魚群和鳥群演算法的區別

㈠ 什麼是魚群演算法

artifical fish-warm algorithm
xp(v1,v2……vn)個體的當前位置，d(p,q)=(1/n)*{[v(p,1)-v(q,1)]^2+……[v

(p,n)-v(q,n)]^2}，兩個體的距離，（不知道為什麼用1/n而不是開平方）；visual

一隻魚的感知距離。@擁擠度因子。
第一步：覓食人工魚當前位置為Xi，在可見域內隨機選擇一個位置Xj（d(ij)

<=visual），如xj優於xi向xj前進一步，否則隨機移動一步。如出現不滿足約束則

剪去。X(j+1,k)={if x(i,k)=x(j,k) 不變，else x(j+1,k)=隨機(0,1)}。
第二步：聚群：
xi可見域內共有nf1條魚。形成集合KJi,KJi={Xj|Dij<=visual},if KJi不為空，

then
X(center)=(xj1+xj2+.....xjn)/nf1(xjk屬於kji)
X(center,k)=0,X(center,k)<0.5 1,X(center,k)>=0.5
若：FCc/nf1>@FCi(FCc為中心食物濃度，FCi為Xi點食物濃度)
則：向中心移動：X(i+1,k)=不變，當Xik=X(center,k)時;Xik=隨機（0，1），當

Xik!=X(center,k)時;
若：FCc/nf1<@FCi
則：進行覓食
第三步：追尾
在visual范圍內，某一個體食物濃度最大則稱為Xmax，若：FCmax>@FCi,則向它移動

：X(i+1,k)=當X(i,k)=X(max,k)時，X(i,k)不變，當X(i,k)!=X(max,k)時，X(i,k)=

隨機（0,1）
第四步：公告板
在運算過程中，用公告板始終記錄下最優FCi

㈡ 魚群演算法是什麼

和蟻群演算法其實是一樣的，生物那方面不說了，主要是生成隨機數，經過數次迭代，一次次計算目標函數值從而優化答案，最後看答案分布，這樣就能計算解決全局最優，因為魚群演算法能夠跳出局部最優，所以應用於目標函數的最大值最小值是很有用的，希望能幫到你

㈢ 什麼是粒子群演算法

粒子群演算法介紹（摘自http://blog.sina.com.cn/newtech）
優化問題是工業設計中經常遇到的問題,許多問題最後都可以歸結為優化問題. 為了解決各種各樣的優化問題,人們提出了許多優化演算法,比較著名的有爬山法、遺傳演算法等.優化問題有兩個主要問題:一是要求尋找全局最小點,二是要求有較高的收斂速度. 爬山法精度較高,但是易於陷入局部極小. 遺傳演算法屬於進化演算法( Evolutionary Algorithms) 的一種,它通過模仿自然界的選擇與遺傳的機理來尋找最優解. 遺傳演算法有三個基本運算元:選擇、交叉和變異. 但是遺傳演算法的編程實現比較復雜,首先需要對問題進行編碼,找到最優解之後還需要對問題進行解碼,另外三個運算元的實現也有許多參數,如交叉率和變異率,並且這些參數的選擇嚴重影響解的品質,而目前這些參數的選擇大部分是依靠經驗.1995 年Eberhart 博士和kennedy 博士提出了一種新的演算法;粒子群優化(Partical Swarm Optimization -PSO) 演算法 . 這種演算法以其實現容易、精度高、收斂快等優點引起了學術界的重視,並且在解決實際問題中展示了其優越性.

粒子群優化(Partical Swarm Optimization - PSO) 演算法是近年來發展起來的一種新的進化演算法( Evolu2tionary Algorithm - EA) .PSO 演算法屬於進化演算法的一種,和遺傳演算法相似,它也是從隨機解出發,通過迭代尋找最優解,它也是通過適應度來評價解的品質. 但是它比遺傳演算法規則更為簡單,它沒有遺傳演算法的「交叉」(Crossover) 和「變異」(Mutation) 操作. 它通過追隨當前搜索到的最優值來尋找全局最優 .

