海洋智能算法

A. 智能算法的智能算法概述

智能优化算法要解决的一般是最优化问题。最优化问题可以分为（1）求解一个函数中，使得函数值最小的自变量取值的函数优化问题和（2）在一个解空间里面，寻找最优解，使目标函数值最小的组合优化问题。典型的组合优化问题有：旅行商问题（Traveling Salesman Problem，TSP），加工调度问题（Scheling Problem），0－1背包问题（Knapsack Problem），以及装箱问题（Bin Packing Problem）等。
优化算法有很多，经典算法包括：有线性规划，动态规划等；改进型局部搜索算法包括爬山法，最速下降法等，本文介绍的模拟退火、遗传算法以及禁忌搜索称作指导性搜索法。而神经网络，混沌搜索则属于系统动态演化方法。
优化思想里面经常提到邻域函数，它的作用是指出如何由当前解得到一个（组）新解。其具体实现方式要根据具体问题分析来定。
一般而言，局部搜索就是基于贪婪思想利用邻域函数进行搜索，若找到一个比现有值更优的解就弃前者而取后者。但是，它一般只可以得到“局部极小解”，就是说，可能这只兔子登“登泰山而小天下”，但是却没有找到珠穆朗玛峰。而模拟退火，遗传算法，禁忌搜索，神经网络等从不同的角度和策略实现了改进，取得较好的“全局最小解”。

B. 人工智能算法解决新挑战，智能算法是什么是如何运行的

由于人工智能缺乏可解释性，人们越来越关注人工智能主体的接受和信任问题。多年来，对可解释性的重视在计算机视觉、自然语言处理和序列建模等领域取得了巨大的进展。随着时间的推移，这些类型的编码指令变得比任何人想象的都更加全面和复杂。人工智能算法已经进入了这一领域。人工智能算法是机器学习的一个子领域，它引导计算机学习如何独立工作。因此，为了优化程序并更快地完成工作，小工具将继续学习。

人工智能算法也每天都在使用。尽管关于美国联邦政府如何保护个人数据信息的问题尚不清楚，但对特定方面和通信的计算机软件监控已经在防止国内外的重大恐怖行为。这只是人类使用人工智能不断发展和扩大的一种经验。人类对人工智能的使用拓宽了我们的视野，使事情变得更简单、更安全，并使子孙后代更幸福。

C. 智能算法有哪些

（1）人工神经网络（Artificial Neural Network）类：反向传播（Backpropagation）、波尔兹曼机（Boltzmann Machine）、卷积神经网络（Convolutional Neural Network）、Hopfield网络（hopfield Network）、多层感知器（Multilyer Perceptron）、径向基函数网络（Radial Basis Function Network，RBFN）、受限波尔兹曼机（Restricted Boltzmann Machine）、回归神经网络（Recurrent Neural Network，RNN）、自组织映射（Self-organizing Map，SOM）、尖峰神经网络（Spiking Neural Network）等。
（2）贝叶斯类（Bayesin）：朴素贝叶斯（Naive Bayes）、高斯贝叶斯（Gaussian Naive Bayes）、多项朴素贝叶斯（Multinomial Naive Bayes）、平均-依赖性评估（Averaged One-Dependence Estimators，AODE）
贝叶斯信念网络（Bayesian Belief Network，BBN）、贝叶斯网络（Bayesian Network，BN）等。
（3）决策树（Decision Tree）类：分类和回归树（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5算法（C4.5 Algorithm）、C5.0算法（C5.0 Algorithm）、卡方自动交互检测（Chi-squared Automatic Interaction Detection，CHAID）、决策残端（Decision Stump）、ID3算法（ID3 Algorithm）、随机森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）线性分类器（Linear Classifier）类：Fisher的线性判别（Fisher’s Linear Discriminant）
线性回归（Linear Regression）、逻辑回归（Logistic Regression）、多项逻辑回归（Multionmial Logistic Regression）、朴素贝叶斯分类器（Naive Bayes Classifier）、感知（Perception）、支持向量机（Support Vector Machine）等。
常见的无监督学习类算法包括：
（1） 人工神经网络（Artificial Neural Network）类：生成对抗网络（Generative Adversarial Networks，GAN），前馈神经网络（Feedforward Neural Network）、逻辑学习机（Logic Learning Machine）、自组织映射（Self-organizing Map）等。
（2） 关联规则学习（Association Rule Learning）类：先验算法（Apriori Algorithm）、Eclat算法（Eclat Algorithm）、FP-Growth算法等。
（3）分层聚类算法（Hierarchical Clustering）：单连锁聚类（Single-linkage Clustering），概念聚类（Conceptual Clustering）等。
（4）聚类分析（Cluster analysis）：BIRCH算法、DBSCAN算法，期望最大化（Expectation-maximization，EM）、模糊聚类（Fuzzy Clustering）、K-means算法、K均值聚类（K-means Clustering）、K-medians聚类、均值漂移算法（Mean-shift）、OPTICS算法等。

