀我們人類。」

牛津大學波斯特羅姆教授說：「先進的人工智慧不僅僅是一門新技術，而是一個對人類的巨大威脅。」

E. 人工智慧的利與弊分別是什麼

1、人工智慧的利

目前人工智慧已經為人類創造出了非常可觀的經濟效益，人工智慧可以代替人類做大量人類不想做、不能做的工作，而且機器犯錯誤的概率比人低，並且能夠持續工作，大大的提升工作效率。

雖然可能會帶來大量的失業，但是這本來就是社會前進必須經歷的過程，當新技術被發明出來時一定會影響某些群體的既得利益，然而只要這個前進的方向是對的，也就無可厚非了，畢竟被取代的是所需能力不高的工種，只能怨自身沒有什麼不可替代的價值了。

F. 智能演算法和交通流理論有什麼優缺點，為什麼有的用交通流理論有的用智能演算法

而後被突然牛肉乾體會 通過後年剛方便v

G. 經典的網路優化演算法跟智能演算法，哪個跟好些譬如Dijkstra演算法和蟻群演算法。

Dijkstra演算法和蟻群演算法是有著本質不同的，屬於兩個范疇了，前者是確定性演算法，輸入一個圖，必定能產生一個可行結果。而後者是屬於啟發式演算法，有隨機因素。不一定能產生好的結果，但一般情況下由於存在啟發式因素和智能因素，能夠產生比較好的結果，但不能保證產生全局最優解。況且前者是一個針對性很強的演算法，只能用於最短路徑計算，而蟻群演算法可以用來解決一大類問題，比如圖演算法、數值優化、數據挖掘等等。

H. 什麼是智能優化演算法

智能優化演算法是一種啟發式優化演算法，包括遺傳演算法、蟻群演算法、禁忌搜索演算法、模擬退火演算法、粒子群演算法等。·智能優化演算法一般是針對具體問題設計相關的演算法，理論要求弱，技術性強。一般，我們會把智能演算法與最優化演算法進行比較，相比之下，智能演算法速度快，應用性強。

I. AI（人工智慧）和BI（商業智能）各有哪些優缺點

BI目前實現的是收集數據，提供反饋，輔助決策的能力，以數據為基礎的，面向數據管理和分析，屬被動角色。而AI則輔以大數據，演算法等得到更有價值的信息，實現收集+預測的能力，更多的是主動角色。

雖然AI的應用范圍非常廣，但結合BI現仍是處理結構化的數據。而此處二者的交集在於機器學習和數據挖掘，但又略有不同。AI的機器學習強調演算法，BI的數據挖掘還包括對數據的管理，演算法選擇上也較為簡單，沒有神經網路和深度學習等復雜AI演算法。

未來,AI與BI的區別在於BI負責梳理生產關系，AI是先進生產力。那麼AI+BI模式通過將AI嵌入BI，構建基於AI的BI平台，利用AI的智能讓BI系統能夠解決更復雜的業務場景，產出更精準的分析結果，從而使決策更為科學和准確。

對於結構化的數據，BI系統可應用機器學習演算法，得到更精確的分析結果。例如上文提到的總結用戶畫像，分析人群行為數據，得到千人千面，實現精準營銷的結果。還有金融領域的風險監測，AI+BI的模式可以分析出金融風險和其他指標、行為之間的內在聯系，預測更為准確。

對於非結構化的數據，BI可以應用圖像處理、語音工程和文本分析等AI技術，智能化地處理復雜業務場景。如語音轉文字，錄入數據及產出想要的報表等。

業務場景除了在 IT 信息化基礎比較扎實的行業，也會在深度場景化的細分領域，且這些領域不具備通用性。也可理解為解決方案不具備復用性。這個時候通過AI完成一些演算法匹配，根據匹配的結果來驅動業務執行。