粒子群演算法

1. 引言

粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，有Eberhart博士和kennedy博士發明。源於對鳥群捕食的行為研究

PSO同遺傳演算法類似，是一種基於疊代的優化工具。系統初始化為一組隨機解，通過疊代搜尋最優值。但是並沒有遺傳演算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優的粒子進行搜索。詳細的步驟以後的章節介紹

同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域

2. 背景: 人工生命

"人工生命"是來研究具有某些生命基本特徵的人工系統. 人工生命包括兩方面的內容

1. 研究如何利用計算技術研究生物現象
2. 研究如何利用生物技術研究計算問題

我們現在關注的是第二部分的內容. 現在已經有很多源於生物現象的計算技巧. 例如, 人工神經網路是簡化的大腦模型. 遺傳演算法是模擬基因進化過程的.

現在我們討論另一種生物系統- 社會系統. 更確切的是, 在由簡單個體組成的群落與環境以及個體之間的互動行為. 也可稱做"群智能"(swarm intelligence). 這些模擬系統利用局部信息從而可能產生不可預測的群體行為

例如floys 和 boids, 他們都用來模擬魚群和鳥群的運動規律, 主要用於計算機視覺和計算機輔助設計.

在計算智能(computational intelligence)領域有兩種基於群智能的演算法. 蟻群演算法(ant colony optimization)和粒子群演算法(particle swarm optimization). 前者是對螞蟻群落食物採集過程的模擬. 已經成功運用在很多離散優化問題上.

粒子群優化演算法(PSO) 也是起源對簡單社會系統的模擬. 最初設想是模擬鳥群覓食的過程. 但後來發現PSO是一種很好的優化工具.

3. 演算法介紹

如前所述，PSO模擬鳥群的捕食行為。設想這樣一個場景：一群鳥在隨機搜索食物。在這個區域里只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。

PSO從這種模型中得到啟示並用於解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一隻鳥。我們稱之為「粒子」。所有的例子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然後粒子們就追隨當前的最優粒子在解空間中搜索

PSO 初始化為一群隨機粒子(隨機解)。然後通過疊代找到最優解。在每一次疊代中，粒子通過跟蹤兩個"極值"來更新自己。第一個就是粒子本身所找到的最優解。這個解叫做個體極值pBest. 另一個極值是整個種群目前找到的最優解。這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分最為粒子的鄰居，那麼在所有鄰居中的極值就是局部極值。

在找到這兩個最優值時, 粒子根據如下的公式來更新自己的速度和新的位置

v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)
present[] = persent[] + v[] (b)

v[] 是粒子的速度, persent[] 是當前粒子的位置. pbest[] and gbest[] 如前定義 rand () 是介於（0， 1）之間的隨機數. c1, c2 是學習因子. 通常 c1 = c2 = 2.

程序的偽代碼如下

For each particle
____Initialize particle
END

Do
____For each particle
________Calculate fitness value
________If the fitness value is better than the best fitness value (pBest) in history
____________set current value as the new pBest
____End

____Choose the particle with the best fitness value of all the particles as the gBest
____For each particle
________Calculate particle velocity according equation (a)
________Update particle position according equation (b)
____End
While maximum iterations or minimum error criteria is not attained

在每一維粒子的速度都會被限制在一個最大速度Vmax，如果某一維更新後的速度超過用戶設定的Vmax，那麼這一維的速度就被限定為Vmax

4. 遺傳演算法和 PSO 的比較

大多數演化計算技術都是用同樣的過程
1. 種群隨機初始化
2. 對種群內的每一個個體計算適應值(fitness value).適應值與最優解的距離直接有關
3. 種群根據適應值進行復制
4. 如果終止條件滿足的話，就停止，否則轉步驟2

從以上步驟，我們可以看到PSO和GA有很多共同之處。兩者都隨機初始化種群，而且都使用適應值來評價系統，而且都根據適應值來進行一定的隨機搜索。兩個系統都不是保證一定找到最優解