D. 智能算法的介绍

在工程实践中，经常会接触到一些比较“新颖”的算法或理论，比如模拟退火，遗传算法，禁忌搜索，神经网络等。这些算法或理论都有一些共同的特性（比如模拟自然过程），通称为“智能算法”。它们在解决一些复杂的工程问题时大有用武之地。

E. 海洋潮汐的算法

人们通过长期的实践、观察，发现海水有规律的涨落，而涨落的时间和高度又有着周期性的变化，由此人们把这种海水涨落的现象 叫潮汐。而随着海水的涨落、水位的升降，出现了海水的水平流动，这种海水流动的现象叫潮流。 海水有周期性涨落规律，如在每日里出现两次大潮和两次小潮。通过长期实践、观察、发现每日的高湖大多出现在月亮的上、下中 天（即过当地子午线时）前后。低潮时间则在月出月落前后，并且每日的高（低）潮时间逐日后移约48分钟，即每天晚48分钟（ 0.8小时）。每月的两次大潮是农历初一、十五附近几天，两次小潮是在农历的初七、八和量二、廿三附近几天。人们还发现，潮 汐现象同月亮、太阳、地球的相对运动有密切的关系。地球在一定轨道上绕太阳运转，月亮又在一定轨道上绕地球运转，它们之间 有一定的吸引力和离心力，这种力就是产生潮汐现象的基本因素。但实际潮汐涨落的主要成因却是月球对地球（表层）的吸引力， 其次是太阳对地球的吸引力，太阳的作用较小，约为月球的2/5，因月球离地球较近，故此月球的作用较大。 据科学推测是：月球绕地球转，每一个月（29.5天多一点）转一圈，当月、日、地三者成一直线时，潮涨落的最大，这时是新月和 望月（初一、十五）的时候，当日、月、地三者成直角三角形时潮涨落的最小，这是月上弦（初七、八）和下弦（廿二、廿三）的 时候。 但在实际上形成大潮和小潮的时间，并不正好是上述时间，因为地球形状很复杂，所以各地发生最大潮和最小潮的时间要比理论上 拖后几天。如：山东半岛沿海每月的初三和十八潮的涨落最大，而初十和量五前后潮的涨落又最小。 由于地球本身的自转，使地球上某点与月球的相对位置随时发生变化，这种变化每天（太阳约24时48分）为一周期。每24时48分， 发生两次高潮和两次低潮。由高潮到低潮约 经过6时12分，由第一个高潮到第二个高潮约经过12时24分。潮汐的时间，在理论上应该与月球的上中天或下中天的时刻相符合， 但实际上常常推迟。发生高潮和月球上中天相差的时间叫高潮间隙。但各地的高潮间隙又大不相同。如：威海是10时50分，烟台是 10时25分，龙口是10时20分，足见地理位置的不同，而导致高潮间隙的差异。 高潮时和低潮时的大概计算法： 高潮时＝（日差）0.8×（阴历日子）7-16（上半月-下半月-1.16）十高潮间隙， 低潮时＝高潮时-6时12分， 如计算威海阴历初五的潮时如下： 高潮时＝0.8×（5-1）十10∶50′=3∶12′+10∶50′∶14∶02′（即为第二个高潮） 14∶02′-12∶24′＝1∶38′（即为第一个高潮） 低潮时＝14∶02′-6∶12′＝7∶50′（即为第一个低潮） 以上这样的算法固然准确，但很繁琐，很难开口就说出来，我们经过多年的海上实践，验证，摸索出一种很有规律的简易计算法。 其方法是阴历日子（上半月-3，下半月-18）×0.8，即为当日的高潮潮时。 如计算威海阴历初五的潮时如下： 高潮时=（5-33）×0.8＝1∶36′（即第一个高潮）。 低潮时＝1∶36′+6∶12′=7∶48′（则是第一个低潮）。 如计算威海阴历廿五的潮时： 高潮时＝（25-18）×0.8＝5∶36′（则是第一个高潮）。 低潮时＝5∶36′+6∶12′＝11∶48′（则是第一个低潮）。 潮流也叫潮汐流，这是水位升降起伏的潮信现象，是由于海水受到引潮力的作用发生了水平流动后所导致的结果。因此潮流和潮汐 一样具有周期性的变化规律，但海水流动受到地形条件的影响，故常呈现两种状态，一种是往复性，一种是回转性。这里就不说回 转流的成因，只介绍一下近海的往复流。 往复流（即东流和西流）就是涨潮流和落潮流；它是在两个相反方向上作周期性变化的潮流叫往复流。经多年实践证明，山东半岛 沿海它的变化大约在起流之前两个钟头左右是平流（无流），一般是在高潮前约两个钟头西流起，即涨潮流，高潮时流速最大，高 潮后约两个钟头西流完，底潮前约两个钟头东流起，即落潮流，低潮时流速最大，低潮后约两个钟头东流完。从流完到流起，这其 中大约有两个钟头的平流（无流）即转流时间。 以上所述，在开阔的大海上不一定能适用，特别是航海人员一定不能按此法拟定航行计划，这种方法只适用于沿海，尤其是山东半 岛更为准确，对近海钓鱼爱好者很有实用价值。 回答者： yalli520

