非线性规划和启发式算法区别

1. 用软件求解混合整数非线性规划和算法解有什么区别

软件嵌入算法和你自己的算法都是最优化算法时，混合整数非线性规划问题如果是凸的，软件求解的结果和你自己算法的求解结果应该是一样的，出入可能在于 收敛精度要求不同。
如果问题是非凸的，依据求解非线性规划问题的能力，结果可能差别很大。

2. 深度学习算法与启发式算法的区别

算法导向不同，包含内容不同。
深度学习算法包含回归算法，基于实例的算法，正则化方法，贝叶斯方法，人工神经网络五类算法。启发式算法通常是以问题为导向的（ProblemSpecific），也就是说，没有一个通用的框架，每个不同的问题通常设计一个不同的启发式算法，通常被用来解组合优化问题。

3. 智能计算/计算智能、仿生算法、启发式算法的区别与关系

我一个个讲好了，
1）启发式算法：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。意思就是说，启发式算法是根据经验或者某些规则来解决问题，它求得的问题的解不一定是最优解，很有可能是近似解。这个解与最优解近似到什么程度，不能确定。相对于启发式算法，最优化算法或者精确算法（比如说分支定界法、动态规划法等则能求得最优解）。元启发式算法是启发式算法中比较通用的一种高级一点的算法，主要有遗传算法、禁忌搜索算法、模拟退火算法、蚁群算法、粒子群算法、变邻域搜索算法、人工神经网络、人工免疫算法、差分进化算法等。这些算法可以在合理的计算资源条件下给出较高质量的解。
2）仿生算法：是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。主要有：遗传算法、人工神经网络、蚁群算法、蛙跳算法、粒子群优化算法等。这些算法均是模仿生物进化、神经网络系统、蚂蚁寻路、鸟群觅食等生物行为。故叫仿生算法。
3）智能计算：也成为计算智能，包括遗传算法、模拟退火算法、禁忌搜索算法、进化算法、蚁群算法、人工鱼群算法，粒子群算法、混合智能算法、免疫算法、神经网络、机器学习、生物计算、DNA计算、量子计算、模糊逻辑、模式识别、知识发现、数据挖掘等。智能计算是以数据为基础，通过训练建立联系，然后进行问题求解。
所以说，你接触的很多算法，既是仿生算法，又是启发式算法，又是智能算法，这都对。分类方法不同而已。

这次楼主不要再老花了哈！

4. 非线性规划与线性规划有什么区别么

1. 线性规划（Linearprogramming,简称LP）是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它是辅助人们进行科学管理的一种数学方法。

   线性规划研究线性约束条件下线性目标函数的极值问题的数学理论和方法。线性规划就是用方程组求值,因为直线的焦点就是所求的最值。

2. 非线性规划具有非线性约束条件或目标函数的数学规划，是运筹学的一个重要分支。 非线性规划研究一个n元实函数在一组等式或不等式的约束条件下的极值问题，且目标函数和约束条件至少有一个是未知量的非线性函数。目标函数和约束条件都是线性函数的情形则属于线性规划。

非线性规划与线性规划的区别主要在于解决问题的模型和方法略有差别。你也可以简单的理解为线性规划是用直线解决问题，而非线性规划是曲线甚至更复杂的图像解决问题。

5. 近似算法和启发式算法的区别与联系

在计算机科学与运筹学，近似算法是指用来发现近似方法来解决优化问题的算法。近似算法通常与NP-hard问题相关; 由于不可能有效的多项式时间精确算来解决NP-hard问题，所以一个求解多项式时间次优解。与启发式算法不同，通常只能找到合理的解决方案相当快速，需要可证明的解决方案质量和可证明的运行时间范围。理想情况下，近似值最优可达到一个小的常数因子（例如在最优解的5%以内）。近似算法越来越多地用于已知精确多项式时间算法但由于输入大小而过于昂贵的问题。
启发式算法（heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、神经网络等。

