海洋智能演算法

A. 智能演算法的智能演算法概述

智能優化演算法要解決的一般是最優化問題。最優化問題可以分為（1）求解一個函數中，使得函數值最小的自變數取值的函數優化問題和（2）在一個解空間裡面，尋找最優解，使目標函數值最小的組合優化問題。典型的組合優化問題有：旅行商問題（Traveling Salesman Problem，TSP），加工調度問題（Scheling Problem），0－1背包問題（Knapsack Problem），以及裝箱問題（Bin Packing Problem）等。
優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，本文介紹的模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。
優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。
一般而言，局部搜索就是基於貪婪思想利用鄰域函數進行搜索，若找到一個比現有值更優的解就棄前者而取後者。但是，它一般只可以得到「局部極小解」，就是說，可能這只兔子登「登泰山而小天下」，但是卻沒有找到珠穆朗瑪峰。而模擬退火，遺傳演算法，禁忌搜索，神經網路等從不同的角度和策略實現了改進，取得較好的「全局最小解」。

B. 人工智慧演算法解決新挑戰，智能演算法是什麼是如何運行的

由於人工智慧缺乏可解釋性，人們越來越關注人工智慧主體的接受和信任問題。多年來，對可解釋性的重視在計算機視覺、自然語言處理和序列建模等領域取得了巨大的進展。隨著時間的推移，這些類型的編碼指令變得比任何人想像的都更加全面和復雜。人工智慧演算法已經進入了這一領域。人工智慧演算法是機器學習的一個子領域，它引導計算機學習如何獨立工作。因此，為了優化程序並更快地完成工作，小工具將繼續學習。

人工智慧演算法也每天都在使用。盡管關於美國聯邦政府如何保護個人數據信息的問題尚不清楚，但對特定方面和通信的計算機軟體監控已經在防止國內外的重大恐怖行為。這只是人類使用人工智慧不斷發展和擴大的一種經驗。人類對人工智慧的使用拓寬了我們的視野，使事情變得更簡單、更安全，並使子孫後代更幸福。

C. 智能演算法有哪些

（1）人工神經網路（Artificial Neural Network）類：反向傳播（Backpropagation）、波爾茲曼機（Boltzmann Machine）、卷積神經網路（Convolutional Neural Network）、Hopfield網路（hopfield Network）、多層感知器（Multilyer Perceptron）、徑向基函數網路（Radial Basis Function Network，RBFN）、受限波爾茲曼機（Restricted Boltzmann Machine）、回歸神經網路（Recurrent Neural Network，RNN）、自組織映射（Self-organizing Map，SOM）、尖峰神經網路（Spiking Neural Network）等。
（2）貝葉斯類（Bayesin）：樸素貝葉斯（Naive Bayes）、高斯貝葉斯（Gaussian Naive Bayes）、多項樸素貝葉斯（Multinomial Naive Bayes）、平均-依賴性評估（Averaged One-Dependence Estimators，AODE）
貝葉斯信念網路（Bayesian Belief Network，BBN）、貝葉斯網路（Bayesian Network，BN）等。
（3）決策樹（Decision Tree）類：分類和回歸樹（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5演算法（C4.5 Algorithm）、C5.0演算法（C5.0 Algorithm）、卡方自動交互檢測（Chi-squared Automatic Interaction Detection，CHAID）、決策殘端（Decision Stump）、ID3演算法（ID3 Algorithm）、隨機森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）線性分類器（Linear Classifier）類：Fisher的線性判別（Fisher』s Linear Discriminant）
線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、多項邏輯回歸（Multionmial Logistic Regression）、樸素貝葉斯分類器（Naive Bayes Classifier）、感知（Perception）、支持向量機（Support Vector Machine）等。
常見的無監督學習類演算法包括：
（1） 人工神經網路（Artificial Neural Network）類：生成對抗網路（Generative Adversarial Networks，GAN），前饋神經網路（Feedforward Neural Network）、邏輯學習機（Logic Learning Machine）、自組織映射（Self-organizing Map）等。
（2） 關聯規則學習（Association Rule Learning）類：先驗演算法（Apriori Algorithm）、Eclat演算法（Eclat Algorithm）、FP-Growth演算法等。
（3）分層聚類演算法（Hierarchical Clustering）：單連鎖聚類（Single-linkage Clustering），概念聚類（Conceptual Clustering）等。
（4）聚類分析（Cluster analysis）：BIRCH演算法、DBSCAN演算法，期望最大化（Expectation-maximization，EM）、模糊聚類（Fuzzy Clustering）、K-means演算法、K均值聚類（K-means Clustering）、K-medians聚類、均值漂移演算法（Mean-shift）、OPTICS演算法等。