F. 智能算法包括哪些

智能算法是指在工程实践中经常会接触到一些比较新颖的算法或理论，比如模拟退火遗传算法，禁忌搜索神经网络天牛须搜索算法，麻雀搜索算法

G. 最新的智能优化算法有哪些

蚁群其实还是算比较新的。
更新的也只是这些算法的最后改进吧。演化算法就有很多。随便搜一篇以这些为标题，看06年以来的新文章就可以了。
各个领域都有的。否则就是到极限，也就没有什么研究前景了。

H. 智能算法

智能信息处理研究方向

一、 科研方向意义
智能信息处理是人工智能（AI）的一个重要研究领域。在世界各地对人工智能的研究很早就开始了，当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，而人工智能也始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。80年代初，在美国、日本、接着在我国国内都掀起了一股研究神经网络理论和神经计算机的热潮，并将神经网络原理应用于图象处理、模式识别、语音综合及机器人控制等领域。随着理论研究的不断深入和应用领域的迅速扩大，近年来智能信息处理成了人工智能的一个热门研究方向，我国各高等院校都成立了关于智能信息处理的研究机构。他们立足于信息处理技术的基础研究和应用，积极地将数学、人工智能、逻辑学、认知科学等领域最新研究成果应用于各种信息的智能处理，在模式识别与人工智能、数据库与数据仓库的挖掘技术、信息网络安全与数据保密技术等方面取得了较好的研究成果，在带动其院校学科建设的同时，也努力扩大了信息技术在国民经济各领域的应用，提高了信息处理技术的社会效应和经济效益。
二、主要研究方向
模式识别与人工智能
数据挖掘算法
优化决策支持系统
商用智能软件
三、研究目标
以促进本学科的建设为目标，加强智能理论的研究，并侧重智能系统的开发应用工作。在理论上，配合本硕学生的教学工作，在模式识别与人工智能、数据挖掘和智能算法等方面进行深入研究，取得比较深入的理论研究成果，从而使学生掌握这方面最新的知识理论，为他们在以后的研究和工作中打下坚实的基础，进一步可以独立研究并取得更大的成就。在智能应用上，我们要根据现有的基础条件，进一步加强梯队人员和素质的建设，形成一支结构合理、充满活力、人员稳定的研究队伍；建立并扩展与外界的合作关系，将最新的理论研究成果转化为生产力，开发出企业急需的、先进的智能控制和信息处理软件系统，从而在为社会做贡献的同时提高我校的声誉，有利于我校的招生和就业。本方向的研究工作还会促进学生实验实践环节的质量，从根本上提高毕业生的素质。

I. 什么是智能算法

在工程实践中，经常会接触到一些比较“新颖”的算法或理论，比如模拟退火，遗传算法，禁忌搜索，神经网络等。这些算法或理论都有一些共同的特性（比如模拟自然过程），通称为“智能算法”。