但是，PSO 沒有遺傳操作如交叉(crossover)和變異(mutation). 而是根據自己的速度來決定搜索。粒子還有一個重要的特點，就是有記憶。

與遺傳演算法比較, PSO 的信息共享機制是很不同的. 在遺傳演算法中，染色體(chromosomes) 互相共享信息，所以整個種群的移動是比較均勻的向最優區域移動. 在PSO中, 只有gBest (or lBest) 給出信息給其他的粒子，這是單向的信息流動. 整個搜索更新過程是跟隨當前最優解的過程. 與遺傳演算法比較, 在大多數的情況下，所有的粒子可能更快的收斂於最優解

5. 人工神經網路 和 PSO

人工神經網路(ANN)是模擬大腦分析過程的簡單數學模型，反向轉播演算法是最流行的神經網路訓練演算法。進來也有很多研究開始利用演化計算(evolutionary computation)技術來研究人工神經網路的各個方面。

演化計算可以用來研究神經網路的三個方面：網路連接權重，網路結構(網路拓撲結構，傳遞函數)，網路學習演算法。

不過大多數這方面的工作都集中在網路連接權重，和網路拓撲結構上。在GA中，網路權重和/或拓撲結構一般編碼為染色體(Chromosome)，適應函數(fitness function)的選擇一般根據研究目的確定。例如在分類問題中，錯誤分類的比率可以用來作為適應值

演化計算的優勢在於可以處理一些傳統方法不能處理的例子例如不可導的節點傳遞函數或者沒有梯度信息存在。但是缺點在於：在某些問題上性能並不是特別好。2. 網路權重的編碼而且遺傳運算元的選擇有時比較麻煩

最近已經有一些利用PSO來代替反向傳播演算法來訓練神經網路的論文。研究表明PSO 是一種很有潛力的神經網路演算法。PSO速度比較快而且可以得到比較好的結果。而且還沒有遺傳演算法碰到的問題

這里用一個簡單的例子說明PSO訓練神經網路的過程。這個例子使用分類問題的基準函數(Benchmark function)IRIS數據集。(Iris 是一種鳶尾屬植物) 在數據記錄中，每組數據包含Iris花的四種屬性：萼片長度，萼片寬度，花瓣長度，和花瓣寬度，三種不同的花各有50組數據. 這樣總共有150組數據或模式。

我們用3層的神經網路來做分類。現在有四個輸入和三個輸出。所以神經網路的輸入層有4個節點，輸出層有3個節點我們也可以動態調節隱含層節點的數目，不過這里我們假定隱含層有6個節點。我們也可以訓練神經網路中其他的參數。不過這里我們只是來確定網路權重。粒子就表示神經網路的一組權重，應該是4*6+6*3=42個參數。權重的范圍設定為[-100，100] (這只是一個例子，在實際情況中可能需要試驗調整).在完成編碼以後，我們需要確定適應函數。對於分類問題，我們把所有的數據送入神經網路，網路的權重有粒子的參數決定。然後記錄所有的錯誤分類的數目作為那個粒子的適應值。現在我們就利用PSO來訓練神經網路來獲得盡可能低的錯誤分類數目。PSO本身並沒有很多的參數需要調整。所以在實驗中只需要調整隱含層的節點數目和權重的范圍以取得較好的分類效果。

6. PSO的參數設置

從上面的例子我們可以看到應用PSO解決優化問題的過程中有兩個重要的步驟: 問題解的編碼和適應度函數
PSO的一個優勢就是採用實數編碼, 不需要像遺傳演算法一樣是二進制編碼(或者採用針對實數的遺傳操作.例如對於問題 f(x) = x1^2 + x2^2+x3^2 求解, 粒子可以直接編碼為 (x1, x2, x3), 而適應度函數就是f(x). 接著我們就可以利用前面的過程去尋優.這個尋優過程是一個疊代過程, 中止條件一般為設置為達到最大循環數或者最小錯誤

PSO中並沒有許多需要調節的參數,下面列出了這些參數以及經驗設置

粒子數: 一般取 20 – 40. 其實對於大部分的問題10個粒子已經足夠可以取得好的結果, 不過對於比較難的問題或者特定類別的問題, 粒子數可以取到100 或 200

粒子的長度: 這是由優化問題決定, 就是問題解的長度

粒子的范圍: 由優化問題決定,每一維可是設定不同的范圍

Vmax: 最大速度,決定粒子在一個循環中最大的移動距離,通常設定為粒子的范圍寬度,例如上面的例子里,粒子 (x1, x2, x3) x1 屬於 [-10, 10], 那麼 Vmax 的大小就是 20

學習因子: c1 和 c2 通常等於 2. 不過在文獻中也有其他的取值. 但是一般 c1 等於 c2 並且范圍在0和4之間

中止條件: 最大循環數以及最小錯誤要求. 例如, 在上面的神經網路訓練例子中, 最小錯誤可以設定為1個錯誤分類, 最大循環設定為2000, 這個中止條件由具體的問題確定.