D. 智能演算法的介紹

在工程實踐中，經常會接觸到一些比較「新穎」的演算法或理論，比如模擬退火，遺傳演算法，禁忌搜索，神經網路等。這些演算法或理論都有一些共同的特性（比如模擬自然過程），通稱為「智能演算法」。它們在解決一些復雜的工程問題時大有用武之地。

E. 海洋潮汐的演算法

人們通過長期的實踐、觀察，發現海水有規律的漲落，而漲落的時間和高度又有著周期性的變化，由此人們把這種海水漲落的現象 叫潮汐。而隨著海水的漲落、水位的升降，出現了海水的水平流動，這種海水流動的現象叫潮流。 海水有周期性漲落規律，如在每日里出現兩次大潮和兩次小潮。通過長期實踐、觀察、發現每日的高湖大多出現在月亮的上、下中 天（即過當地子午線時）前後。低潮時間則在月出月落前後，並且每日的高（低）潮時間逐日後移約48分鍾，即每天晚48分鍾（ 0.8小時）。每月的兩次大潮是農歷初一、十五附近幾天，兩次小潮是在農歷的初七、八和量二、廿三附近幾天。人們還發現，潮 汐現象同月亮、太陽、地球的相對運動有密切的關系。地球在一定軌道上繞太陽運轉，月亮又在一定軌道上繞地球運轉，它們之間 有一定的吸引力和離心力，這種力就是產生潮汐現象的基本因素。但實際潮汐漲落的主要成因卻是月球對地球（表層）的吸引力， 其次是太陽對地球的吸引力，太陽的作用較小，約為月球的2/5，因月球離地球較近，故此月球的作用較大。 據科學推測是：月球繞地球轉，每一個月（29.5天多一點）轉一圈，當月、日、地三者成一直線時，潮漲落的最大，這時是新月和 望月（初一、十五）的時候，當日、月、地三者成直角三角形時潮漲落的最小，這是月上弦（初七、八）和下弦（廿二、廿三）的 時候。 但在實際上形成大潮和小潮的時間，並不正好是上述時間，因為地球形狀很復雜，所以各地發生最大潮和最小潮的時間要比理論上 拖後幾天。如：山東半島沿海每月的初三和十八潮的漲落最大，而初十和量五前後潮的漲落又最小。 由於地球本身的自轉，使地球上某點與月球的相對位置隨時發生變化，這種變化每天（太陽約24時48分）為一周期。每24時48分， 發生兩次高潮和兩次低潮。由高潮到低潮約 經過6時12分，由第一個高潮到第二個高潮約經過12時24分。潮汐的時間，在理論上應該與月球的上中天或下中天的時刻相符合， 但實際上常常推遲。發生高潮和月球上中天相差的時間叫高潮間隙。但各地的高潮間隙又大不相同。如：威海是10時50分，煙台是 10時25分，龍口是10時20分，足見地理位置的不同，而導致高潮間隙的差異。 高潮時和低潮時的大概計演算法： 高潮時＝（日差）0.8×（陰歷日子）7-16（上半月-下半月-1.16）十高潮間隙， 低潮時＝高潮時-6時12分， 如計算威海陰歷初五的潮時如下： 高潮時＝0.8×（5-1）十10∶50′=3∶12′+10∶50′∶14∶02′（即為第二個高潮） 14∶02′-12∶24′＝1∶38′（即為第一個高潮） 低潮時＝14∶02′-6∶12′＝7∶50′（即為第一個低潮） 以上這樣的演算法固然准確，但很繁瑣，很難開口就說出來，我們經過多年的海上實踐，驗證，摸索出一種很有規律的簡易計演算法。 其方法是陰歷日子（上半月-3，下半月-18）×0.8，即為當日的高潮潮時。 如計算威海陰歷初五的潮時如下： 高潮時=（5-33）×0.8＝1∶36′（即第一個高潮）。 低潮時＝1∶36′+6∶12′=7∶48′（則是第一個低潮）。 如計算威海陰歷廿五的潮時： 高潮時＝（25-18）×0.8＝5∶36′（則是第一個高潮）。 低潮時＝5∶36′+6∶12′＝11∶48′（則是第一個低潮）。 潮流也叫潮汐流，這是水位升降起伏的潮信現象，是由於海水受到引潮力的作用發生了水平流動後所導致的結果。因此潮流和潮汐 一樣具有周期性的變化規律，但海水流動受到地形條件的影響，故常呈現兩種狀態，一種是往復性，一種是回轉性。這里就不說回 轉流的成因，只介紹一下近海的往復流。 往復流（即東流和西流）就是漲潮流和落潮流；它是在兩個相反方向上作周期性變化的潮流叫往復流。經多年實踐證明，山東半島 沿海它的變化大約在起流之前兩個鍾頭左右是平流（無流），一般是在高潮前約兩個鍾頭西流起，即漲潮流，高潮時流速最大，高 潮後約兩個鍾頭西流完，底潮前約兩個鍾頭東流起，即落潮流，低潮時流速最大，低潮後約兩個鍾頭東流完。從流完到流起，這其 中大約有兩個鍾頭的平流（無流）即轉流時間。 以上所述，在開闊的大海上不一定能適用，特別是航海人員一定不能按此法擬定航行計劃，這種方法只適用於沿海，尤其是山東半 島更為准確，對近海釣魚愛好者很有實用價值。 回答者： yalli520

