非線性規劃和啟發式演算法區別

1. 用軟體求解混合整數非線性規劃和演算法解有什麼區別

軟體嵌入演算法和你自己的演算法都是最優化演算法時，混合整數非線性規劃問題如果是凸的，軟體求解的結果和你自己演算法的求解結果應該是一樣的，出入可能在於 收斂精度要求不同。
如果問題是非凸的，依據求解非線性規劃問題的能力，結果可能差別很大。

2. 深度學習演算法與啟發式演算法的區別

演算法導向不同，包含內容不同。
深度學習演算法包含回歸演算法，基於實例的演算法，正則化方法，貝葉斯方法，人工神經網路五類演算法。啟發式演算法通常是以問題為導向的（ProblemSpecific），也就是說，沒有一個通用的框架，每個不同的問題通常設計一個不同的啟發式演算法，通常被用來解組合優化問題。

3. 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！

4. 非線性規劃與線性規劃有什麼區別么

1. 線性規劃（Linearprogramming,簡稱LP）是運籌學中研究較早、發展較快、應用廣泛、方法較成熟的一個重要分支，它是輔助人們進行科學管理的一種數學方法。

   線性規劃研究線性約束條件下線性目標函數的極值問題的數學理論和方法。線性規劃就是用方程組求值,因為直線的焦點就是所求的最值。

2. 非線性規劃具有非線性約束條件或目標函數的數學規劃，是運籌學的一個重要分支。 非線性規劃研究一個n元實函數在一組等式或不等式的約束條件下的極值問題，且目標函數和約束條件至少有一個是未知量的非線性函數。目標函數和約束條件都是線性函數的情形則屬於線性規劃。

非線性規劃與線性規劃的區別主要在於解決問題的模型和方法略有差別。你也可以簡單的理解為線性規劃是用直線解決問題，而非線性規劃是曲線甚至更復雜的圖像解決問題。

5. 近似演算法和啟發式演算法的區別與聯系

在計算機科學與運籌學，近似演算法是指用來發現近似方法來解決優化問題的演算法。近似演算法通常與NP-hard問題相關; 由於不可能有效的多項式時間精確算來解決NP-hard問題，所以一個求解多項式時間次優解。與啟發式演算法不同，通常只能找到合理的解決方案相當快速，需要可證明的解決方案質量和可證明的運行時間范圍。理想情況下，近似值最優可達到一個小的常數因子（例如在最優解的5%以內）。近似演算法越來越多地用於已知精確多項式時間演算法但由於輸入大小而過於昂貴的問題。
啟發式演算法（heuristic algorithm)是相對於最優化演算法提出的。一個問題的最優演算法求得該問題每個實例的最優解。啟發式演算法可以這樣定義：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一般不能被預計。現階段，啟發式演算法以仿自然體演算法為主，主要有蟻群演算法、模擬退火法、神經網路等。

6. 結構優化設計的方法簡介

1．簡單解法
當優化問題的變數較少時，可用下列簡單解法。
（1）圖解法。在設計空間中作出可行域和目標函數等值面，再從圖形上找出既在可行域內（或其邊界內），又使目標函數值最小的設計點的位置。
（2）解析法。當問題比較簡單時，可用解析法求解。
2．准則法
准則法是從工程和力學觀點出發，提出結構達到優化設計時應滿足的某些准則（如同步失效准則、滿應力准則、能量准則等），然後用迭代的方法求出滿足這些准則的解。該方法的主要特點是收斂快，重分析次數與設計變數數目無直接關系，計算量不大，但適用有局限性，主要適用於結構布局及幾何形狀已定的情況。盡管准則法有它的缺點，但從工程應用的角度來看，它比較方便，習慣上易於接受，優點仍是主要的。最簡單的准則法有同步失效准則法和滿應力准則法。
（1）同步失效准則法。其基本思想可概括為：在荷載作用下，能使所有可能發生的破壞模式同時實現的結構是最優的結構。同步失效准則設計有許多明顯的缺點。由於要用解析表達式進行代數運算，同步失效設計只能用來處理非常簡單的元件優化；當約束數大於設計變數數時，必須設法確定那些破壞模式應當同時發生才給出最優設計，這通常是一件十分困難的工作；當約束數和設計變數數相等時，並不能保證這樣求得的解是最優解。
（2）滿應力准則法。該法認為充分發揮材料強度的潛力，可以算是結構優化的一個標志，以桿件滿應力作為優化設計的准則。這一方法在桿件系統如桁架的優化設計中用得較多。在此基礎上又發展了與射線步結合的齒行法以及框架等復雜結構的滿應力設計。
3．數學規劃法
將結構優化問題歸納為一個數學規劃問題，然後用數學規劃法來求解。結構優化中常用的數學規劃方法是非線性規劃，有時也用線性規劃，特殊情況可能用到動態規劃、幾何規劃、整數規劃或隨機規劃等。
（1）線性規劃。當目標函數和約束方程都是設計變數的線性函數時，稱為線性規劃問題。該類問題的解法比較成熟，其中常用的解法是單純形法。
（2）非線性規劃。當目標函數或約束方程為設計變數的非線性函數時，稱為非線性規劃。結構優化設計多為有約束的非線性規劃問題。這類問題較線性規劃問題復雜得多，難度較大，目前採用的方法大致有以下幾種類型：不作轉換但需求導數的分析方法，如梯度投影法、可行方向法等；不作轉換也不需求導數的直接搜索方法，如復形法；採用線性規劃來逐次逼近，如序列線性規劃法；轉換為無約束極值問題求解，如罰函數法、乘子法等。
4．混合法
混合法即同時採用准則法和數學規劃法。
5．啟發式演算法
近些年來發展起來了一些啟發式演算法。這些演算法有遺傳演算法（GA）、神經網路演算法、模擬退火演算法等。它們在結構優化領域得到了一些應用。

7. 元啟發式演算法和啟發式演算法有什麼區別

啟發式演算法與元啟發式演算法對區別在於是否存在「隨機因素」。 對一個同樣的問題，啟發式演算法（heuristics）只要給定了一個輸入，那麼演算法執行的步驟就固定下來了，輸出也因此固定，多次運算結果保持一致。

而元啟發式演算法（meta－heuristics）裡麵包括了隨機因素，如GA中的交叉因子，模擬退火中的metropolis准則，這些隨機因素也使得演算法有一定概率跳出局部最優解而去嘗試全局最優解，因此元啟發式演算法在固定的輸入下，而輸出是不固定的。

啟發式演算法(Heuristic Algorigthm)是一種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、計算空間等)給出待解決優化問題的每一實例的一個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。

啟發式演算法是一種技術,這種演算法可以在可接受的計算費用內找到最好的解,但不一定能保證所得到解的可行性及最優性，甚至大多數情況下無法闡述所得解與最優解之間的近似程度。

元啟發式演算法（MetaHeuristic Algorigthm）是啟發式演算法的改進，它是隨機演算法與局部搜索演算法相結合的產物，常見的啟發式演算法包括遺傳演算法、模擬退火演算法、禁忌搜索演算法及神經網路演算法等。

新興的元啟發式演算法有、粒子群優化演算法、差分進化演算法，蟻群優化演算法、螢火蟲演算法、布穀鳥演算法、和聲搜索演算法、差分進化演算法、隨機蛙跳演算法、細菌覓食演算法、蝙蝠演算法的演算法等。

8. 有大神能解釋一下啟發式演算法和人工智慧演算法的異同嗎

相同點：都依賴於計算機才能計算，無具體求解方程
不同點：前者是模擬某種現象規律而解決一些優化問題，後者是模擬人類大腦解決問題