全局PSO和局部PSO: 我們介紹了兩種版本的粒子群優化演算法: 全局版和局部版. 前者速度快不過有時會陷入局部最優. 後者收斂速度慢一點不過很難陷入局部最優. 在實際應用中, 可以先用全局PSO找到大致的結果,再有局部PSO進行搜索.

另外的一個參數是慣性權重, 由Shi 和Eberhart提出, 有興趣的可以參考他們1998年的論文(題目: A modified particle swarm optimizer)

㈣ 蟻群演算法的優缺點是什麼人工魚群演算法的優缺點是什麼

針對不同的研究方向，它所體現出來的優缺點是不一樣的，不能一概而論的。

㈤ 計算機學習的分類

分類；數據挖掘 分類是數據挖掘的重要任務之一，分類在實際應用中有廣泛的應用，如醫療事業、信用等級等。近年來，分類方法得到了發展，本文對這些方法進行了歸納分析，總結了今後分類方法發展的方向。 1引言 分類是學會一個分類函數或分類模型，該模型能把資料庫中的數據項映射到給定類別中的某一個。分類可用於提取描述重要數據類的模型或預測未來的數據趨勢。分類可描述如下：輸入數據，或稱訓練集是一條條記錄組成的。每一條記錄包含若干條屬性，組成一個特徵向量。訓練集的每條記錄還有一個特定的類標簽與之對應。該類標簽是系統的輸入，通常是以往的一些經驗數據。一個具體樣本的形式可為樣本向量：。在這里vi表示欄位值，c表示類別。 分類作為數據挖掘的一個重要分支，在商業、醫學、軍事、體育等領域都有廣泛的應用，在過去的十多年中引起很多來自不同領域學者的關注和研究。除了基本的統計分析方法外，數據挖掘技術主要有：神經網路、決策樹、粗糙集、模糊集、貝葉斯網路、遺傳演算法、k近鄰分類演算法與支持向量機等。 不同的分類器有不同的特點，目前有三種分類器評價或比較尺度：1)預測准確度。預測准確度是用得最多的一種比較尺度，特別是對於預測型分類任務，目前公認的方法是10折分層交叉驗證法；2)計算復雜度。計算復雜度依賴於具體的實現細節和硬體環境，空間和時間的復雜度問題將是非常重要的一個環節；3)模型描述的簡潔度。模型描述越簡潔越受歡迎，如採用規則表示的分類器結果就較容易理解，而神經網路方法產生的結果就難以理解。不同的演算法有不同的特點，充分認識各演算法的優點和存在的缺陷，掌握其適應的環境，方便研究者明確演算法的改進和研究，本文主要對演算法的研究現狀進行分析和比較。2分類方法的發展 2.1決策樹的分類方法 ID3演算法是較早的決策樹歸納演算法。當前最有影響的決策樹演算法是Quinlan於1986年提出的ID3和1993年提出的C4.5。ID3選擇增益值最大的屬性劃分訓練樣本，其目的是進行分裂時系統的熵最小，從而提高演算法的運算速度和精確度。這種方法的優點是描述簡單、分類速度快和產生的分類規則易於理解；但缺點是抗噪性差、訓練正例和反例較難控制以及是非遞增學習演算法。C4.5是ID3的改進演算法，不僅可以處理離散值屬性，還能處理連續值屬性，但是也不能進行增量學習。 SLIQ是一個能夠處理連續及離散屬性的決策樹分類器。該演算法針對C4.5分類演算法產生的樣本反復掃描和排序低效問題，採用了預排序和寬度優先兩項技術。預排序技術消除了結點數據集排序，寬度優先為決策樹中每個葉結點找到了最優分裂標准。這些技術結合使SLIQ能夠處理大規模的數據集，並能對具有大量的類、屬性與樣本的數據集分類；並且該演算法代價不高且生成緊湊精確的樹。缺點是內存駐留數據會隨著輸入紀錄數線性正比增大，限制了分類訓練的數據量。 SPRINT方法完全不受內存的限制，並且處理速度很快，且可擴展。為了減少駐留於內存的數據量，該演算法進一步改進了決策樹演算法的數據結構，去掉了SLIQ中需要駐留於內存的類別列表，將類別合並到每個屬性列表中。但是對非分裂屬性的屬性列表進行分裂卻比較困難，因此該演算法的可擴展性較差。 2.2貝葉斯分類方法 貝葉斯分類是統計學分類方法，是利用Bayes定理來預測一個未知類別的樣本可能屬性，選擇其可能性最大的類別作為樣本的類別。