F. 智能演算法包括哪些

智能演算法是指在工程實踐中經常會接觸到一些比較新穎的演算法或理論，比如模擬退火遺傳演算法，禁忌搜索神經網路天牛須搜索演算法，麻雀搜索演算法

G. 最新的智能優化演算法有哪些

蟻群其實還是算比較新的。
更新的也只是這些演算法的最後改進吧。演化演算法就有很多。隨便搜一篇以這些為標題，看06年以來的新文章就可以了。
各個領域都有的。否則就是到極限，也就沒有什麼研究前景了。

H. 智能演算法

智能信息處理研究方向

一、 科研方向意義
智能信息處理是人工智慧（AI）的一個重要研究領域。在世界各地對人工智慧的研究很早就開始了，當計算機出現後，人類開始真正有了一個可以模擬人類思維的工具，而人工智慧也始終是計算機科學的前沿學科，計算機編程語言和其它計算機軟體都因為有了人工智慧的進展而得以存在。80年代初，在美國、日本、接著在我國國內都掀起了一股研究神經網路理論和神經計算機的熱潮，並將神經網路原理應用於圖象處理、模式識別、語音綜合及機器人控制等領域。隨著理論研究的不斷深入和應用領域的迅速擴大，近年來智能信息處理成了人工智慧的一個熱門研究方向，我國各高等院校都成立了關於智能信息處理的研究機構。他們立足於信息處理技術的基礎研究和應用，積極地將數學、人工智慧、邏輯學、認知科學等領域最新研究成果應用於各種信息的智能處理，在模式識別與人工智慧、資料庫與數據倉庫的挖掘技術、信息網路安全與數據保密技術等方面取得了較好的研究成果，在帶動其院校學科建設的同時，也努力擴大了信息技術在國民經濟各領域的應用，提高了信息處理技術的社會效應和經濟效益。
二、主要研究方向
模式識別與人工智慧
數據挖掘演算法
優化決策支持系統
商用智能軟體
三、研究目標
以促進本學科的建設為目標，加強智能理論的研究，並側重智能系統的開發應用工作。在理論上，配合本碩學生的教學工作，在模式識別與人工智慧、數據挖掘和智能演算法等方面進行深入研究，取得比較深入的理論研究成果，從而使學生掌握這方面最新的知識理論，為他們在以後的研究和工作中打下堅實的基礎，進一步可以獨立研究並取得更大的成就。在智能應用上，我們要根據現有的基礎條件，進一步加強梯隊人員和素質的建設，形成一支結構合理、充滿活力、人員穩定的研究隊伍；建立並擴展與外界的合作關系，將最新的理論研究成果轉化為生產力，開發出企業急需的、先進的智能控制和信息處理軟體系統，從而在為社會做貢獻的同時提高我校的聲譽，有利於我校的招生和就業。本方向的研究工作還會促進學生實驗實踐環節的質量，從根本上提高畢業生的素質。

I. 什麼是智能演算法

在工程實踐中，經常會接觸到一些比較「新穎」的演算法或理論，比如模擬退火，遺傳演算法，禁忌搜索，神經網路等。這些演算法或理論都有一些共同的特性（比如模擬自然過程），通稱為「智能演算法」。