- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在模拟退火(使用bean搜索)和遗传算法之间,在性能和用例方面有哪些相关差异?
我知道SA可以看作是GA,人口总数只有一个,但是我不知道两者之间的主要区别。
另外,我正在尝试考虑SA胜过GA或GA胜过SA的情况。只需一个简单的示例即可帮助我理解就足够了。
最佳答案
严格来说,模拟退火(SA)和遗传算法这两件事既不是算法,也不是它们的目的“数据挖掘”。
两者都是元启发式方法-在抽象尺度上比“算法”高出几个级别。换句话说,两个术语均指高级隐喻-一个是从冶金学借来的,另一个是从进化生物学学借来的。在元启发式分类法中,SA是一种单状态方法,而GA是一种种群方法(与PSO,ACO等人同属一个子类,通常称为生物学启发式元启发式方法)。
这两种元启发式方法用于解决优化问题,尤其是(尽管不是排他性的)组合优化(又名约束满足编程)。组合优化是指通过从一组离散项中进行选择来进行优化-换句话说,没有连续函数可将其最小化。背包问题,旅行商问题,裁员问题都是组合优化问题。
与数据挖掘的联系在于,许多(最多?)受监督机器学习(ML)算法的核心是优化问题的解决方案(例如,多层感知器和支持向量机)。
任何解决上限问题的解决方案技术,无论使用哪种算法,都将基本上由以下步骤组成(通常将这些步骤编码为递归循环中的单个块):
编码特定于域的详细信息
在成本函数中(这是
逐步降低价值
从该函数返回
构成了C / O的“解决方案”
问题);
评估成本函数传递
在最初的“猜测”中(开始
迭代);
根据从
成本函数,生成后续
候选解决方案(或超过
一个,取决于
元启发式)
功能;
通过评估每个候选解决方案
将其传递到参数集中
成本函数;
重复步骤(iii)和(iv),直到
一些收敛准则是
满意或最大数量
达到迭代。
元启发式方法针对上述步骤(iii);因此,SA和GA在生成候选解决方案以通过成本函数进行评估的方式上有所不同。换句话说,这是了解这两种元启发式方法有何不同的地方。
非正式地,针对组合优化解决方案的算法的本质是它如何处理其候选函数的成本函数返回的值比当前最佳候选函数差(从成本函数返回最小值的候选函数)差。优化算法处理这种候选解决方案的最简单方法是完全拒绝它-这就是爬山算法的作用。但是通过这样做,简单的爬坡将总是错过一个更好的解决方案,而该解决方案与当前的解决方案被一个小山隔开。换句话说,一种复杂的优化算法必须包括一种技术,用于(暂时)接受比当前最佳解决方案差的(即从当前最佳解决方案上坡)的候选解决方案,因为比当前最佳解决方案更好的解决方案可能会沿着这种情况出现。解。
那么SA和GA如何生成候选解决方案?
SA的本质通常用接受更高成本的候选解决方案的可能性来表示(双括号内的整个表达式是指数:
p = e((-highCost - lowCost)/temperature)
p = pow(math.e, (-hiCost - loCost) / T)
关于artificial-intelligence - 模拟退火和遗传算法之间有什么区别?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4092774/
我们正在为跳棋游戏开发神经网络。在我们的训练数据中, 0代表空白单元格,1代表白 block ,-1代表白王,2代表黑 block ,-2代表黑王 因此,我们需要的是范围为 [-2, 2] 的激活函数
我回答了一个问题,其中给出了两个启发式算法,要对其进行 A* 以找到从起始状态到目标状态的路径。 其中一种启发式方法通过减少一个节点的扩展找到了一条路径 - 现在出于这个原因,我们可以说这种启发式方法
就目前而言,这个问题不适合我们的问答形式。我们希望答案得到事实、引用资料或专业知识的支持,但这个问题可能会引发辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开,visit the
我正在尝试用 C 语言实现一些 AI 规划算法,但被基本概念困住了 :) 在跳到主要问题之前,我尝试实现一些支持命题逻辑的小框架: FORMULA f = PROPOSITION(a + 3 > 0)
我知道决策树试图将具有高熵的分类器放在决策树上。然而,信息增益如何发挥作用呢? 信息增益定义为: InformationGain = EntropyBefore - EntropyAfter 决策树是
我正在研究梳子方法,以减少模糊逻辑规则的“组合爆炸”。有一个示例,摘自“Programming Game AI from example”(由 Mat Buckland 撰写): The theory
我知道人工智能领域非常广阔,有很多关于它的书籍。但我只想知道我可以得到所有人工智能技术的简单介绍的任何资源,例如 它希望有 1 或 2 页的介绍所有技术及其示例,说明如何应用它们或将它们用于什么目的。
我最近对游戏中应用的蒙特卡罗树搜索产生了兴趣。 我读过几篇论文,但我使用“蒙特卡罗树搜索”Chaslot, G 的博士论文,因为我发现它更容易理解蒙特卡罗树搜索的基础知识 我试图对其进行编码,但遇到了
我最近开始在 coursera 上学习概率图形模型,开始后 2 周我开始相信我在概率方面不是那么好,因此我什至无法关注第一个主题(贝叶斯网络)。话虽如此,我想努力学习这门类(class),所以您能否向
我觉得这应该是AI的问题。 是否有任何算法可以在给定任何数字序列的情况下找到模式? 模式可以是抽象的,因为它可以是... 例如: 12112111211112 ... ( increasing num
这是我了解神经网络开始的一件事,是我不太了解最初要设置“偏见”的原因吗? 我了解Perceptron会根据以下内容计算其输出: P * W + b> 0 然后可以基于b = b + [G-O]计算学习
我正在尝试为“连续蛇”游戏实现 AI。它与普通的蛇游戏非常不同,至少就 AI 而言。基本上,蛇的驾驶方式有点像汽车,两个玩家中第一个撞上他的踪迹或另一个人的踪迹输掉比赛。此外,屏幕环绕其边框。 如果您
有人可以用非常简单的词来解释它是什么。也提供一个例子。因此,例如,如果您必须找到某事物的启发式函数,它应该是什么样子的? 以问题为例: 对于水壶问题http://www.math.tamu.edu/~
我想要一个词(例如“Apple)并处理一个文本(或者更多)。我想提出相关的术语。例如:处理Apple的文档并发现iPod,iPhone,Mac是与“苹果”相关的术语。 关于如何解决这个问题的任何想法?
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 6年前关闭。 Improve thi
关闭。这个问题需要debugging details .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 7年前关闭。 Improve this questio
我计划将 Nguyen-Widrow 算法用于具有 的 NN多个隐藏层 .在研究的过程中,我发现了很多歧义,我想澄清一下。 以下是 Nguyen-Widrow 算法的伪代码 Initial
我喜欢在强化学习方面做兼职研究。近年来(截至2009年)在rl-competition.org举办了强化学习竞赛。有一些非常有趣的问题,但这似乎已停止。我很想提高我的技能和知识,并与该领域的其他爱好者
假设我的第一个输入层有 10 个输入节点/神经元。假设我的隐藏层也有 10 个神经元。我的第三层也是最后一层是一个输出神经元。 如何连接层?有没有一种技术可以确定最好的方法来做到这一点,还是只是将每个
我想开发 RISK 棋盘游戏,其中包括面向计算机玩家的 AI。另外,我看了两篇文章,this和 this ,关于它,我意识到我必须学习蒙特卡罗模拟和马尔可夫链技术。我认为我必须一起使用这些技术,但我想
我是一名优秀的程序员,十分优秀!