樸素貝葉斯網路作為一種快速而高效的演算法而受到人們的關注，但是其屬性獨立性並不符合現實世界，這樣的假設降低了樸素貝葉斯網路的性能；但是如果考慮所有屬性之間的依賴關系，使其表示依賴關系的能力增強，允許屬性之間可以形成任意的有向圖，由於其結構的任意性，這樣使得貝葉斯網路的結構難以學習，然而，貝葉斯網路的學習是一個NP-Complete問題。 目前對於貝葉斯網路的改進主要包括了：1)基於屬性選擇的方法，保證選擇的屬性之間具有最大的屬性獨立性，其中代表演算法是由Langley提出SBC；2)擴展樸素貝葉斯網路的結構，考慮屬性之間的依賴關系，降低屬性獨立性假設，其中代表演算法是由Friedman提出樹擴展的貝葉斯網路TAN；3)基於實例的學習演算法。 其中1)、2)的演算法是根據訓練集合構造一個分類器，是一種積極的學習演算法，3)的方法是一種消極的學習演算法。 2.3粗糙集分類方法 粗糙集理論是一種刻劃不完整和不確定性數據的數學工具，不需要先驗知識，能有效處理各種不完備，從中發現隱含的知識，並和各種分類技術相結合建立起能夠對不完備數據進行分類的演算法。粗糙集理論包含求取數據中最小不變集和最小規則集的理論，即約簡演算法，這也是粗糙集理論在分類中的主要應用。 2.4神經網路 神經網路是分類技術中重要方法之一，是大量的簡單神經元按一定規則連接構成的網路系統。它能夠模擬人類大腦的結構和功能，採用某種學習演算法從訓練樣本中學習，並將獲取的知識存儲在網路各單元之間的連接權中。神經網路主要有前向神經網路、後向神經網路和自組織網路。目前神經網路分類演算法研究較多集中在以BP為代表的神經網路上。文獻提出了粒子群優化演算法用於神經網路訓練，在訓練權值同時刪除冗餘連接，與BP結果比較表明演算法的有效性。文獻提出旋轉曲面變換粒子群優化演算法的神經網路，使待優化函數跳出局部極值點，提高訓練權值的效率。 2.5K近鄰分類演算法 K近鄰分類演算法是最簡單有效的分類方法之一，是在多維空間中找到與未知樣本最近鄰的K個點，並根據這K個點的類別判斷未知樣本的類別。但是有兩個最大缺點：1)由於要存儲所有的訓練數據，所以對大規模數據集進行分類是低效的；2)分類的效果在很大程度上依賴於K值選擇的好壞。文獻提出一種有效的K近鄰分類演算法，利用向量方差和小波逼近系數得出兩個不等式，根據這兩個不等式，分類效率得到了提高。文獻提出用粒子群優化演算法對訓練樣本進行有指導的全局隨機搜索，掠過大量不可能的K向量，該演算法比KNN方法計算時間降低了70%。 2.6基於關聯規則挖掘的分類方法 關聯分類方法一般由兩部組成：第一步用關聯規則挖掘演算法從訓練數據集中挖掘出所有滿足指定支持度和置信度的類關聯規則，支持度用於衡量關聯規則在整個數據集中的統計重要性，而置信度用於衡量關聯規則的可信程度；第二步使用啟發式方法從挖掘出的類關聯規則中挑選出一組高質量的規則用於分類。 Agrawal等人於1993年提出了演算法AIS和SETM，1994年又提出了Apriori和AprioriTid，後兩個演算法和前兩個演算法的不同之處在於：在對資料庫的一次遍歷中，那些候選數據項目被計數以及產生候選數據項目集的方法。但前兩者方法的缺點是會導致許多不必要的數據項目集的生成和計數。由於目前日常生活中如附加郵遞、目錄設計、追加銷售、倉儲規劃都用到了關聯規則，因此首先要考慮關聯規則的高效更新問題，D.w.cheung提出了增量式更新演算法FUP，它的基本框架和Apriori是一致的；接著馮玉才等提出了兩種高效的增量式更新演算法IUA和PIUA，主要考慮當最小支持度和最小可信度發生變化時，當前交易資料庫中關聯規則的更新問題。 2.7支持向量機方法的發展 支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎之上的。根據有限樣本、在模型的復雜性和學習能力之間尋求折衷，以期獲得最好推廣能力。