6. 结构优化设计的方法简介

1．简单解法
当优化问题的变量较少时，可用下列简单解法。
（1）图解法。在设计空间中作出可行域和目标函数等值面，再从图形上找出既在可行域内（或其边界内），又使目标函数值最小的设计点的位置。
（2）解析法。当问题比较简单时，可用解析法求解。
2．准则法
准则法是从工程和力学观点出发，提出结构达到优化设计时应满足的某些准则（如同步失效准则、满应力准则、能量准则等），然后用迭代的方法求出满足这些准则的解。该方法的主要特点是收敛快，重分析次数与设计变量数目无直接关系，计算量不大，但适用有局限性，主要适用于结构布局及几何形状已定的情况。尽管准则法有它的缺点，但从工程应用的角度来看，它比较方便，习惯上易于接受，优点仍是主要的。最简单的准则法有同步失效准则法和满应力准则法。
（1）同步失效准则法。其基本思想可概括为：在荷载作用下，能使所有可能发生的破坏模式同时实现的结构是最优的结构。同步失效准则设计有许多明显的缺点。由于要用解析表达式进行代数运算，同步失效设计只能用来处理非常简单的元件优化；当约束数大于设计变量数时，必须设法确定那些破坏模式应当同时发生才给出最优设计，这通常是一件十分困难的工作；当约束数和设计变量数相等时，并不能保证这样求得的解是最优解。
（2）满应力准则法。该法认为充分发挥材料强度的潜力，可以算是结构优化的一个标志，以杆件满应力作为优化设计的准则。这一方法在杆件系统如桁架的优化设计中用得较多。在此基础上又发展了与射线步结合的齿行法以及框架等复杂结构的满应力设计。
3．数学规划法
将结构优化问题归纳为一个数学规划问题，然后用数学规划法来求解。结构优化中常用的数学规划方法是非线性规划，有时也用线性规划，特殊情况可能用到动态规划、几何规划、整数规划或随机规划等。
（1）线性规划。当目标函数和约束方程都是设计变量的线性函数时，称为线性规划问题。该类问题的解法比较成熟，其中常用的解法是单纯形法。
（2）非线性规划。当目标函数或约束方程为设计变量的非线性函数时，称为非线性规划。结构优化设计多为有约束的非线性规划问题。这类问题较线性规划问题复杂得多，难度较大，目前采用的方法大致有以下几种类型：不作转换但需求导数的分析方法，如梯度投影法、可行方向法等；不作转换也不需求导数的直接搜索方法，如复形法；采用线性规划来逐次逼近，如序列线性规划法；转换为无约束极值问题求解，如罚函数法、乘子法等。
4．混合法
混合法即同时采用准则法和数学规划法。
5．启发式算法
近些年来发展起来了一些启发式算法。这些算法有遗传算法（GA）、神经网络算法、模拟退火算法等。它们在结构优化领域得到了一些应用。

7. 元启发式算法和启发式算法有什么区别

启发式算法与元启发式算法对区别在于是否存在“随机因素”。 对一个同样的问题，启发式算法（heuristics）只要给定了一个输入，那么算法执行的步骤就固定下来了，输出也因此固定，多次运算结果保持一致。

而元启发式算法（meta－heuristics）里面包括了随机因素，如GA中的交叉因子，模拟退火中的metropolis准则，这些随机因素也使得算法有一定概率跳出局部最优解而去尝试全局最优解，因此元启发式算法在固定的输入下，而输出是不固定的。

启发式算法(Heuristic Algorigthm)是一种基于直观或经验构造的算法,在可接受的花费(指计算时间、计算空间等)给出待解决优化问题的每一实例的一个可行解，该可行解与与最优解的偏离程度一般不可以事先预计。

启发式算法是一种技术,这种算法可以在可接受的计算费用内找到最好的解,但不一定能保证所得到解的可行性及最优性，甚至大多数情况下无法阐述所得解与最优解之间的近似程度。

元启发式算法（MetaHeuristic Algorigthm）是启发式算法的改进，它是随机算法与局部搜索算法相结合的产物，常见的启发式算法包括遗传算法、模拟退火算法、禁忌搜索算法及神经网络算法等。

新兴的元启发式算法有、粒子群优化算法、差分进化算法，蚁群优化算法、萤火虫算法、布谷鸟算法、和声搜索算法、差分进化算法、随机蛙跳算法、细菌觅食算法、蝙蝠算法的算法等。

8. 有大神能解释一下启发式算法和人工智能算法的异同吗

相同点：都依赖于计算机才能计算，无具体求解方程
不同点：前者是模拟某种现象规律而解决一些优化问题，后者是模拟人类大脑解决问题