它非常適合於處理非線性問題。分類問題是支持向量機最為成熟和應用最廣的演算法。但是由於SVM的訓練時間會隨著數據集的增大而增加，所以在處理大規模數據集時，SVM往往需要較長的訓練時間。 文獻提出了一種多分類問題的改進支持向量機，將GA和SVM相結合，構造了一種參數優化GA-SVM，該方法在多分類非平衡問題上，提高了分類正確率，也提高了學習時間。文獻提出了一種新的支持向量機增量演算法，提出了一種誤分點回溯增量演算法，先找出新增樣本中誤分的樣本，然後在原樣本集尋找距誤分點最近的樣本作為訓練集的一部分，重新構建分類器，有效保留樣本的分類，結果表明比傳統的SVM有更高的分類精度。 2.8基於群的分類方法 這種方法可以看作是進化演算法的一個新的分支，它模擬了生物界中蟻群、魚群和鳥群在覓食或者逃避敵人時的行為，對基於群的分類方法研究，可以將這種方法分為兩類：一類是蟻群演算法，另一類稱為微粒群演算法。 文獻提出了一種基於蟻群演算法的分類規則挖掘演算法，針對蟻群演算法計算時間長的缺點，提出了一種變異運算元，用公用數據作試驗將其結果與C4.5和Ant-Miner比較，顯示變異運算元節省了計算時間。 PSO是進化計算的一個新的分支，它模擬了鳥群或魚群的行為。在優化領域中，PSO可以與遺傳演算法相媲美。文獻提出了基於粒子群優化演算法的模式分類規則獲取，演算法用於Iris數據集進行分類規則的提取，與其他演算法比較顯示不僅提高了正確率，而且較少了計算時間。文獻將PSO運用於分類規則提取，對PSO進行了改進，改進的演算法與C4.5演算法比較，試驗結果表明，在預測精度和運行速度上都占優勢。 由於PSO演算法用於分類問題還處於初期，因此要將其運用到大規模的應用中還要大量的研究。3總結 分類是數據挖掘的主要研究內容之一，本文對分類演算法進行了分析，從而便於對已有演算法進行改進。未來的數據分類方法研究更多地集中在智能群分類領域，如蟻群演算法、遺傳演算法、微粒群演算法等分類研究上以及混合演算法來進行分類。總之，分類方法將朝著更高級、更多樣化和更加綜合化的方向發展。參考文獻： 邵峰晶，於忠清．數據挖掘原理與演算法．中國水利水電出版社，2003. 陳文偉，黃金才．數據倉庫與數據挖掘．人民郵電出版社，2004. L.Jiang，H.Zhang，Z.CaiandJ.Su，EvolutionalNaiveBayes，tsApplication，ISICA2005，pp.344-350，. Langley，P.，Sage，S，，，pp.339-406. Friedman，N.，Greiger，D.，Goldszmidt，M.，BayesianNetworkClassifiers，MachineLearning29103-130. T.Mitchell.MachineLearning.NewYork:McGraw-HillPress，1997. 曾黃麟．粗糙理論以及應用．重慶大學出版社，1996. 高海兵、高亮等．基於粒子群優化的神經網路訓練演算法研究．電子學報，2004，9. 熊勇，陳德釗，胡上序．基於旋轉曲面變換PSO演算法的神經網路用於胺類有機物毒性分類．分析化學研究報告，2006，3. 喬玉龍，潘正祥，孫聖和．一種改進的快速K近鄰分類演算法．電子學報，2005，6. 張國英，沙芸，江惠娜．基於粒子群優化的快速KNN分類演算法．山東大學學報，2006，6. 黃景濤，馬龍華，錢積新．一種用於多分類問題的改進支持向量機．浙江大學學報，2004，12. 毛建洋，黃道．一種新的支持向量機增量演算法．華東理工大學學報，2006，8. 吳正龍，王儒敬等．基於蟻群演算法的分類規則挖掘演算法．計算機工程與應用，2004. 高亮，高海兵等．基於粒子群優化演算法的模式分類規則獲取．華中科技大學學報．2004，11. 延麗萍，曾建潮．利用多群體PSO生成分類規則．計算機工程與科學，2007，2.

㈥ 名詞解釋GPO和PSO

GPO （葯品集中采購組織）20世紀初期，美國葯品集中采購組織（Group purchasing organizations,簡稱GPO或者GPOs）出現，通過市場競爭將醫院的需求通過GPO這樣的采購中介進行集中采購。GPO的出現為醫療機構的成本節約，減少美國醫療費用上漲的壓力起到了一定的作用。

PSO是粒子群優化演算法（——Particle Swarm Optimization）的英文縮寫，是一種基於種群的隨機優化技術，由Eberhart和Kennedy於1995年提出。粒子群演算法模仿昆蟲、獸群、鳥群和魚群等的群集行為，這些群體按照一種合作的方式尋找食物，群體中的每個成員通過學習它自身的經驗和其他成員的經驗來不斷改變其搜索模式。

㈦ 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。

樓主，我這么辛苦給你打這么字，給我多加點懸賞分吧！謝謝了哈

㈧ 鳥群和魚群是如何在高速運動的同時互相交流協調方向的

魚群的同步率非常高，因為它們都遵循一條規則：「如果前面的魚改變方向，後面的魚也會隨著改變方向，如果旁邊的魚游得離你太遠就加速，如果太近就減速。」
鳥類也有類似的規則。

㈨ 人工魚群演算法有哪些

具體演算法如下：

1、起源人工魚群演算法是李曉磊等人於2002年在動物群體智能行為研究的基礎上提出的一種新型方盛優化演算法，該演算法根據水域中魚生存數目最多的地方就是本水域中富含營養物質最多的地方這一特點來模擬魚群的覓食行為而實現尋優。

2、演算法主要利用魚的三大基本行為：覓食、聚群和追尾行為，採用自上而下的尋優模式從構造個體的底層行為開始，通過魚群中各個體的局部尋優，達到全局最優值在群體中凸顯出來的目的。

3該方法採用自下而上的尋優思路，首先設計單個個體的感知、行為機制，然後將一個或一群實體放置在環境中，讓他們在環境的交互作用中解決問題。

4、生態學基礎在一片水域中，魚存在的數目最多的地方就是本水域富含營養物質最多的地方，依據這一特點來模仿魚群的覓食、聚群、追尾等行為，從而實現全局最優，這就是魚群演算法的基本思想。魚類活動中，覓食行為、群聚行為、追尾行為和隨機行為與尋優命題的解決有較為密切的關系，如何利用簡單有效的方式來構造和實現這些行為將是演算法實現的主要為題。

5、人工魚的結構模型人工魚是真實魚抽象化、虛擬化的一個實體，其中封裝了自身數據和一系列行為，可以接受環境的刺激信息，做出相應的活動。其所在的環境由問題的解空間和其他人工魚的狀態，它在下一時刻的行為取決於自身的狀態和環境的狀態，並且它還通過自身的活動來影響環境，進而影響其他人工魚的活動。